type
status
date
Jun 21, 2023 09:35 AM
slug
summary
tags
category
icon
password
重新推演Gaussian de-noise algo
二阶Gaussian Function
cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) -> dstsigmaX：高斯核在X方向上的标准差，如果为0，则根据ksize计算标准差。
而这个计算公式这几年一直没找到来源解释, 只能看到大家沿用opencv里面的这个公式.
上周用chatGPT 试一试, 竟然找到来源了, 原来是opencv 算法那帮人当年弄的经验值.
在应用时可以认为时相等且等于0的.
因为Gaussian 分布特征是相对参考点左右上下对称的.
取值的原则
g
早期
在OpenCV中，cv2.GaussianBlur()函数用于对图像进行高斯滤波处理，其参数介绍如下：
python
Copy code
cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) -> dst
其中，各参数的含义如下：
src：输入图像，可以是单通道或多通道图像，数据类型为uint8、float32或float64。
ksize：高斯滤波核的大小，可以是一个正奇数，也可以是一个二元组（宽度、高度）表示核的大小。如果ksize为0，则会根据sigmaX和sigmaY计算核的大小。
sigmaX：高斯核在X方向上的标准差，如果为0，则根据ksize计算标准差。
dst：输出图像，如果未提供此参数，则函数会自动创建一个与src相同大小和类型的图像。
sigmaY：高斯核在Y方向上的标准差，如果为0，则等同于sigmaX。
borderType：边缘处理方式，默认值为cv2.BORDER_DEFAULT。可以取以下常量之一：cv2.BORDER_CONSTANT（常量边缘）、cv2.BORDER_REFLECT（反射边缘）、cv2.BORDER_REPLICATE（复制边缘）、cv2.BORDER_WRAP（环绕边缘）等。
需要注意的是，高斯滤波核的大小和标准差决定了滤波效果，可以根据具体情况进行调整。通常情况下，较大的核和较大的标准差可以实现更强的滤波效果，但会导致图像变得模糊；而较小的核和较小的标准差可以保留更多的细节，但也可能保留噪声。因此，需要根据具体的应用场景和要求来选择适当的滤波参数。