计算机视觉 / 系统课时
使用高斯滤波
使用高斯滤波
高斯滤波通过对邻域像素做距离相关的加权平均,降低高频噪声和细碎纹理。掌握核大小与标准差的配合后,就能为 Canny 边缘检测、阈值分割等操作准备更稳定的输入,同时避免过度模糊真实边缘。
学习目标
- 使用
cv2.GaussianBlur对图像执行高斯滤波 - 理解核大小、
sigmaX与sigmaY对平滑强度的影响 - 能根据降噪与保留边缘的需求选择基本参数
高斯滤波如何产生平滑效果
高斯滤波不是简单地求邻域平均值,而是让距离中心越近的像素拥有越大的权重。这样既能抑制局部高频变化,又比普通均值滤波更自然地保留大尺度亮度变化,因此经常作为边缘检测前的预处理步骤。
核大小决定参与计算的邻域范围,标准差决定权重从中心向外衰减的速度。范围越大、标准差越大,通常意味着更强的平滑,但细小边缘和纹理也会损失得更多。
配置核大小和标准差
Python 中最常用的接口是 cv2.GaussianBlur(src, ksize, sigmaX, sigmaY=0)。常见参数可以按下表理解:
| 参数 | 作用 | 常见选择 |
|---|---|---|
ksize |
指定高斯核宽度和高度 | (3, 3)、(5, 5)、(9, 9) |
sigmaX |
控制水平方向高斯分布标准差 | 从 0 或较小正数开始测试 |
sigmaY |
控制垂直方向标准差 | 0 时通常按 sigmaX 处理 |
borderType |
指定图像边界附近的扩展方式 | 通常保持默认值 |
当显式指定核尺寸时,宽度和高度通常使用正奇数。也可以把核尺寸设为 (0, 0),由标准差推导尺寸;为了让处理行为更容易复现,工程代码中通常会明确写出需要控制的参数。
运行一个可验证的示例
下面构造一张黑白阶跃图像。原图左右区域存在明显边界,高斯滤波后边界附近会形成平滑过渡,而图像尺寸和数据类型保持不变。
python
import cv2
import numpy as np
image = np.zeros((128, 128), dtype=np.uint8)
image[:, 64:] = 255
# 使用固定核尺寸和标准差,便于重复比较处理结果。
blurred = cv2.GaussianBlur(
image,
(9, 9),
sigmaX=2.0,
sigmaY=2.0,
)
print('same shape:', blurred.shape == image.shape)
print('same dtype:', blurred.dtype == image.dtype)
print('edge changed:', bool(np.any(blurred != image)))
print('saved:', cv2.imwrite('gaussian-blur.png', blurred))预期输出:
text
same shape: True
same dtype: True
edge changed: True
saved: Trueedge changed: True 表明滤波确实修改了阶跃边界附近的像素,而不是改变图像尺寸或类型。生成的 gaussian-blur.png 中,原本突变的黑白边界会变成连续的灰度过渡。
避免参数过度平滑
核尺寸和标准差并不是越大越好。处理轻微传感器噪声时,可以先使用较小核;如果图像噪声更强,再逐步提高核尺寸或标准差,并重新检查边缘是否仍然清晰。
如果使用偶数核尺寸,例如 (4, 4),OpenCV 通常会因核尺寸不满足要求而报断言错误。实际调参时应同时观察降噪效果和后续算法输出,而不是只比较滤波后图像是否看起来更平滑。
按自己的节奏,确认真正理解。