你提供的图片中手写代码片段显示的是**均值滤波（Mean Filter）**的实现，而不是高斯卷积。虽然结构相似，但核心区别在于： - **均值滤波**：核内所有元素相等（如 `np.ones(...)`），然后归一化。 - **高斯卷积**：核内元素服从二维高斯分布，中心权重最大，边缘递减。 --- ✅ 下面我为你编写一个完整的、可运行的 **Python 高斯卷积程序**，使用 NumPy 和 Matplotlib，并包含注释说明每一步。 --- ## ✅ 完整高斯卷积 Python 程序 ```python import numpy as np import matplotlib.pyplot as plt from scipy.ndimage import gaussian_filter # 可选：用于验证结果 # ======================== # 1. 读取图像（灰度） # ======================== img = plt.imread('your_image.png') # 替换为你的图片路径 if len(img.shape) == 3: img = np.mean(img, axis=2) # 转为灰度图 m, n = img.shape # 图像尺寸 # ======================== # 2. 定义高斯核参数 # ======================== k_size = 5 # 卷积核大小（奇数） sigma = 1.0 # 高斯标准差 # 计算半径 R R = k_size // 2 # 创建坐标网格 x = np.arange(-R, R + 1) y = np.arange(-R, R + 1) xx, yy = np.meshgrid(x, y) # 生成高斯核 kernel = np.exp(-(xx**2 + yy**2) / (2 * sigma**2)) kernel = kernel / np.sum(kernel) # 归一化，保证亮度不变 print("高斯核:\n", kernel) # ======================== # 3. 手动实现高斯卷积（边界处理：补零或裁剪） # ======================== img2 = np.zeros((m, n), dtype=float) for i in range(R, m - R): for j in range(R, n - R): region = img[i-R:i+R+1, j-R:j+R+1] img2[i, j] = np.sum(region * kernel) # ======================== # 4. 显示原始图像与处理后图像 # ======================== plt.figure(figsize=(12, 5)) plt.subplot(1, 2, 1) plt.imshow(img, cmap='gray') plt.title("Original Image") plt.axis('off') plt.subplot(1, 2, 2) plt.imshow(img2, cmap='gray') plt.title("Gaussian Convolved Image (Manual)") plt.axis('off') plt.tight_layout() plt.show() # ======================== # 5. （可选）用 scipy 验证结果 # ======================== img_scipy = gaussian_filter(img, sigma=sigma) plt.figure(figsize=(12, 5)) plt.subplot(1, 2, 1) plt.imshow(img2, cmap='gray') plt.title("Manual Gaussian Convolution") plt.axis('off') plt.subplot(1, 2, 2) plt.imshow(img_scipy, cmap='gray') plt.title("Scipy Gaussian Filter (Verification)") plt.axis('off') plt.tight_layout() plt.show() ``` --- ## 📌 关键点说明： ### 1. 高斯核公式： \[ K(x,y) = \frac{1}{2\pi\sigma^2} e^{-\frac{x^2+y^2}{2\sigma^2}} \] 我们省略了常数因子 \( \frac{1}{2\pi\sigma^2} \)，因为最后会归一化。 ### 2. 边界处理： 上面代码采用“裁剪”方式 —— 只处理能完整覆盖核的区域。你也可以改用 `np.pad` 做零填充或镜像填充。 ### 3. 性能优化建议： - 对于大图像，手动双重循环很慢 → 推荐使用 `scipy.ndimage.convolve` 或 `cv2.GaussianBlur` - 示例： ```python from scipy.ndimage import convolve img_convolved = convolve(img, kernel, mode='reflect') ``` --- ## 如果你想保留你原代码风格（类似均值滤波写法），可以这样改： ```python k_size = 5 sigma = 1.0 R = k_size // 2 # 构建高斯核 x = np.arange(-R, R+1) y = np.arange(-R, R+1) xx, yy = np.meshgrid(x, y) kernel = np.exp(-(xx**2 + yy**2)/(2*sigma**2)) kernel = kernel / np.sum(kernel) img2 = np.zeros_like(img, dtype=float) for i in range(R, m-R): for j in range(R, n-R): patch = img[i-R:i+R+1, j-R:j+R+1] img2[i,j] = np.sum(patch * kernel) ``` --- ## ✅ 输出效果： 你会看到两张对比图： - 左：原图 - 右：高斯模糊后的图（平滑去噪） --- ## 💡 小贴士： - `sigma` 越大，模糊越强。 - `k_size` 应至少为 `6*sigma + 1` 才能较好近似高斯函数。 - 实际项目中推荐直接用 `cv2.GaussianBlur(img, (k_size, k_size), sigma)` 更高效！ --- 如果你希望支持彩色图像、添加 GUI、保存结果等功能，也可以告诉我，我可以继续扩展！ 是否需要我帮你把这段代码封装成函数？或者加上进度条/交互界面？欢迎提出 😊