高斯模糊是一種常見的模糊技術(shù)，相關(guān)知識點有：高斯函數(shù)、二維卷積。

一維（連續(xù)變量）高斯函數(shù)形式如下，高斯函數(shù)又稱“正態(tài)分布函數(shù)”：

μ是分布函數(shù)的均值（或者期望），sigma是標準差。

一維高斯分布函數(shù)的圖形：

從圖可知，以x=0為中心，x取值距離中心越近，概率密度函數(shù)值越大，距離中心越遠，密度函數(shù)值越小。

二維高斯分布函數(shù)的形式：

特別說明，當變量x和y相互獨立時，則相關(guān)系數(shù)ρ=0，二維高斯分布函數(shù)可以簡化為：

二維高斯分布函數(shù)的圖形：

對于一維高斯分布，函數(shù)中心是平面上的一個點；而對于二維高斯分布，函數(shù)中心是一個三維立體空間上的一個點，即上圖中山峰的最頂端處的點。

高斯模糊本質(zhì)上一種數(shù)據(jù)平滑技術(shù)，可以用于一維、二維甚至多維空間。數(shù)據(jù)經(jīng)高斯模糊處理之后，數(shù)據(jù)會趨向于周邊鄰近的其他數(shù)據(jù)，導致各個數(shù)據(jù)“趨同”。

在圖像領(lǐng)域，各個位置的像素值使用“周邊鄰居像素點加權(quán)平均”重新賦值。對于每個像素點，由于計算時均以當前像素點為中心，所以均值μ=0。使用時有2個超參數(shù)需要設(shè)置：高斯核大小和高斯函數(shù)標準差σ。高斯核大小表示“影響當前點的最大鄰域范圍”，而標準差表示“鄰域中的其他像素點對當前點的影響力”。

從下而上觀察下圖各個函數(shù)圖像，各個函數(shù)的均值相同，而方差逐步減小。

方差衡量數(shù)據(jù)的分散程度，方差越大，數(shù)據(jù)越分散，圖形就越扁平，數(shù)據(jù)的集中趨勢越弱，應(yīng)用到高斯模糊中方差越大圖形越模糊。

（1）如何計算高斯卷積核

3×3大小的高斯卷積核的計算示意圖

直接計算二維高斯函數(shù)值后，卷積核的各個位置取值（截圖自pycharm的debug）：

卷積核歸一化后的各個位置取值（截圖自pycharm的debug）：

高斯卷積核的python代碼：

def gaussian_kernel(self):kernel = np.zeros(shape=(self.kernel_size, self.kernel_size), dtype=np.float)radius = self.kernel_size//2for y in range(-radius, radius + 1): # [-r, r]for x in range(-radius, radius + 1):# 二維高斯函數(shù)v = 1.0 / (2 * np.pi * self.sigma ** 2) * np.exp(-1.0 / (2 * self.sigma ** 2) * (x ** 2 + y ** 2))kernel[y + radius, x + radius] = v # 高斯函數(shù)的x和y值 vs 高斯核的下標值kernel2 = kernel / np.sum(kernel)return kernel2

（2）如何在二維圖像上進行卷積

對于二維矩陣，卷積時卷積核從左向右、從上而下的滑動，對應(yīng)位置求加權(quán)和。一般圖像是RGB三通道，需要逐個通道卷積，每個通道是一個二維矩陣?；叶葓D只有一個通道，直接卷積即可。

自行實現(xiàn)的二維離散卷積的python代碼：

def my_conv2d(inputs: np.ndarray, kernel: np.ndarray): # 計算需要填充的行列數(shù)目，這里假定mode為“same” # 一般卷積核的hw都是奇數(shù)，這里實現(xiàn)方式也是基于奇數(shù)尺寸的卷積核 h, w = inputs.shape kernel = kernel[::-1, ...][..., ::-1] # 卷積的定義，必須旋轉(zhuǎn)180度 h1, w1 = kernel.shape h_pad = (h1 - 1) // 2 w_pad = (w1 - 1) // 2 inputs = np.pad(inputs, pad_width=[(h_pad, h_pad), (w_pad, w_pad)], mode='constant', constant_values=0) outputs = np.zeros(shape=(h, w)) for i in range(h): # 行號for j in range(w): # 列號 outputs[i, j] = np.sum(np.multiply(inputs[i: i + h1, j: j + w1], kernel)) return outputs

scipy中已經(jīng)提供二維卷積函數(shù)scipy.signal.convolve2d，可以直接調(diào)用，下圖是和自行實現(xiàn)的對比效果。

運行之后結(jié)果一致，驗證自行實現(xiàn)的二維卷積正確。

補充：scipy.signal.convolve2d的參數(shù)說明

in1：輸入矩陣

in2：卷積核

mode：指示輸出矩陣的尺寸，full代表完全離散線性卷積, valid代表輸出尺寸等于輸入尺寸-卷積核+1, same代表輸出尺寸與輸入尺寸一致。

boundary：需要填充時邊界填充方式，fill代表使用常量值填充, wrap代表循環(huán)方式填充, symm代表以四周邊為對稱軸對稱填充。

fillvalue：常量填充時的填充值

完整的python代碼​​​​​​

class GaussianBlur(object): def __init__(self, kernel_size=3, sigma=1.5):self.kernel_size = kernel_sizeself.sigma = sigmaself.kernel = self.gaussian_kernel() def gaussian_kernel(self):kernel = np.zeros(shape=(self.kernel_size, self.kernel_size), dtype=np.float)radius = self.kernel_size//2for y in range(-radius, radius + 1): # [-r, r] for x in range(-radius, radius + 1):# 二維高斯函數(shù)v = 1.0 / (2 * np.pi * self.sigma ** 2) * np.exp(-1.0 / (2 * self.sigma ** 2) * (x ** 2 + y ** 2))kernel[y + radius, x + radius] = v # 高斯函數(shù)的x和y值 vs 高斯核的下標值kernel2 = kernel / np.sum(kernel)return kernel2 def filter(self, img: Image.Image):img_arr = np.array(img)if len(img_arr.shape) == 2: new_arr = signal.convolve2d(img_arr, self.kernel, mode='same', boundary='symm')else: h, w, c = img_arr.shape new_arr = np.zeros(shape=(h, w, c), dtype=np.float) for i in range(c):new_arr[..., i] = signal.convolve2d(img_arr[..., i], self.kernel, mode='same', boundary='symm')new_arr = np.array(new_arr, dtype=np.uint8)return Image.fromarray(new_arr) def main(): img = Image.open('Jeep-cd.jpg').convert('RGB') img2 = GaussianBlur(sigma=2.5).filter(img) plt.subplot(1, 2, 1) plt.imshow(img) plt.subplot(1, 2, 2) plt.imshow(img2) # dpi參數(shù)維持圖片的清晰度 plt.savefig('gaussian.jpg', dpi=500) plt.show() pass

代碼運行效果，發(fā)現(xiàn)經(jīng)高斯模糊處理之后，圖片發(fā)生明顯模糊。

到此這篇關(guān)于python實現(xiàn)高斯模糊及原理詳解的文章就介紹到這了,更多相關(guān)python 高斯模糊內(nèi)容請搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！