目录

实验原理

示例代码1

运行结果1

示例代码2

运行结果2

实验代码3

运行结果3

---

实验原理

在OpenCV中，高斯滤波（Gaussian Filtering）是一种非常常用的图像平滑处理方法。它通过使用一个高斯核（即高斯分布函数）对图像进行卷积操作来去除噪声，同时保留尽可能多的边缘细节。高斯滤波器具有良好的频率响应特性，并且由于其平滑效果自然，因此在许多计算机视觉和图像处理任务中都有广泛应用。

函数原型

C++: void GaussianBlur(InputArray src, OutputArray dst, 
                    Size ksize, double sigmaX, double sigmaY=0, 
                    int borderType=BORDER_DEFAULT );

参数说明
src：输入图像，它可以是单通道或多通道图像。
dst：输出图像，与输入图像有相同的大小和类型。
ksize：高斯核的大小，通常是一个奇数大小的正方形，例如3x3, 5x5等。
sigmaX：在X方向上的高斯核的标准差；如果设置为0，则根据核大小计算标准差。
sigmaY：在Y方向上的高斯核的标准差；如果设置为0，则假设sigmaY=sigmaX。
borderType：边界处理类型，默认值为BORDER_DEFAULT，表示采用默认的边界扩展方式。
            可以选择不同的边界处理方式，如BORDER_CONSTANT、BORDER_REFLECT等。

边界处理borderType参数决定了如何处理图像边缘的像素。
常见的边界处理方式包括：
•BORDER_CONSTANT：用指定的常数值填充边界。
•BORDER_REPLICATE：边界像素值向外扩展。
•BORDER_REFLECT：反射边界，如12345反射为45454。
•BORDER_WRAP：循环边界，如12345循环为34512。

高斯核的理解
高斯核是一个二维高斯函数的离散化版本，其权重随着距离中心点的距离增加而减少。当sigmaX或sigmaY设为0时，OpenCV会根据ksize自动计算标准差，使得高斯核具有一定的平滑效果。

示例代码1

下面是一个使用cv::GaussianBlur函数进行高斯滤波的示例代码：

#include "pch.h"
#include <opencv2/opencv.hpp>
#include <iostream>

int main(int argc, char** argv)
{

	// 读取图像
	cv::Mat src = cv::imread("02.png", cv::IMREAD_COLOR);


	if (src.empty())
	{
		std::cout << "Error opening image" << std::endl;
		return -1;
	}

	// 创建输出图像
	cv::Mat dst;

	// 定义卷积核大小
	cv::Size kernelSize(9, 9); // 9x9的核

	// 设置高斯核的标准差
	double sigma = 2.0;

	// 应用高斯滤波
	cv::GaussianBlur(src, dst, kernelSize, sigma, sigma);

	// 显示结果
	cv::namedWindow("Original Image", cv::WINDOW_NORMAL);
	cv::imshow("Original Image", src);

	cv::namedWindow("Gaussian Blurred Image", cv::WINDOW_NORMAL);
	cv::imshow("Gaussian Blurred Image", dst);

	cv::waitKey(0);

	return 0;
}
    
代码解释
1. 读取图像：使用cv::imread读取输入图像，并确保它是彩色图像。
2. 创建输出图像：创建一个新的cv::Mat对象来存储模糊后的结果。
3. 定义卷积核大小：定义一个9x9的卷积核大小。
4. 设置高斯核的标准差：设置高斯核的标准差sigma，用于控制高斯函数的宽度。
5. 应用高斯滤波：使用cv::GaussianBlur函数对图像进行高斯滤波。
6. 显示结果：使用cv::imshow函数显示原始图像和高斯模糊后的图像，并等待用户按键退出。

运行结果1

核大小的选择

卷积核的大小（ksize）决定了滤波器的效果。较大的核可以产生更强烈的平滑效果，但可能会丢失更多的细节；较小的核则可以保留更多细节，但平滑效果较弱。

标准差的选择

标准差（sigma）决定了高斯核的形状。较小的sigma值会使高斯核更加集中，较大的sigma值会使高斯核更加平坦。如果sigma设置为0，OpenCV会根据核大小自动计算一个合理的标准差值。

总结

高斯滤波是一种有效的图像平滑技术，通过使用高斯函数作为卷积核来减少噪声并保持图像的重要特征。通过调整卷积核的大小和标准差，可以控制平滑的程度。cv::GaussianBlur函数提供了方便的接口来实现高斯滤波，并且允许用户指定边界处理方式。

示例代码2

#include "pch.h"
#include <opencv2/opencv.hpp>
#include <iostream>

int main(int argc, char** argv)
{

	// 加载图像
	// 读取图像
	cv::Mat src = cv::imread("03.png", cv::IMREAD_COLOR);

	if (!src.data)
	{
		std::cout << "Error: Could not open or find the image" << std::endl;
		return -1;
	}

	// 定义高斯核大小
	cv::Size ksize(5, 5); // 通常使用奇数作为核大小

	// 定义标准差
	double sigma = 0; // 如果设置为0，则根据核大小自动计算标准差

	// 创建一个用于存储结果的矩阵
	cv::Mat dst;

	// 应用高斯模糊
	cv::GaussianBlur(src, dst, ksize, sigma);

	// 显示原图和模糊后的图像
	cv::namedWindow("Original Image", cv::WINDOW_NORMAL);
	cv::imshow("Original Image", src);

	cv::namedWindow("Blurred Image", cv::WINDOW_NORMAL);
	cv::imshow("Blurred Image", dst);

	// 等待用户按键后退出
	cv::waitKey(0);

	// 清理所有打开的窗口
	cv::destroyAllWindows();

	return 0;
}

运行结果2

实验代码3

// test.cpp : 此文件包含 "main" 函数。程序执行将在此处开始并结束。
//

#include "pch.h"
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
//#pragma comment(lib, "opencv_world450d.lib")  //引用引入库 
int main(int argc, char** argv)
{
	Mat src, dst;
	src = imread("2.jpeg");
	if (!src.data)
	{
		printf("could not load image3...\n");
		return -1;
	}
	//定义窗口名称
	char input_title[] = "源图";
	char output_title[] = "均值滤波";
	//新建窗口

	namedWindow(input_title, WINDOW_NORMAL);//原图波窗口
	imshow(input_title, src);//原图显示
	//均值滤波操作
	blur(src, dst, Size(15, 15), Point(-1, -1));//均值滤波，Size里面都要奇数，正数。内核内数值分别表示宽，高。Point（-1，-1）表示锚点，一般取-1，表示锚点在核中心。
	
	namedWindow(output_title, WINDOW_NORMAL);//均值滤波窗口
	imshow(output_title, dst);

	Mat gblur;
	//高斯滤波操作
	GaussianBlur(src, gblur, Size(15, 15), 11, 11);//高斯滤波

	namedWindow("高斯滤波", WINDOW_NORMAL);
	imshow("高斯滤波", gblur);
	waitKey(0);
	return 0;
}
 

运行结果3