高斯滤波和中值滤波混合滤波，python代码

以下是使用OpenCV库实现高斯滤波和中值滤波混合滤波的Python代码示例：

import cv2

# 读取图像
img = cv2.imread('input.jpg')

# 高斯滤波
gaussian = cv2.GaussianBlur(img, (5, 5), 0)

# 中值滤波
median = cv2.medianBlur(img, 5)

# 混合滤波
mixed = cv2.addWeighted(gaussian, 0.5, median, 0.5, 0)

# 显示图像
cv2.imshow('Input image', img)
cv2.imshow('Gaussian blur', gaussian)
cv2.imshow('Median blur', median)
cv2.imshow('Mixed blur', mixed)

# 等待按下任意按键继续
cv2.waitKey(0)

# 释放窗口资源
cv2.destroyAllWindows()

在上述代码中，我们使用 `cv2.GaussianBlur()` 函数实现高斯滤波，使用 `cv2.medianBlur()` 函数实现中值滤波，然后使用 `cv2.addWeighted()` 函数将两个滤波结果混合到一起，最后显示三张图像：原始图像、高斯滤波结果、中值滤波结果和混合滤波结果。

相关问题

高斯滤波和中值滤波组合，python代码

以下是使用高斯滤波和中值滤波结合的Python代码示例：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('image.jpg')

# 高斯滤波
gaussian = cv2.GaussianBlur(img, (5, 5), 0)

# 中值滤波
median = cv2.medianBlur(gaussian, 5)

# 显示原始图像和处理后的图像
cv2.imshow('Original', img)
cv2.imshow('Filtered', median)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上面的代码中，我们首先读取了一张图像。然后使用cv2.GaussianBlur()函数进行高斯滤波，其中(5, 5)指定内核大小，0表示标准差。接下来，使用cv2.medianBlur()函数进行中值滤波，其中5表示内核大小。最后，我们将原始图像和处理后的图像显示出来，以便比较它们的差异。

高斯滤波与中值滤波python代码，不用opencv

高斯滤波（Gaussian Filter）和中值滤波（Median Filter）是两种常用的图像滤波方法，可以用于去除图像中的噪声。以下是Python实现的示例代码：

1. 高斯滤波

import numpy as np
from scipy import signal

def gaussian_filter(image, sigma=1):
    """
    高斯滤波函数
    :param image: 待滤波的图像，要求为二维数组
    :param sigma: 高斯核函数的标准差
    :return: 滤波后的图像，类型与输入图像相同
    """
    # 构造高斯核函数
    size = int(np.ceil(3 * sigma)) * 2 + 1  # 核的大小
    x, y = np.meshgrid(np.arange(-size // 2 + 1, size // 2 + 1),
                       np.arange(-size // 2 + 1, size // 2 + 1))
    kernel = np.exp(-(x ** 2 + y ** 2) / (2 * sigma ** 2)) / (2 * np.pi * sigma ** 2)
    kernel = kernel / np.sum(kernel)  # 归一化核函数

    # 对图像进行卷积操作
    filtered_image = signal.convolve2d(image, kernel, mode='same', boundary='symm')
    return filtered_image.astype(image.dtype)

2. 中值滤波

def median_filter(image, size=3):
    """
    中值滤波函数
    :param image: 待滤波的图像，要求为二维数组
    :param size: 滤波窗口的大小，要求为奇数
    :return: 滤波后的图像，类型与输入图像相同
    """
    # 对图像进行补边操作，以便于处理边界情况
    pad_width = size // 2
    padded_image = np.pad(image, pad_width, mode='edge')

    # 对图像进行滤波操作
    filtered_image = np.zeros_like(image)
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            filtered_image[i, j] = np.median(padded_image[i:i + size, j:j + size])

    return filtered_image

以上代码使用了NumPy和SciPy库中的函数，可以直接在Python环境中运行。