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