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: True

edge 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。

目录与阅读设置

阅读设置

17

记录一个想法

使用高斯滤波

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通