写一个各向异性/各向同性高斯滤波器

做图像超分的任务，需要用到各向异性滤波器，网上找了相关资料大多都是MATLAB版本，自己手写一个Python版本的滤波器

import numpy as np
import  cv2 as cv


def generate_kernel(sigma1,sigma2,theta,loc):
    # 当sigma1=sigma2是各向同性，反之为各向异性，theta是旋转角度，loc是高斯核坐标(-loc,loc)
    thetaMatrix=np.dot(np.matrix([[sigma1**2,0],[0,sigma2**2]]),np.identity(2))
    # 旋转矩阵
    rotationMatrix=np.matrix([[np.cos(theta*np.pi/180),-1*np.sin(theta*np.pi/180)],
                              [np.sin(theta*np.pi/180),np.cos(theta*np.pi/180)]])
    # 协方差矩阵
    covMatrix=np.dot(np.dot(rotationMatrix,thetaMatrix),rotationMatrix.transpose())
    # 高斯核在loc位置的值
    k_value=np.exp(-0.5*np.dot(np.dot(loc.transpose(),np.linalg.inv(covMatrix)),loc))
    return k_value

def Anisotropic_Gaussian(img,size=10,sigma1=1,sigma2=2,theta=30):
    #生成高斯核坐标 ，size是高斯核的尺寸+1除2
    X,Y=np.meshgrid(np.linspace(-size, size, size*2+1), np.linspace(-size, size, size*2+1))
    coors = np.concatenate((X[:, :, None], Y[:, :, None]), axis=-1)
    # 生成高斯核
    kernel=np.zeros((size*2+1,size*2+1))
    for i in range(0,size*2+1):
        for j in range(0,size*2+1):
            kernel[i,j]=generate_kernel(sigma1,sigma2,theta, coors[j,i])
    kernel=kernel/kernel.sum() #可以归一化
    # 对图像进行高斯滤波，这里默认sigma1=1,sigma=2，是个各向异性滤波
    img_res=cv.filter2D(img,None,kernel=kernel)
    return img_res

至于原理公式，还是找篇论文看下，就不赘述了

这是默认参数的高斯核的样子

各向异性高斯核