python+opencv实现高斯平滑滤波_Python

python+opencv实现高斯平滑滤波

2021-05-07 00:40Ruff_XY Python

这篇文章主要为大家详细介绍了python+opencv实现高斯平滑滤波，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

功能：

创建两个滑动条来分别控制高斯核的size和σσ的大小，这个程序是在阈值分割的那个程序上改动的。阈值分割程序在这
注意：由于σ=0σ=0时，opencv会根据窗口大小计算出σσ，所以，从0滑动σσ的滑动条时，会出现先边清晰又变模糊的现象

python+opencv实现阈值分割
 python+opencv实现霍夫变换检测直线

（2016-5-10）到OpenCV-Python Tutorials's documentation!可以下载

代码：

									# -*- coding: utf-8 -*- 

									import cv2

									#两个回调函数

									def GaussianBlurSize(GaussianBlur_size):

									 global KSIZE 

									 KSIZE = GaussianBlur_size * 2 +3

									 print KSIZE, SIGMA

									 dst = cv2.GaussianBlur(scr, (KSIZE,KSIZE), SIGMA, KSIZE) 

									 cv2.imshow(window_name,dst)

									def GaussianBlurSigma(GaussianBlur_sigma):

									 global SIGMA

									 SIGMA = GaussianBlur_sigma/10.0

									 print KSIZE, SIGMA

									 dst = cv2.GaussianBlur(scr, (KSIZE,KSIZE), SIGMA, KSIZE) 

									 cv2.imshow(window_name,dst)

									#全局变量

									GaussianBlur_size = 1

									GaussianBlur_sigma = 15

									KSIZE = 1

									SIGMA = 15

									max_value = 300

									max_type = 6

									window_name = "GaussianBlurS Demo"

									trackbar_size = "Size*2+3"

									trackbar_sigema = "Sigma/10"

									#读入图片，模式为灰度图，创建窗口

									scr = cv2.imread("G:\homework\lena.bmp",0)

									cv2.namedWindow(window_name)

									#创建滑动条

									cv2.createTrackbar( trackbar_size, window_name, \

									   GaussianBlur_size, max_type, GaussianBlurSize )

									cv2.createTrackbar( trackbar_sigema, window_name, \

									   GaussianBlur_sigma, max_value, GaussianBlurSigma )

									#初始化

									GaussianBlurSize(1)

									GaussianBlurSigma(15)

									if cv2.waitKey(0) == 27: 

									 cv2.destroyAllWindows()

调用：

需要把图片和cv2.pyd与GaussianBlur.py放在同一文件夹下

									>>> import os

									>>> os.chdir("g:\homework")

									>>> import GaussianBlur

									5 15

									5 1.5

									5 1.6

									5 1.9

									5 2.4

									5 2.5

									5 2.9

									5 3.0

									5 3.3

									5 3.6

									5 3.9

									5 4.1

									5 4.2

									5 4.3

									5 4.4

									5 4.5

									5 4.6

									5 4.7

									5 4.8