高斯核的生成、高斯滤波器对于图像噪声的基本处理

因为概率论的作业,研究了一下最简单的高斯图像去噪原理，其实就是对于卷积和高斯分布最基本的应用。最基本的思路就是生成一个高斯核(Gaussian kernel)，再对图像做卷积。对于一个二维的高斯分布，只要窗宽是正的，那么高斯核矩阵是一个非常对称的结构，所以完全不必在意卷积过程中，矩阵对称和旋转的过程。当然这里讨论的是最单纯的情况，对于去噪的优化如果需要用的不对称的情况，可能需要考虑更复杂的情形。

下面我们用python生成高斯核：并且做出对应图像：

import numpy as np

sigma=1#设定均值和方差
X = np.linspace(start, end,100)
Y = np.linspace(start, end,100)

x,y=np.meshgrid(X,Y)
R = 1/(2*np.pi*sigma**2)*np.exp(-((x-mean_x)**2+(y-mean_y)**2)/(2*sigma**2))

我们选择的高斯分布函数在x和y两个维度都是标准正态分布。从数学上不难推到，两个高斯分布形成的二维联合分布依然是高斯分布。结合高斯分布的基本图像，我们不难发现一些规律。

结合上述两张图像不难看出，高斯分布随机变量的取值主要落在3倍sigma的区间，因此高斯核的大小也就是窗宽一般满足3倍sigma的原则。

下面给出高斯去噪的基本代码：

from PIL import Image
import numpy as np

def gaussian_kernel(kernel_size):
    start=-1
    end=1
    mean_x = 0
    mean_y = 0
    sigma=1#均值为0，方差为1
    X = np.linspace(start, end,kernel_size)
    Y = np.linspace(start, end,kernel_size)
    x, y = np.meshgrid(X, Y)
    gaussian=1/(2*np.pi*sigma**2)*np.exp(-((x-mean_x)**2+(y-mean_y)**2)/(2*sigma**2))
    return gaussian

#获取灰度值
def gaussian(img, x, y,bandrange):
    tmp_gaussian = gaussian_kernel(bandwidth)
    tmp=0
    for i in range(x - bandrange, x + bandrange):
        for j in range(y - bandrange, y + bandrange):
            tmp = tmp + img.getpixel((i, j))*tmp_gaussian[i-(x-bandrange)][j-(y-bandrange)]  # 取出灰度值
    return int(tmp)+60#调亮

def denoise_gaussian(path1, path2,bandwidth):
    img1 = Image.open(path1)
    img1 = img1.convert('L')  # 将图像1转换为灰度图
    w, h = img1.size
    img2 = Image.new('L', (w, h), 'white')  # 图像2
    for x in range(bandrange, w -bandrange):
        for y in range(bandrange, h - bandrange):
            c = gaussian(img1, x, y,bandrange)  # 求中值
            img2.putpixel((x, y), c)  # 将灰度设置为中值
    img2.save(path2)

path1 = "noise1.jpg"  # 带噪声的图像
path2 = "3(1)+60.jpg"  # 降噪后的图像

denoise_gaussian(path1, path2,bandwidth)

实验发现，最基本的高斯去噪对图片的亮度具有明显的破坏，因此在最后予以图像提亮操作。