机器视觉基础—高斯滤波

机器视觉基础—高斯滤波

引用

CSDN

1.

https://blog.csdn.net/weixin_46167190/article/details/146697973

高斯滤波是机器视觉和图像处理中的重要技术，主要用于图像平滑和噪声去除。本文将详细介绍高斯滤波的基本原理，并通过代码示例展示如何使用OpenCV库实现高斯滤波。

机器视觉基础—图像滤波

高斯滤波

高斯核的权重值从中心向边缘按高斯函数衰减：中心像素权重最大，周围像素权重随距离增加而减小。

3x3大小的卷积核的过程：如上所示最后执行一次归一化的操作即可。这里归一化之后得到的权重值，3x3区域大小的部分就是我们的高斯核（3x3大小的高斯核）将其用作卷积核即可。

之后的过程就是使用这个卷积核来进行卷积的处理和深度学习中的卷积的运算是保持一致的情况。

这种特性使得高斯滤波能保留更多低频信息（平滑区域），同时减少高频噪声。

import cv2
import matplotlib.pyplot as plt

def show_reslt(img):
    plt.imshow(img)
    plt.show()

img = cv2.imread('../exp/occ_result/trackerobj/2/15.png')
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
show_reslt(img)

img = cv2.GaussianBlur(img, (5, 5), 5000)
show_reslt(img)

自定义的形式

下面使用自定义滤波的形式生成同样的结果，代码如下所示。

dst = cv2.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])

输入参数：

• src：输入图像（灰度图或彩色图，支持 uint8、float32 等格式）。
• ddepth：输出图像的深度（如 -1 表示与输入相同，cv2.CV_64F 允许负值输出）。
• kernel：卷积核（单通道浮点型矩阵，如 np.float32）。

可选参数：

• anchor：核的锚点位置（默认 (-1, -1) 表示核中心）。
• delta：卷积后添加到每个像素的偏移值（默认为 0）。
• borderType：边界填充方式（如 cv2.BORDER_REFLECT、cv2.BORDER_CONSTANT 等）。

import cv2
import matplotlib.pyplot as plt

def show_reslt(img):
    plt.imshow(img)
    plt.show()

img = cv2.imread('../exp/occ_result/trackerobj/2/15.png')
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
show_reslt(img)

# 定义高斯核
# 定义参数
ksize = 5  # 整数，非元组
sigma = 500
# 生成一维高斯核
gaussian_1D = cv2.getGaussianKernel(ksize, sigma, cv2.CV_32F)
# 生成二维高斯核
gaussian_2D = gaussian_1D @ gaussian_1D.T  # 外积
# 应用滤波
blurred = cv2.filter2D(img, -1, gaussian_2D)
show_reslt(blurred)

通过掩码的方式在指定的区域上进行高斯滤波

np.where(mask, blurred, img) 会根据掩模 mask 的值选择对应的像素：

• 如果 mask 中的值为 1，则选择 blurred 中的像素。
• 如果 mask 中的值为 0，则选择 img 中的像素。

这样可以将目标区域替换为高斯滤波后的结果，而其他区域保持不变。

import numpy as np
import cv2
import matplotlib.pyplot as plt

def show_reslt(img):
    plt.imshow(img)
    plt.show()

img = cv2.imread('../exp/occ_result/trackerobj/2/15.png')
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
show_reslt(img)

mask = np.zeros_like(img)
mask[50:150, 0:100] = 1  # 定义目标区域
blurred = cv2.GaussianBlur(img, (5,5), 500,None,10000)
result = np.where(mask, blurred, img)  # 合并结果
show_reslt(result)

这里经过高斯滤波的处理之后，黑色以外的一些点即为模块处理的部分。

对于离散的点进行高斯滤波的处理

如果把遮挡区域的散点使用高斯滤波进行一下区域的扩散，然后在和之前的做差背景中的一写点应该可以看作是遮挡区域。