假設一個列數為W,行數為H的高斯卷計運算元gaussKernel,其中W,H均為奇數，描點位置在（(H-1)/2,(W-1)/2）,構建高斯卷積核的步驟如下

1.計算高斯矩陣

2.計算高斯矩陣的和

3.高斯矩陣除以其本身的和，也就是歸一化

下面利用Python來實現構建高斯卷積運算元

def getGaussKernel(sigma,H,W):
  r,c = np.mgrid[0:H:1,0:W:1]
  r -= (H - 1) / 2
  c -= (W - 1) / 2
  gaussMatrix = np.exp(-0.5 * (np.power(r) + np.power(c)) / math.pow(sigma,2))
  # 計算高斯矩陣的和
  sunGM = np.sum(gaussMatrix)
  # 歸一化
  gaussKernel = gaussMatrix / sunGM
  return gaussKernel

高斯卷積核可以分離成一維水平方向上的高斯核和一維垂直方向上的高斯核，在OpenCV中給出了構建一維垂直方向上的高斯卷積核的函式：
Mat getGaussianKernel(int ksize,double sigma,in ktype = CV/_64F)

引數	釋意
ksize	一維垂直方向上的高斯核行數，正奇數
sigma	標準差
ktype	返回值的資料型別為CV_32F或CV_64F，預設是CV_64F

下面通過Python程式碼來具體的實現影象的高斯平滑，我們首先會對影象水平方向進行卷積，然後再對垂直方向進行卷積，其中sigma代表高斯卷積核的標準差

def gaussBlur(image,sigma,W,_boundary = 'fill',_fillvalue = 0):
  #水平方向上的高斯卷積核
  gaussKenrnel_x = cv2.getGaussianKernel(sigma,cv2.CV_64F)
  #進行轉置
  gaussKenrnel_x = np.transpose(gaussKenrnel_x)
  #影象矩陣與水平高斯核卷積
  gaussBlur_x = signal.convolve2d(image,gaussKenrnel_x,mode='same',boundary=_boundary,fillvalue=_fillvalue)
  #構建垂直方向上的卷積核
  gaussKenrnel_y = cv2.getGaussianKernel(sigma,cv2.CV_64F)
  #影象與垂直方向上的高斯核卷積核
  gaussBlur_xy = signal.convolve2d(gaussBlur_x,gaussKenrnel_y,boundary= _boundary,fillvalue=_fillvalue)
  return gaussBlur_xy
if __name__ == "__main__":
  image = cv2.imread("../images/timg.jpg",cv2.IMREAD_GRAYSCALE)
  cv2.imshow("image",image)
  #高斯平滑
  blurImage = gaussBlur(image,5,400,'symm')
  #對bIurImage進行灰度級顯示
  blurImage = np.round(blurImage)
  blurImage = blurImage.astype(np.uint8)
  cv2.imshow("GaussBlur",blurImage)
  cv2.waitKey(0)
  cv2.destroyAllWindows()

執行截圖：

以上就是python 基於opencv實現高斯平滑的詳細內容，更多關於python 高斯平滑的資料請關注我們其它相關文章！