python学opencv|读取图像（五十六）使用cv2.GaussianBlur()函数实现图像像素高斯滤波处理

【1】引言

前序学习了均值滤波和中值滤波，对图像的滤波处理有了基础认知，相关文章链接为：

python学opencv|读取图像（五十四）使用cv2.blur()函数实现图像像素均值处理-CSDN博客

python学opencv|读取图像（五十五）使用cv2.medianBlur()函数实现图像像素中值滤波处理-CSDN博客

在此基础上，我们可以进入高斯滤波的学习，此时需要使用cv2.GaussianBlur()函数。

【2】官网教程

点击下方链接，直达cv2.GaussianBlur()函数的官网教程：

OpenCV: Image Filtering

官网页面对cv2.GaussianBlur()函数的说明为：

++图1 cv2.GaussianBlur()函数的官网教程++

官网页面对cv2.GaussianBlur()函数的参数说明为：

void cv::GaussianBlur (

InputArray src, #输入图像

OutputArray dst, #输出图像

Size ksize, #像素核

double sigmaX, #卷积核水平方向标准差，可选参数

double sigmaY = 0, #卷积核竖直方向标准差，可选参数

int borderType = BORDER_DEFAULT, #边界样式，可选参数

AlgorithmHint hint = cv::ALGO_HINT_DEFAULT ) #实现修改标志，无需关注

【3】代码测试

首先是引入模块和相关图像：

python 复制代码

import cv2 as cv  # 引入CV模块

# 读取图片
srcm = cv.imread('srcx.png')  # 读取图像srcx.png

然后是对图像进行高斯滤波处理：

python 复制代码

#滤波计算
src1 = cv.GaussianBlur(srcm,(3,3),0,0)  # 图像取平均值，像素核大小为(3,3)
src2 = cv.GaussianBlur(srcm,(5,5),0,0)  # 图像取平均值，像素核大小为(5,5)
src3 = cv.GaussianBlur(srcm,(7,7),0,0)  # 图像取平均值，像素核大小为(7,7)

之后显示图像：

python 复制代码

# 显示结果
cv.imshow('srcm ', srcm)
cv.imshow('src1 ', src1)
cv.imshow('src2 ', src2)
cv.imshow('src3 ', src3)
cv.imwrite('src1g.png',src1)
cv.imwrite('src2g.png',src2)
cv.imwrite('src3g.png',src3)
# 窗口控制
cv.waitKey()  # 图像不关闭
cv.destroyAllWindows()  # 释放所有窗口

程序运行使用的相关图像为：

++图2 初始图像scrx.png++

++图3 高斯滤波图像scr1.png++

++图4 高斯滤波图像scr2.png++

++图5 高斯滤波图像scr3.png++

和调用cv2.blur()函数使用均值滤波处理，调用cv2.medianBlur()函数进行中值滤波处理一样，调用cv.GaussianBlur()函数进行高斯滤波处理后，由图2到图5可见，随着像素核的增大，图像越来越模糊。这提醒我们，控制像素核的大小，可以进一步控制图像的模糊程度。

【4】细节说明

调用cv2.medianBlur()函数进行中值滤波时，使用的像素核只需要写出边长n，但这个边长也应该是奇数，cv2.medianBlur()函数会自动根据这个边长划定一个正方形的像素核。

调用cv2.blur()函数进行均值滤波和调用cv2.GaussianBlur()函数进行高斯滤波处理时，均需要给出(nXn)大小的像素核，这个n应使用奇数。

像素核使用奇数大小会比较好，是因为奇数大小会在最中间围成一个方格，这个方格就是核心方格，滤波计算的值直接赋给这个核心方格。

++图6 图像滤波技术对比++

【5】总结

掌握了使用python+opencv实现调用cv2.GaussianBlur()函数进行高斯滤波处理图像的技巧。