高斯滤波

本文主要介绍高斯滤波及其用SciPy的实现过程。

在很多应用中图像强度的变化情况是非常重要的信息。强度的变化可以用灰度图像I（对于彩色图像，通常是对每个颜色通道分别计算导数）的x和y方向导数Ix和Iy进行描述。

图像的梯度向量为:

梯度有两个重要的属性：

一是梯度的大小，它描述强度变化的强弱：

另一个是梯度的角度，描述图像中每个像素点上强度变化的最大方向：

 

我们可以用离散近似的方式计算图像的到苏，图像导数大多数可以通过卷积简单地实现。因此， 高斯导数滤波器为：

代码：

from PIL import Image
from pylab import *
from scipy.ndimage import filters
import numpy

#sigma=5为标准差
def imx(im, sigma):
    imgx = zeros(im.shape)
    filters.gaussian_filter(im, sigma, (0, 1), imgx)#（0，1）指定x方向上的导数
    return imgx


def imy(im, sigma):
    imgy = zeros(im.shape)
    filters.gaussian_filter(im, sigma, (1, 0), imgy)
    return imgy


def mag(im, sigma):
    # there's also gaussian_gradient_magnitude()
    #mag = numpy.sqrt(imgx**2 + imgy**2)
    imgmag = 255 - numpy.sqrt(imgx ** 2 + imgy ** 2)
    return imgmag


im = array(Image.open('2.jpg').convert('L'))
figure()
gray()

sigma = [2, 5, 10]

for i in  sigma:
    subplot(3, 4, 4*(sigma.index(i))+1)
    axis('off')
    imshow(im)
    imgx=imx(im, i)
    subplot(3, 4, 4*(sigma.index(i))+2)
    axis('off')
    imshow(imgx)
    imgy=imy(im, i)
    subplot(3, 4, 4*(sigma.index(i))+3)
    axis('off')
    imshow(imgy)
    imgmag=mag(im, i)
    subplot(3, 4, 4*(sigma.index(i))+4)
    axis('off')
    imshow(imgmag)

show()

 

      上图中，x导数图（上），y导数图（中），梯度大小图像（下）；（a）为原始图像，（b）（c）(d)标准差分别为2，5，10高斯导数滤波器处理后的图像