Summary  
This chapter explains how to apply Gaussian and median filters to smooth data arrays and reduce noise by performing weighted averaging and median aggregation within local neighborhoods.

General domain of usage  
Image processing

Støj i billeder optræder som uønsket kornethed eller forvrængning, ofte forårsaget af lav belysning, komprimeringsartefakter eller sensorbegrænsninger. Udjævningsteknikker hjælper med **at reducere støj, samtidig med at vigtige billeddetaljer bevares**.


## Gaussisk udjævning (Støjreduktion)
Funktionen `cv2.GaussianBlur` anvender en **gaussisk udjævning**, som udglatter billedet ved at gennemsnitliggøre pixelværdier ved hjælp af en gaussisk kerne (et vægtet gennemsnit, der giver større betydning til centrale pixels):

- `cv2.GaussianBlur(src, ksize, sigmaX)`:  
  - `src`: kildebilledet, der skal udjævnes;
  - `ksize`: kernestørrelse i formatet `(width, height)`, begge værdier skal være ulige (f.eks. `(5, 5)`);
  - `sigmaX`: standardafvigelse i X-retningen; styrer graden af udjævning.  
- Funktionen reducerer billedstøj og detaljer ved at konvolvere billedet med en gaussisk funktion, hvilket er nyttigt i opgaver som kantdetektion eller forbehandling før tærskelværdier.

```
blurred = cv2.GaussianBlur(image, ksize, sigmaX)
```

I `cv2.GaussianBlur()`, parameteren `sigmaX` er Gauss-kernens **standardafvigelse i X-retningen**, og den tilsvarende parameter i Y-retningen (`sigmaY`) har værdien **0 som standard**. Når både `sigmaX` og `sigmaY` har værdien 0, **beregnes standardafvigelsen ud fra kernel-størrelsen**.

Læs Mere

## Median Blurring (Fjernelse af salt-og-peber-støj)
Funktionen `cv2.medianBlur` anvender et **medianfilter**, som erstatter hver pixelværdi med medianværdien af de omkringliggende pixels i kernel-vinduet:

- `cv2.medianBlur(src, ksize)`:  
  - `src`: kildebilledet, der skal filtreres;
  - `ksize`: størrelsen på det kvadratiske kernel (skal være et ulige heltal, f.eks. `3`, `5`, `7`).  
- Median-blur er særligt effektiv til at fjerne **salt-og-peber-støj**, da det bevarer kanter, mens isolerede støjpixels fjernes.

```
median_blurred = cv2.medianBlur(image, ksize)
```

import unittest
import numpy as np
import importlib

def _dynamic_test(test_case, condition, success_msg, failure_msg):
    if condition:
        test_case._testMethodName = success_msg
        test_case.assertTrue(True, success_msg)
    else:
        test_case._testMethodName = failure_msg
        test_case.fail(failure_msg)

class TestBlurFilters(unittest.TestCase):

    @classmethod
    def setUpClass(cls):
        global user_code
        user_code = importlib.import_module("user_code")

    def test_gaussian_blur_shape(self):
        expected_shape = user_code.image.shape
        arr = getattr(user_code, "gaussian_blurred", None)
        _dynamic_test(
            self,
            isinstance(arr, np.ndarray) and arr.shape == expected_shape,
            "Gaussian blurred image has correct shape and type.",
            f"The variable `gaussian_blurred` should be a NumPy array with shape {expected_shape}."
        )

    def test_median_blur_shape(self):
        expected_shape = user_code.image.shape
        arr = getattr(user_code, "median_blurred", None)
        _dynamic_test(
            self,
            isinstance(arr, np.ndarray) and arr.shape == expected_shape,
            "Median blurred image has correct shape and type.",
            f"The variable `median_blurred` should be a NumPy array with shape {expected_shape}."
        )

    def test_gaussian_blur_effect(self):
        original = user_code.image
        blurred = getattr(user_code, "gaussian_blurred", None)
        _dynamic_test(
            self,
            isinstance(blurred, np.ndarray) and not np.array_equal(blurred, original),
            "Gaussian blur changes image content.",
            "The variable `gaussian_blurred` should be a NumPy array and differ from `image`."
        )

    def test_median_blur_effect(self):
        original = user_code.image
        blurred = getattr(user_code, "median_blurred", None)
        _dynamic_test(
            self,
            isinstance(blurred, np.ndarray) and not np.array_equal(blurred, original),
            "Median blur changes image content.",
            "The variable `median_blurred` should be a NumPy array and differ from `image`."
        )

if __name__ == "__main__":
    unittest.main()


test_code.py

Dyk dybt ned i computer vision ved at mestre convolutional neural networks (CNN) med TensorFlow og Keras. Dette avancerede kursus dækker essentielle begreber og praktiske færdigheder, herunder billedforbehandling, convolution- og pooling-operationer, opbygning og træning af CNN-arkitekturer, implementering af objektgenkendelse samt anvendelse af transfer learning til at løse virkelige visuelle udfordringer. Opnå praktisk erfaring med at løse komplekse vision-problemer ved hjælp af branchestandardværktøjer og -teknikker.

Støjreduktion og Udglatning

Gaussisk udjævning (Støjreduktion)

Median Blurring (Fjernelse af salt-og-peber-støj)

Løsning