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

Kuvien kohina ilmenee ei-toivottuna rakeisuutena tai vääristymänä, jonka syynä voivat olla heikko valaistus, pakkausartefaktit tai anturin rajoitukset. Sileytystekniikat auttavat **vähentämään kohinaa säilyttäen samalla tärkeät yksityiskohdat kuvassa**.


## Gaussinen sumentaminen (Kohinan tasoitus)
`cv2.GaussianBlur`-funktio käyttää **gaussista sumentamista**, joka tasoittaa kuvaa laskemalla pikseliarvojen keskiarvon gaussisen ytimen avulla (painotettu keskiarvo, jossa keskimmäisillä pikseleillä on suurempi merkitys):

- `cv2.GaussianBlur(src, ksize, sigmaX)`:  
  - `src`: sumennettava lähdekuva;
  - `ksize`: ytimen koko muodossa `(width, height)`, molempien arvojen tulee olla parittomia (esim. `(5, 5)`);
  - `sigmaX`: keskihajonta X-suunnassa; määrittää sumennuksen määrän.  
- Funktio vähentää kuvan kohinaa ja yksityiskohtia konvolvoimalla kuvan gaussisen funktion kanssa, mikä on hyödyllistä esimerkiksi reunojen tunnistuksessa tai esikäsittelyssä ennen kynnysarvojen asettamista.

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

Funktion `cv2.GaussianBlur()` parametri `sigmaX` määrittää Gaussin ytimen **keskiarvopoikkeaman X-suunnassa**, ja sama parametri Y-suunnassa (`sigmaY`) on oletuksena **0**. Kun sekä `sigmaX` että `sigmaY` ovat arvoltaan 0, **keskiarvopoikkeama lasketaan ytimen koosta**.

Lisätietoa

## Mediaanisuodatus (Salt-and-Pepper-melun poisto)
`cv2.medianBlur`-funktio käyttää **mediaanisuodatinta**, joka korvaa jokaisen pikselin arvon ytimen ikkunan naapuripikseleiden mediaaniarvolla:

- `cv2.medianBlur(src, ksize)`:  
  - `src`: suodatettava lähdekuva;
  - `ksize`: neliöytimen koko (täytyy olla pariton kokonaisluku, esim. `3`, `5`, `7`).  
- Mediaanisuodatus on erityisen tehokas poistamaan **salt-and-pepper-melua**, sillä se säilyttää reunat mutta poistaa yksittäiset häiriöpikselit.

```
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

Syvenny tietokonenäön maailmaan hallitsemalla konvoluutioneuroverkot (CNN:t) TensorFlow'n ja Kerasin avulla. Tämä edistynyt kurssi kattaa keskeiset käsitteet ja käytännön taidot, kuten kuvien esikäsittelyn, konvoluutio- ja poolausoperaatiot, CNN-arkkitehtuurien rakentamisen ja kouluttamisen, objektintunnistuksen toteuttamisen sekä siirto-oppimisen soveltamisen todellisiin visuaalisiin haasteisiin. Saat käytännön kokemusta monimutkaisten näköongelmien ratkaisemisesta alan standardityökaluilla ja -menetelmillä.

Kohinan Vähentäminen ja Pehmennys

Gaussinen sumentaminen (Kohinan tasoitus)

Mediaanisuodatus (Salt-and-Pepper-melun poisto)

Ratkaisu