图像滤波与混合：高斯模糊与频率变换

实验一:混合图像 在这个实验中，参与者需要独自完成一项关于图像处理和混合图像生成的任务，灵感来源于Oliva、Torralba和Schyns在SIGGRAPH2006年的一篇论文《Hybridimages》。目标是理解并实践图像滤波技术，包括交叉相关(cross_correlation_2d)和卷积(convolve_2d)，以及高斯模糊(gaussian_blur_kernel_2d)等概念。 2.1 图像滤波与卷积基础 实验的核心是掌握图像滤波原理，这涉及到线性滤波的理论，如互相关和卷积。互相关是通过计算输入图像F与权重核H的对应元素乘积，然后求和，生成输出图像G的过程。卷积则是对互相关的一种特殊形式，区别在于权重核在应用时进行了水平和垂直方向上的翻转。在实际操作中，如果像素超出图像边界，通常会设定为零填充。 2.2 高斯模糊 高斯模糊是图像模糊的一种高级技术，它采用高斯函数作为加权系数来确定像素之间的关联程度。高斯函数依赖于像素到卷积核中心的距离，距离越大，权重越小，从而实现对边缘的柔和处理，使图像看起来更加平滑。在这个实验中，学生需要编写自己的高斯模糊函数，可能涉及到numpy库中的数学函数，如gaussian函数，来实现这种加权平均效果。 整个项目要求实现五个函数，它们之间相互依赖，从基础的互相关开始，逐步升级到复杂的混合图像生成。通过这个过程，参与者将深入理解Python编程、NumPy库的运用，以及图像处理的基本原理，特别是如何通过自定义函数实现滤波效果。 实验的具体步骤包括： 1. 实现cross_correlation_2d函数，理解其在滤波中的作用。 2. 使用cross_correlation_2d实现convolve_2d函数，体会卷积的差异。 3. 编写gaussian_blur_kernel_2d函数，实现高斯模糊算法。 4. 设计low_pass和high_pass函数，分别用于分离图像的低频和高频成分。 5. 结合上述函数，创建混合图像，观察和分析不同距离下图像解释的变化。 实验成果将通过提交代码和报告的形式进行评估，截止日期为2018年10月21日23点59分，参与者需要发送至visionexp@126.com邮箱。这个实验不仅提升了编程技能，还锻炼了解决实际问题的能力，尤其是在计算机视觉领域的图像处理技术。