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