### Python 高斯滤波图像预处理实现方法 #### 使用 `scipy.ndimage` 模块 Python 提供了多种库来实现高斯滤波功能。其中，`scipy.ndimage.gaussian_filter` 是一种简单高效的方法。以下是其实现方式： ```python from scipy import ndimage import numpy as np import matplotlib.pyplot as plt from PIL import Image # 加载图像并转换为灰度图 img_path = 'path_to_image.jpg' img = Image.open(img_path).convert('L') # 转换为灰度模式 img_array = np.array(img) # 应用高斯滤波 sigma = 2.0 # 设置标准差 blurred_img = ndimage.gaussian_filter(img_array, sigma=sigma) # 显示原始图像和滤波后的图像 plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1), plt.imshow(img, cmap='gray'), plt.title('Original') plt.xticks([]), plt.yticks([]) plt.subplot(1, 2, 2), plt.imshow(blurred_img, cmap='gray'), plt.title(f'Gaussian Blur (σ={sigma})') plt.xticks([]), plt.yticks([]) plt.show() ``` 此代码通过设置不同的 σ 值调整平滑效果[^4]。 --- #### 使用 `opencv-python` 模块 OpenCV 是计算机视觉领域常用的工具之一，其内置的 `cv2.GaussianBlur` 函数能够快速完成高斯滤波操作。 ```python import cv2 import numpy as np import matplotlib.pyplot as plt # 加载图像并转换为灰度图 img_path = 'path_to_image.jpg' img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) # 定义高斯核大小和标准差 kernel_size = (5, 5) # 核大小必须是奇数 sigmaX = 1.5 # X 方向的标准差 # 执行高斯模糊 blurred_img = cv2.GaussianBlur(img, kernel_size, sigmaX) # 展示结果 plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1), plt.imshow(img, cmap='gray'), plt.title('Original') plt.xticks([]), plt.yticks([]) plt.subplot(1, 2, 2), plt.imshow(blurred_img, cmap='gray'), plt.title('Gaussian Blurred') plt.xticks([]), plt.yticks([]) plt.show() ``` 这里需要注意的是，`cv2.GaussianBlur` 的参数中，`kernel_size` 和 `sigmaX` 可以灵活调节以适应具体需求[^3]。 --- #### 使用 `skimage.filters` 模块 Scikit-image 是另一个强大的图像处理库，提供了更简洁的方式执行高斯滤波。 ```python from skimage import io, color, filters import matplotlib.pyplot as plt # 加载彩色图像并转换为灰度图 img_path = 'path_to_image.jpg' img = io.imread(img_path) gray_img = color.rgb2gray(img) # 进行高斯滤波 sigma = 1.0 blurred_img = filters.gaussian(gray_img, sigma=sigma) # 显示对比图 fig, axes = plt.subplots(1, 2, figsize=(10, 5)) axes[0].imshow(gray_img, cmap='gray'), axes[0].set_title('Original') axes[1].imshow(blurred_img, cmap='gray'), axes[1].set_title(f'Blurred (σ={sigma})') for ax in axes: ax.axis('off') plt.tight_layout(), plt.show() ``` 这段代码展示了如何使用 Scikit-image 对图像进行高斯滤波，并支持自定义 σ 值[^2]。 --- #### 自定义实现高斯滤波 如果希望深入理解高斯滤波的工作机制，可以通过手动创建高斯核并与图像卷积的方式来实现。 ```python import numpy as np import cv2 import math import matplotlib.pyplot as plt def gaussian_kernel(size, sigma=1): """生成高斯核""" center = size // 2 kernel = np.fromfunction( lambda x, y: (1 / (2 * math.pi * sigma**2)) * math.exp(-((x - center)**2 + (y-center)**2) / (2 * sigma**2)), (size, size)) return kernel / np.sum(kernel) def apply_gaussian_blur(image, kernel_size=5, sigma=1): """应用高斯模糊""" kernel = gaussian_kernel(kernel_size, sigma) blurred = cv2.filter2D(image, -1, kernel) return blurred # 测试自定义函数 img_path = 'path_to_image.jpg' img_gray = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) blurred_custom = apply_gaussian_blur(img_gray, kernel_size=7, sigma=1.5) # 结果展示 plt.figure(figsize=(10, 5)) plt.subplot(1, 2, 1), plt.imshow(img_gray, cmap='gray'), plt.title('Original') plt.xticks([]), plt.yticks([]) plt.subplot(1, 2, 2), plt.imshow(blurred_custom, cmap='gray'), plt.title('Custom Gaussian Blur') plt.xticks([]), plt.yticks([]) plt.show() ``` 这种方法允许完全控制高斯核的设计过程，适合学习或特殊场景下的定制化开发[^1]。 ---