如何高斯过滤（模糊）浮点numpy数组答案

【问题标题】：How to gauss-filter (blur) a floating point numpy array如何高斯过滤（模糊）浮点numpy数组
【发布时间】：2015-07-07 08:16:29
【问题描述】：

我有一个 float64 类型的 numpy 数组 a。如何使用高斯滤波器模糊这些数据？

我试过了

from PIL import Image, ImageFilter

image = Image.fromarray(a)
filtered = image.filter(ImageFilter.GaussianBlur(radius=7))

，但这会产生ValueError: 'image has wrong mode'。（它有模式F。）

我可以通过将a 与某个常数相乘，然后舍入为整数来创建合适模式的图像。这应该可行，但我想有一个更直接的方法。

（我使用的是 Pillow 2.7.0。）

【问题讨论】：

你需要这个来使用枕头吗？如果你有你的二维数组a，直接“模糊”数据而不先创建图像就足够了吗？
你能通过转换image = image.convert('L')和applyImageFilter.GaussianBlur这样的模式来测试吗？
@Carsten - 如何“直接”模糊它？
@JohnGalt - 数组包含0.03 之类的数据。这不能直接转换为“L”，因为“L”表示“8 位灰度”。

标签： python numpy filtering python-imaging-library

【解决方案1】：

如果你有一个二维的numpy数组a，你可以直接对它使用高斯滤波器，而无需先使用Pillow将其转换为图像。 scipy 有一个函数gaussian_filter 可以做同样的事情。

from scipy.ndimage.filters import gaussian_filter

blurred = gaussian_filter(a, sigma=7)

【讨论】：

应该注意，这只有在你有浮动时才有效，例如test_arr = np.array([[1., 0, 2.], [2., 0, 0], [0, 0, 0]]) 可以工作 gaussian_filter(test_arr, sigma=0.7)
@Boern 也许这是一个较新的开发，但我使用np.int32 作为输入类型没有问题，并且接收到这种类型也作为输出类型（并且已经发生了模糊）。当然需要将大于 1 的值作为输入 ;-)
例如，如果您正在处理 3 维图像，您应该使用类似 gaussian_filter(img, sigma=(5,5,0))
只是想注意，您可以直接从 ndimage 导入中获取 gaussian_filter。我通常做from scipy import ndimage as ndi; ndi.gaussian_filter(...)

【解决方案2】：

这是我只使用 numpy 的方法。它是用一个简单的 3x3 内核准备的，稍加改动就可以使其与自定义大小的内核一起使用。

def blur(a):
    kernel = np.array([[1.0,2.0,1.0], [2.0,4.0,2.0], [1.0,2.0,1.0]])
    kernel = kernel / np.sum(kernel)
    arraylist = []
    for y in range(3):
        temparray = np.copy(a)
        temparray = np.roll(temparray, y - 1, axis=0)
        for x in range(3):
            temparray_X = np.copy(temparray)
            temparray_X = np.roll(temparray_X, x - 1, axis=1)*kernel[y,x]
            arraylist.append(temparray_X)

    arraylist = np.array(arraylist)
    arraylist_sum = np.sum(arraylist, axis=0)
    return arraylist_sum

【讨论】：

很好的答案，因为我很难将 Scipy 组合到一个 exe 中，并且必须使用当前的操作知识来使用 numpy。将矩阵扩展到 5x5，它会像帕斯卡三角形一样运行吗？我的目标是从左到右模糊，但从上到下保持相似的清晰度。为此，我尝试了以下内核： [[1.0,1.1,1.2,1.1,1.0], [2.0,2.2,2.4,2.2,2.0], [4.0,4.4,4.9,4.4,4.0], [2.0,2.2 ,2.4,2.2,2.0], [1.0,1.1,1.2,1.1,1.0]]

【解决方案3】：

使用卷积的纯 numpy 解决方案和高斯滤波器的可分离性分为两个单独的滤波器步骤（这使得它相对较快）：

kernel = np.array([1.0,2.0,1.0]) # Here you would insert your actual kernel of any size
a = np.apply_along_axis(lambda x: np.convolve(x, kernel, mode='same'), 0, a)
a= np.apply_along_axis(lambda x: np.convolve(x, kernel, mode='same'), 1, a)

【讨论】：