我們前面提到，可以使用加權平均操作來降低圖像的噪聲，其基本原理就是按照領域像素的重要程度來進行加權。

那這個加權平均的濾波器是怎樣的呢？我們可以構建如下的加權平均濾波器：

離中心點越近的權值比越遠的權值要高，但這個濾波器的尺寸太小，通常很難看出區別，而且更重要的是權重大小的設置比較繁瑣。我們知道，高斯函數呈現出的特征就是中間高，兩邊低的鐘形。下圖是二維高斯函數的可視化圖形：

能不能利用高斯函數的這種性質，自動生成加權平均的濾波器呢？當然是可以的。下圖是帶有噪聲的原始圖像。

我們直接調用opencv中的GaussianBlur()函數。

import cv2 lena = cv2.imread("lena_Gauss.png", 0) Gauss_filter = cv2.GaussianBlur(lena, (7, 7), 10, 10) cv2.imshow("lena_Gauss_filter", Gauss_filter) cv2.waitKey()

代價當然是圖像變模糊了，要不然咋叫高斯模糊，這里的sigma=10，sigma越大，圖像越模糊。需要注意的是，這里的高斯模糊與高斯噪聲完全是2回事。假設原圖像帶有sigma=10的高斯噪聲，這個高斯模糊濾波器的sigma=10，這是2個完全不同的sigma。

總結

以上是生活随笔為你收集整理的高斯模糊的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。