OpenCV学习之cv2.getGaussianKernel函数

OpenCV学习之cv2.getGaussianKernel函数

一、简介

cv2.getGaussianKernel 是 OpenCV 中用于生成一维高斯核(Gaussian Kernel)的函数。

高斯核在图像处理中主要用于图像的平滑处理模糊处理以及作为卷积核来进行各种图像操作。生成的高斯核可以用于卷积操作,以达到平滑和去噪的效果。

二、基本语法

cv2.getGaussianKernel(ksize, sigma, ktype=cv2.CV_64F)

三、参数说明

  • ksize (int): 高斯核的大小(必须是奇数),即生成的核的长度。
  • sigma (float): 高斯函数的标准差,决定高斯核的宽度。如果为 0,则根据 ksize 自动计算 sigma
  • ktype (数据类型, 可选): 核的类型,可以是 cv2.CV_32Fcv2.CV_64F。默认值为 cv2.CV_64F

四、返回值

返回一个一维的高斯核(列向量),类型为 numpy.ndarray

五、示例

示例 1: 生成高斯核
import cv2
import numpy as np# 生成一个大小为 5,标准差为 1 的高斯核
ksize = 5
sigma = 1
gaussian_kernel = cv2.getGaussianKernel(ksize, sigma)print("生成的高斯核:\n", gaussian_kernel)

输出:

生成的高斯核:[[0.05448868][0.24420134][0.40261995][0.24420134][0.05448868]]
示例 2: 使用高斯核进行卷积
import cv2
import numpy as np# 读者记得更改路径
image = cv2.imread('2015.jpg')# 生成一个大小为 5,标准差为 1 的高斯核
ksize = 5
sigma = 1
gaussian_kernel = cv2.getGaussianKernel(ksize, sigma)# 使用高斯核进行卷积操作
blurred_image = cv2.filter2D(image, -1, gaussian_kernel)# 展示图片
cv2.imshow('filteredIMG', blurred_image)
cv2.waitKey()
cv2.destroyAllWindows()
示例 3: 生成二维高斯核
import cv2
import numpy as npimage = cv2.imread('2015.jpg')# 生成一个大小为 5,标准差为 1 的高斯核
ksize = 5
sigma = 1
gaussian_kernel = cv2.getGaussianKernel(ksize, sigma)# 获取二维高斯核
matrix_kernel = gaussian_kernel.dot(gaussian_kernel.T)
print(matrix_kernel)# 使用高斯核进行卷积操作
blurred_image = cv2.filter2D(image, -1, matrix_kernel)# 展示图片
cv2.imshow('filteredIMG', blurred_image)
cv2.waitKey()
cv2.destroyAllWindows()

输出:

[[0.00296902 0.01330621 0.02193823 0.01330621 0.00296902][0.01330621 0.0596343  0.09832033 0.0596343  0.01330621][0.02193823 0.09832033 0.16210282 0.09832033 0.02193823][0.01330621 0.0596343  0.09832033 0.0596343  0.01330621][0.00296902 0.01330621 0.02193823 0.01330621 0.00296902]]

六、注意事项

  1. 核大小: 高斯核的大小必须是奇数(如 3, 5, 7 等),这样才能保证卷积中心对称。
  2. 自动计算 sigma: 如果 sigma 设置为 0,则会根据高斯核大小 ksize 自动计算一个合适的 sigma 值。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/37663.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Emp.dll文件丢失?理解Emp.dll重要性与处理常见问题

在繁多的动态链接库(DLL)文件中,emp.dll 可能不是最广为人知的,但在特定软件或环境中,它扮演着关键角色。本文旨在深入探讨 emp.dll 的功能、重要性以及面对常见问题时的解决策略。 什么是 emp.dll? Emp.d…

python 第6册 辅助excel 002 批量创建非空白的 Excel 文件

---用教授的方式学习 此案例主要通过使用 while 循环以及 openpyxl. load_workbook()方法和 Workbook 的 save()方法,从而实现在当前目录中根据已经存在的Excel 文件批量创建多个非空白的Excel 文件。当运行此案例的Python 代码(A002.py 文件&#xff0…

Java面试题:解释函数式编程的概念,并讨论在Java中实现函数式编程的方法

函数式编程(Functional Programming,FP)是一种编程范式,它将计算视为数学函数的评估,避免使用可变状态和副作用。函数式编程的核心理念包括: 函数是第一类公民:函数可以作为参数传递给其他函数…

【STM32】在标准库中使用定时器

1.TIM简介 STM32F407系列控制器有2个高级控制定时器、10个通用定时器和2个基本定时器。通常情况下,先看定时器挂在哪个总线上APB1或者APB2,然后定时器时钟需要在此基础上乘以2。 2.标准库实现定时中断 #ifndef __BSP_TIMER_H #define __BSP_TIMER_H#if…

Java面试题:讨论Java 8中Lambda表达式的使用,以及它们如何简化代码

Java 8引入的Lambda表达式是对Java语言的一次重要扩展,极大地简化了代码的书写,提升了代码的可读性和可维护性。下面详细讨论Lambda表达式的使用以及它们如何简化代码。 Lambda表达式的使用 Lambda表达式主要用于替代匿名内部类,从而简化代…

2.1 大语言模型的训练过程 —— 《带你自学大语言模型》系列

《带你自学大语言模型》系列部分目录及计划,完整版目录见: 带你自学大语言模型系列 —— 前言 第一部分 走进大语言模型(科普向) 第一章 走进大语言模型1.1 从图灵机到GPT,人工智能经历了什么?1.2 如何让…

现代信号处理——Introduction

Introduction(引言): 现代信号处理是研究生阶段要学习的课程之一,学习这门课程的起源来自我的本科期间的数字信号处理的老师,课堂上她格外强调掌握一门技术和自发学习的重要性。因此在数字信号处理的第一轮学习告一段落后,我并未…

【力扣 389】找不同 C++题解(字符串+排序)

给定两个字符串 s 和 t ,它们只包含小写字母。 字符串 t 由字符串 s 随机重排,然后在随机位置添加一个字母。 请找出在 t 中被添加的字母。 示例 1: 输入:s “abcd”, t “abcde” 输出:“e” 解释:‘…

【C++多线程】std::condition_variable到底是什么

2024年6月29日,周日下午 std::condition_variable 是C11标准库中用于线程同步的一个设施,它通常与 std::unique_lock 或 std::mutex 结合使用,允许一个线程在某些条件成立之前挂起(等待),而另一个线程可以通…

基于MDEV的PCI设备虚拟化DEMO实现

利用周末时间做了一个MDEV虚拟化PCI设备的小试验&#xff0c;简单记录一下&#xff1a; DEMO架构&#xff0c;此图参考了内核文档&#xff1a;Documentation/driver-api/vfio-mediated-device.rst host kernel watchdog pci driver: #include <linux/init.h> #include …

【网络架构】keepalive

目录 一、keepalive基础 1.1 作用 1.2 原理 1.3 功能 二、keepalive安装 2.1 yum安装 2.2 编译安装 三、配置文件 3.1 keepalived相关文件 3.2 主配置的组成 3.2.1 全局配置 3.2.2 配置虚拟路由器 四、实际操作 4.1 lvskeepalived高可用群集 4.2 keepalivedngi…

Transformer 模型的详细配置---归一化、位置、激活函数和注意力机制

文章目录 归一化方法激活函数位置编码注意力机制归一化方法 大语言模型的预训练过程中经常会出现不稳定的问题。为了应对这一问题,深度学习方法通常会采用特定的归一化策略来加强神经网络训练过程的稳定性。原始的 Transformer 模型主要使用了层归一化方法(Layer Normalizati…

AI视界引擎 | ​基于 YOLOv8 和计算机视觉 CV 的实时识别系统!

本文来源公众号“AI视界引擎”&#xff0c;仅用于学术分享&#xff0c;侵权删&#xff0c;干货满满。 原文链接&#xff1a;​基于 YOLOv8 和计算机视觉 CV 的实时识别系统&#xff01; 技术进步和创新正在尽可能地推进作者的日常生活&#xff0c;但仍有很大一部分社会群体因为…

自研Eclipse插件的生成及安装和使用

说明&#xff1a; 本处是使用个人自研的Eclipse插件为例&#xff0c;创建了一个菜单式的插件组&#xff0c;插件组下&#xff0c;有一个生成右击Jakarta EE服务端点类后&#xff0c;生成端点对应的Restful客户端。有什么问题&#xff0c;欢迎大家交流&#xff01;&#xff01;…

cython 笔记

数据类型 # bool 类型 // bool_type_ptactice.pyx cdef bint a 123 # 非0 为 真 &#xff0c; 0 为假 cdef bint b -123 cdef bint c 0 py_a a # cdef 定义的内容没法直接在python中直接引用 py_b b py_c c// main.py import pyximport pyximport.install(language_le…

深度解析服务发布策略之A/B测试

A/B测试&#xff0c;作为一种科学决策方法&#xff0c;被广泛应用于产品迭代、营销策略优化、用户体验改进等多个领域&#xff0c;其核心在于通过对比实验&#xff0c;定量分析不同方案的效果差异。这种测试方法通常是将用户随机分配到两个或多个不同的版本中&#xff0c;然后收…

教您设置打开IDM下载浮动条的快捷键 全网最强下载神器idm怎么使用教程 idm浮动条不显示怎么办

很多人都知道Internet Download Manager(以下简称IDM)是一款非常优秀的下载提速软件。它功能强大&#xff0c;几乎能下载网页中的所有数据&#xff08;包括视频、音频、图片等&#xff09;&#xff0c;且适用于现在市面上几乎所有的浏览器&#xff0c;非常受大家欢迎。 在使用I…

面向对象和面向过程编程的区别

引言 小伙伴们&#xff0c;当你们看到这章的时候&#xff0c;显然你们已经跨过了来自指针给你们带来的麻烦&#xff0c;唔~真棒呢&#xff0c;但是我们只学会一些基础的C语法并不能帮我们解决问题&#xff0c;甚至是稍微难一些的题目我们都没办法解决&#xff0c;那怎么办呢&am…

多机调度问题

#include<iostream> #include<string> using namespace std; struct work {int time;int number; }; int setwork0(int m,int n,int a[],struct work w[]) {int maxtime0;for(int i1; i<m; i){cout<<i<<"号设备处理作业"<<w[i].num…

python系列30:各种爬虫技术总结

1. 使用requests获取网页内容 以巴鲁夫产品为例&#xff0c;可以用get请求获取内容&#xff1a; https://www.balluff.com.cn/zh-cn/products/BES02YF 对应的网页为&#xff1a; 使用简单方法进行解析即可 import requests r BES02YF res requests.get("https://www.…