高斯滤波python代码

高斯滤波是一种常见的图像处理技术，用于平滑图像，去除噪声。在Python中，我们可以使用`scipy.ndimage`库来实现高斯滤波。以下是一个简单的高斯滤波器应用示例：

from scipy import ndimage
import numpy as np
import matplotlib.pyplot as plt

# 创建一个简单的图像数据
image = np.random.rand(50, 50)

# 定义高斯核（标准差可以根据需求调整）
sigma = 5
gaussian_kernel = ndimage.gaussian_filter(np.eye(2), sigma)

# 应用高斯滤波
blurred_image = ndimage.convolve(image, gaussian_kernel, mode='constant')

# 显示原图和模糊后的图像
fig, axs = plt.subplots(1, 2, figsize=(10, 5))
axs.imshow(image, cmap='gray')
axs.set_title('Original Image')
axs.imshow(blurred_image, cmap='gray')
axs.set_title('Blurred Image (Gaussian Filtered)')
for ax in axs:
    ax.set_axis_off()
plt.show()

相关问题

图像高斯滤波python代码

下面是一份Python中使用OpenCV库实现高斯滤波的代码：

import cv2

# 读取图像
img = cv2.imread('image.jpg')

# 高斯滤波
blur_img = cv2.GaussianBlur(img, (5, 5), 0)

# 显示原图和处理后的图像
cv2.imshow('Original Image', img)
cv2.imshow('Blurred Image', blur_img)

# 等待键盘输入关闭窗口
cv2.waitKey(0)
cv2.destroyAllWindows()

其中，`cv2.GaussianBlur`函数实现了高斯滤波，第一个参数是输入的图像，第二个参数是高斯核的大小，第三个参数是高斯核的标准差。在本例中，高斯核大小为(5,5)，标准差为0。

自适应高斯滤波python代码

以下是一个简单的自适应高斯滤波的Python代码：

import cv2
import numpy as np

def adaptive_gaussian_filter(image, kernel_size=5, sigma=5, threshold=0.03):
    """
    自适应高斯滤波函数
    :param image: 待处理的图像，要求为灰度图像
    :param kernel_size: 高斯核的尺寸
    :param sigma: 高斯核的标准差
    :param threshold: 阈值，决定了是否进行滤波操作
    :return: 滤波后的图像
    """
    # 1. 计算图像的梯度幅值
    grad_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
    grad_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
    grad_mag = np.sqrt(grad_x ** 2 + grad_y ** 2)

    # 2. 计算像素点的局部方差
    var = cv2.GaussianBlur(grad_mag ** 2, (kernel_size, kernel_size), sigma)
    var = var - cv2.blur(grad_mag, (kernel_size, kernel_size))

    # 3. 计算自适应系数
    coef = np.exp(-np.abs(var) / (2 * (threshold ** 2)))

    # 4. 进行滤波操作
    filtered_image = cv2.GaussianBlur(image, (kernel_size, kernel_size), sigma)
    filtered_image = filtered_image + coef * (image - filtered_image)

    return filtered_image

该函数接受一个灰度图像，然后计算图像的梯度幅值，并计算每个像素点的局部方差。接着，它根据局部方差计算自适应系数，然后使用自适应系数对图像进行滤波操作。最后，返回滤波后的图像。