Gaussian Blur

高斯模糊是一种图像平滑技术，它将每个像素替换为附近像素的加权平均值，并赋予距离较近的像素更大的权重。权重遵循钟形高斯分布，产生柔和的模糊效果，从而降低噪声并减少细节。高斯模糊也称为高斯平滑，广泛用于计算机视觉和数据预处理，以便为图像分析做好准备。

高斯模糊的工作原理#

滤波器会将一个称为卷积核的小型权重网格在图像上移动。在每个位置，它都会将相邻像素值乘以对应权重，再将结果相加。这个操作称为卷积。权重之和为 1，因此当卷积核采样到的所有像素亮度相同时，像素值保持不变。高斯模糊是一种低通滤波器：它会抑制像素之间的快速变化，包括噪声、纹理和锐利边界。

两个设置决定最终效果。Sigma（高斯分布的标准差）控制权重的扩散范围；Sigma 越大，平滑效果越强。卷积核大小决定纳入计算的周围图像区域有多大。较大的卷积核可以容纳更宽的高斯分布，而尺寸过小的卷积核会截断分布尾部。卷积核半径表示从中心到卷积核边缘的距离：半径为 3 个像素时，卷积核宽度为 7 个像素。

在图像边缘，卷积核的一部分会落在可用像素范围之外。通过镜像扩展图像可以延续附近内容；用零填充缺失区域则会引入较暗的值，导致边缘变暗。因此，边界处理方式会改变图像边缘附近的滤波结果。

在计算机视觉和机器学习中的应用#

高斯平滑通过控制分析图像结构时使用的空间尺度，来支持特征提取。它在多尺度上的应用可追溯到饭岛泰藏于 1959–1962 年开展的高斯尺度空间研究，该研究为以不同模糊程度表示图像奠定了基础。

在 scikit-image 的 Canny 边缘检测实现中，高斯平滑会在使用Sobel 算子估算梯度之前降低噪声。未经平滑处理时，噪声会产生额外的强度变化，与物体边界相互干扰。增大平滑尺度也会去除细小边缘，从而改变检测后保留下来的轮廓。

对于文档图像分割，基于高斯加权局部平均值的方法可用于自适应阈值处理。每个像素的阈值根据其邻域的加权平均值减去一个偏移量计算得出。这种方法可以将文本与光照不均匀的背景分离，例如对扫描页面进行局部阈值处理。

作为一种数据增强方法，高斯模糊可以生成柔化后的训练图像，同时保留边界框和关键点的坐标。Ultralytics YOLO 通过自定义 Albumentations 变换支持 A.GaussianBlur，因此训练YOLO26时可以加入可控的模糊变化。

高斯模糊与其他滤波器的比较#

选择不同的平滑方法，会影响图像中哪些信息得以保留：

• 均值模糊也称为方框模糊，它对窗口内的每个像素赋予相同权重。高斯模糊则更重视邻近像素，从而产生权重渐变更平滑的平均值。
• 中值模糊将像素替换为其邻域的中值。它尤其适合处理椒盐噪声，也就是孤立的亮像素和暗像素。
• 双边滤波同时利用空间距离和强度相似度来降低噪声，同时保留锐利边界。高斯模糊仅根据像素位置分配权重，因此也会使边缘变得模糊。

在 Python 中应用高斯模糊#

OpenCV提供了用于高斯平滑的cv2.GaussianBlur。使用 pip install opencv-python 安装其 Python 包，然后保存并排对比图：

from urllib.request import urlopen

import cv2
import numpy as np

with urlopen("https://ultralytics.com/images/bus.jpg") as response:
    image_bytes = np.frombuffer(response.read(), dtype=np.uint8)
image = cv2.imdecode(image_bytes, cv2.IMREAD_COLOR)

blurred = cv2.GaussianBlur(image, (15, 15), sigmaX=3)
comparison = cv2.hconcat([image, blurred])
cv2.imwrite("gaussian_blur_comparison.jpg", comparison)

保存的图像将原图放在左侧，平滑后的结果放在右侧。15 x 15 的卷积核在两个方向上都使用 3 个像素的 sigma，因为省略的 sigmaY 会取 sigmaX 的值。

高斯卷积核具有可分离性：水平和垂直的一维滤波器可以生成对应的二维模糊效果。对于 7 x 7 的卷积核，这种做法会将每个像素的卷积核权重计算次数从 49 次降至 14 次。