Skip to main content
 首页 » 编程设计

python之Python 中具有位置相关西格玛的二维图像高斯滤波器

2025年05月04日8mq0036

我正在尝试在 Python 中实现一个高斯滤波器,其中内核是

其中 f(x,y) 是坐标的某个函数。是否有可能以某种方式欺骗 scipy.ndimage.filters.gaussian_filter做这份工作?

最终我将不得不在空间上执行以下积分:

所以我得到 $\tilde G(x',y') $ 作为坐标相关系数。

现在我正在用乏味的 for 循环来实现它:

def calc_g1(b,w,p): 
    nx,ny = b.shape 
    g1 = np.zeros_like(b) 
    for i in np.arange(nx): 
        for j in np.arange(ny): 
            for ii in np.arange(nx): 
                for jj in np.arange(ny): 
                    g = calc_kernel(b,p,i,j,ii,jj) 
                    g[i,j]+=g*w[ii,jj] 
    return g1 
 
 
def calc_kernel(b,w,i,j,ii,jj): 
    dx,dy = p['dx'],p['dy'] 
    dist_x = dx*np.abs(ii-i) 
    dist_y = dy*np.abs(jj-j) 
    dist = dist_x**2 + dist_y**2 
    f = (1.0 + p['eta']*b[i,j])**2 
    return 1.0/(2.0*np.pi)*np.exp(-(dist)/(2.0*f)) 

** 我可以使用 SymPy 或 Theano 的符号计算以某种方式做到这一点吗?

请您参考如下方法:

通过对信号和滤波器的傅立叶变换进行逐点相乘以及逆变换,从某个信号和滤波器支持大小开始,在傅立叶空间中执行卷积总是更快。

在那种情况下,人们假设过滤是线性的和移位不变的,因此您的上下文不适合卷积的经典上下文。

因此您必须自己实现。

如果您有很多信号需要应用它,那么在不诉诸于编写低级代码的情况下,您最好的选择是以 scipy.sparse 矩阵的形式编写此转换。为此,您必须创建所需的所有高斯滤波器,并将它们适本地放置在图像中,并将这些滤波器图像的拼接版本堆叠在一个稀疏矩阵中。您应该截断高斯的支持,以便图像的大部分像素等于 0。创建此矩阵后,您可以立即将其应用于任何图像的像素阵列以获得所需的结果。