Python的高斯滤波代码

可以帮我找一下吗？

当然可以，以下是一个简单的Python高斯滤波代码示例：

import cv2
import numpy as np

def gaussian_blur(img, kernel_size):
    return cv2.GaussianBlur(img, (kernel_size, kernel_size), 0)

img = cv2.imread("test.jpg")
processed_img = gaussian_blur(img, 5)
cv2.imshow("Original image", img)
cv2.imshow("Processed image", processed_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

这段代码使用了OpenCV库中的GaussianBlur函数来对图像进行高斯滤波，同时使用了numpy库中的数组和数学函数来处理图像数据。

相关问题

python 高斯滤波代码怎么写

这是一个技术问题，可以回答。高斯滤波是一种常用的图像滤波方法，可以利用Python中的OpenCV库来实现。以下是一个简单的示例代码：

import cv2

# 读入图像
img = cv2.imread('image.jpg')

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

# 显示结果
cv2.imshow('blur', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

其中，cv2.GaussianBlur()函数的第一个参数为输入图像，第二个参数为卷积核的大小，第三个参数为高斯核的标准差。

Python 高斯滤波

### 使用Python中的高斯滤波进行图像处理

在Python中，可以利用`scipy.ndimage.gaussian_filter()`或`skimage.filters.gaussian()`等函数轻松实现高斯滤波。下面展示了一个具体的例子，该实例展示了如何加载一张图片并对其进行高斯模糊处理。

#### 导入库文件
为了完成这项工作，首先需要导入必要的库：

import numpy as np
from scipy import ndimage
import matplotlib.pyplot as plt
from skimage import io, color, img_as_float

#### 加载原始图像
接着，读取待处理的图像，并将其转换成浮点型以适应后续的操作需求。

original_image = io.imread('path_to_your_image')  # 替换为自己的路径
float_image = img_as_float(original_image)       # 将图像转化为浮点数表示形式
gray_img = color.rgb2gray(float_image)           # 如果是彩色图，则先转为灰度图

#### 应用高斯滤波器
定义标准偏差(sigma)，即高斯分布的标准差参数，用于控制模糊程度；之后调用相应的API执行过滤操作。

sigma_value = 1.0                                # 设置高斯核的标准差
blurred_image = ndimage.gaussian_filter(gray_img, sigma=sigma_value)
# 或者使用 skimage 的方法
# blurred_image = filters.gaussian(gray_img, sigma=sigma_value)

#### 显示结果对比
最后一步就是可视化原图与经过高斯滤波后的效果差异。

fig, ax = plt.subplots(1, 2, figsize=(8, 4))
ax[0].imshow(gray_img, cmap='gray')
ax[0].set_title('Original Image')
ax[1].imshow(blurred_image, cmap='gray')
ax[1].set_title(f'Blurred with σ={sigma_value}')
plt.show()

上述代码片段提供了一种简单而有效的方式来探索不同σ值下的高斯滤波影响[^2]。