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

Støy i bilder fremstår som uønsket kornethet eller forvrengning, ofte forårsaket av dårlig belysning, komprimeringsartefakter eller begrensninger i sensoren. Utjevningsteknikker bidrar til å **redusere støy samtidig som viktige bildedetaljer bevares**.


## Gaussisk utjevning (støyreduksjon)
`cv2.GaussianBlur`-funksjonen anvender en **gaussisk utjevning**, som glatter ut bildet ved å gjennomsnittberegne pikselverdier med en gaussisk kjerne (en vektet gjennomsnittsberegning som gir størst vekt til sentrale piksler):

- `cv2.GaussianBlur(src, ksize, sigmaX)`:  
  - `src`: kildebildet som skal utjevnes;
  - `ksize`: kjernestørrelse i formatet `(width, height)`, begge verdier må være oddetall (f.eks. `(5, 5)`);
  - `sigmaX`: standardavvik i X-retningen; styrer graden av utjevning.  
- Funksjonen reduserer bildestøy og detaljer ved å konvolvere bildet med en gaussisk funksjon, noe som er nyttig i oppgaver som kantdeteksjon eller forbehandling før terskling.

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

I `cv2.GaussianBlur()`, parameteren `sigmaX` er Gauss-kjernens **standardavvik i X-retningen**, og samme parameter i Y-retningen (`sigmaY`) har verdien **0 som standard**. Når både `sigmaX` og `sigmaY` har verdien 0, **beregnes standardavviket ut fra kjernestørrelsen**.

Studer mer

## Medianutjevning (Fjerning av salt-og-pepper-støy)
Funksjonen `cv2.medianBlur` benytter et **medianfilter**, som erstatter hver pikselverdi med medianverdien av nabopikslene i kjernens vindu:

- `cv2.medianBlur(src, ksize)`:  
  - `src`: kildebildet som skal filtreres;
  - `ksize`: størrelse på den kvadratiske kjernen (må være et oddetall, f.eks. `3`, `5`, `7`).  
- Medianutjevning er spesielt effektiv for å fjerne **salt-og-pepper-støy**, da den bevarer kanter samtidig som isolerte støyende piksler 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

Fordyp deg i datamaskinsyn ved å mestre konvolusjonsnevrale nettverk (CNN) med TensorFlow og Keras. Dette avanserte kurset dekker sentrale konsepter og praktiske ferdigheter, inkludert bilde-forbehandling, konvolusjons- og pooling-operasjoner, bygging og trening av CNN-arkitekturer, implementering av objektdeteksjon og bruk av transfer learning for å løse reelle visuelle utfordringer. Få praktisk erfaring med å løse komplekse synsproblemer ved hjelp av bransjestandard verktøy og teknikker.

Støyreduksjon og Utjevning

Gaussisk utjevning (støyreduksjon)

Medianutjevning (Fjerning av salt-og-pepper-støy)

Løsning