Python计算机视觉读书笔记_06：图像的高斯模糊

本文链接：https://blog.csdn.net/qq_35069382/article/details/100569244

图像的高斯模糊是非常经典的图像卷积例子。本质上，图像模糊就是将（灰度）图像 I 和一个高斯核进行卷积操作： $\boldsymbol{I}_{\sigma}=\boldsymbol{I} * G_{\sigma}$

其中 * 表示卷积操作； $G_{\sigma}$ 是标准差为 σ 的二维高斯核，定义为 : $G_{\sigma}=\frac{1}{2 \pi \sigma} \mathrm{e}^{-\left(x^{2}+y^{2}\right) / 2 \sigma^{2}}$

这里提到了卷积操作，那么什么是卷积呢？

卷积实质上是指：将一个二维矩阵转换为另一个二维矩阵。

如下动图所示，设定一个3*3的卷积核，那么在原矩阵上滑动着做矩阵的乘法运算，最后生成一个新的3*3矩阵，这个过程就是卷积。我们以最终矩阵的最后一个元素14为例，详细讲解如何计算得到14。

原矩阵中的右下角矩阵乘卷积核 = 14，即：

【2 2 3 【0 1 2

0 2 2 * 2 2 0 （对应位置相乘后相加）= 14

0 1 1】 0 1 2】

SciPy 有用来做滤波操作的 scipy.ndimage.filters 模块。该模块使用快速一维分离的方式来计算卷积。

代码如下所示：

from PIL import Image
from numpy import *
from scipy.ndimage import filters
import matplotlib.pyplot as plt

im = array(Image.open('timg.jpg').convert('L'))
im2 = filters.gaussian_filter(im, 1)    # guassian_filter() 函数的最后一个参数表示标准差。

plt.figure()
plt.imshow(im2)
plt.show()

以下三张图的结果分别是标准差为10、5、1 的结果：