wordpress防止cc攻击,新站seo竞价,wordpress密码文章插件,高端手机网站定制wiki百科
Gaussian Blur#xff0c;也叫高斯平滑#xff0c;是在Adobe Photoshop、GIMP以及Paint.NET等图像处理软件中广泛使用的处理效果#xff0c;通常用它来减少图像噪声以及降低细节层次。
opencv实现
opencv实现高斯滤波有两种方式#xff0c; 1、是使用自带的cv2…wiki百科
Gaussian Blur也叫高斯平滑是在Adobe Photoshop、GIMP以及Paint.NET等图像处理软件中广泛使用的处理效果通常用它来减少图像噪声以及降低细节层次。
opencv实现
opencv实现高斯滤波有两种方式 1、是使用自带的cv2.GaussianBlur 2、自己构造高斯kernel 然后调用cv2.filter2D函数 方法2这个高斯kernel也可以使用opencv自带的cv2.getGaussianKernel来创建并通过乘以转置来获得NXN的核。 以下是示例代码。
import cv2
import numpy as np
original_image np.random.rand(256, 256, 3).astype(np.float32)# 设置高斯核大小和标准差
sigma 0.334# 确定高斯核大小
kernel_size int(6 * sigma 1) # 通常选择为 6*sigma 1# 使用 OpenCV 进行高斯模糊方法1
a cv2.GaussianBlur(original_image, (0, 0), sigma)# 使用 OpenCV 进行高斯模糊方法2
kernel cv2.getGaussianKernel(kernel_size, sigma)
kernel kernel * kernel.transpose()b cv2.filter2D(original_image, -1, kernel)
print(np.abs(a - b).max())
np.allclose(a, b, atol1e-3)pytorch 实现
有可能在构建的网络中需要使用高斯滤波但是又不想通过opencv实现也可以在tensor层面对图像进行高斯滤波。也就是使用卷积的方式来实现filter。 同样实现方式也有两种 1、使用 F.conv2d的方式 2、使用nn.Conv2d 但权重 需要固定 需要先定义高斯核然后在采用上述两种方式来具体实现
# 定义高斯核
def gaussian_kernel(size, sigma):x torch.arange(size, dtypetorch.float32) - size // 2kernel_1d torch.exp(-0.5 * (x / sigma) ** 2)kernel_1d / kernel_1d.sum()kernel_2d torch.outer(kernel_1d, kernel_1d)return kernel_2d.unsqueeze(0).unsqueeze(0)特别需要注意的是group 要设置为3RGB通道分别使用高斯核不然结果会出错。 以下是两种方法的实现。
# 方法1 F.conv2d应用高斯模糊
def apply_gaussian_blur(image, kernel_size, sigma):padding (kernel_size - 1) // 2# 使用 ReflectionPad2d 进行填充img_torch_pad F.pad(image, pad(padding, padding, padding, padding), modereflect)kernel gaussian_kernel(kernel_size, sigma)kernel kernel.repeat(3, 1, 1, 1) # 重复以匹配输入图像的通道数kernel kernel.to(image.device)# 使用卷积操作进行高斯模糊blurred_image F.conv2d(img_torch_pad, kernel, padding0, groups3)return blurred_image# 方法2 创建带有固定高斯核的Conv2D层
class GaussianBlur(nn.Module):def __init__(self, kernel_size, sigma, in_channels3):super(GaussianBlur, self).__init__()kernel gaussian_kernel(kernel_size, sigma)kernel kernel.repeat(in_channels, 1, 1, 1) # 重复以匹配输入图像的通道数self.conv nn.Conv2d(in_channels, in_channels, kernel_sizekernel_size, padding0,stride1,groupsin_channels, biasFalse)self.padding (kernel_size-1)//2self.conv.weight.data kerneldef forward(self, x):x F.pad(x, pad(self.padding, self.padding, self.padding, self.padding), modereflect)#x self.pad(x)return self.conv(x)比较四种方法的差异
# 创建一个形状为 (1, 3, 256, 56) 的随机图像
original_image np.random.rand(1, 3, 256, 56)
original_image_np original_image[0].transpose(1, 2, 0)# 将 NumPy 数组转换为 PyTorch 张量
original_image_tensor torch.tensor(original_image, dtypetorch.float32)# 设置高斯核大小和标准差
sigma 0.334# 确定高斯核大小
kernel_size int(6 * sigma 1) # 通常选择为 6*sigma 1# opencv 方法1
opencv1 cv2.GaussianBlur(original_image_np, (0, 0), sigma).transpose(2, 0, 1)[np.newaxis, ...] #根据sigma创建kernel一般是6s 1
# opencv 方法2
# 使用 OpenCV 进行高斯模糊方法2
kernel cv2.getGaussianKernel(kernel_size, sigma)
kernel kernel * kernel.transpose()
opencv2 cv2.filter2D(original_image_np, -1, kernel).transpose(2, 0, 1)[np.newaxis, ...]
# torch 方法1
torch1 apply_gaussian_blur(original_image_tensor, kernel_size, sigma).numpy()
# torch 方法2
blur_layer GaussianBlur(kernel_size, sigma)
torch2 blur_layer(original_image_tensor).detach().numpy()def all_arrays_close(*arrays):reference arrays[0]for array in arrays[1:]:if not np.allclose(reference, array,rtol1e-5, atol1e-8):return Falsereturn Trueif all_arrays_close(opencv1, opencv2, torch1, torch2):print(All arrays are close to each other.)
else:print(Arrays are not close to each other.)输出 说明四种方法是等价的。
