PyTorch 中的高斯滤波器答案

【问题标题】：Gaussian filter in PyTorchPyTorch 中的高斯滤波器
【发布时间】：2021-09-04 22:22:25
【问题描述】：

我正在寻找一种仅使用 PyTorch 函数将高斯滤波器应用于图像（张量）的方法。使用 numpy，等效代码为

import numpy as np
from scipy import signal
import matplotlib.pyplot as plt

# Define 2D Gaussian kernel
def gkern(kernlen=256, std=128):
    """Returns a 2D Gaussian kernel array."""
    gkern1d = signal.gaussian(kernlen, std=std).reshape(kernlen, 1)
    gkern2d = np.outer(gkern1d, gkern1d)
    return gkern2d

# Generate random matrix and multiply the kernel by it
A = np.random.rand(256*256).reshape([256,256])

# Test plot
plt.figure()
plt.imshow(A*gkern(256, std=32))
plt.show()

我找到的最接近的建议是基于this post：

import torch.nn as nn

conv = nn.Conv2d(in_channels = 1, out_channels = 1, kernel_size=264, bias=False)
with torch.no_grad():
    conv.weight = gaussian_weights

但它给了我错误NameError: name 'gaussian_weights' is not defined。我怎样才能让它发挥作用？

【问题讨论】：

我认为gaussian_weights 应该是由高斯构成的内核，例如scipy.signal.gaussian
是的，我也有同样的想法。所以现在问题变成了：有没有办法在不使用 Numpy 和/或明确指定权重的情况下定义高斯核（或 2D 高斯）？
也许这个discuss.pytorch.org/t/…可以帮助你
这里的pytorch实现：forums.fast.ai/t/…

标签： python pytorch

【解决方案1】：

是的，我也有同样的想法。所以现在问题变成了：有没有办法在不使用 Numpy 和/或明确指定权重的情况下定义高斯核（或 2D 高斯）？

是的，这很容易。只需查看signal.gaussian 的函数文档即可。有一个指向source code 的链接。那么该方法的作用如下：

def gaussian(M, std, sym=True):
    if M < 1:
        return np.array([])
    if M == 1:
        return np.ones(1, 'd')
    odd = M % 2
    if not sym and not odd:
        M = M + 1
    n = np.arange(0, M) - (M - 1.0) / 2.0
    sig2 = 2 * std * std
    w = np.exp(-n ** 2 / sig2)
    if not sym and not odd:
        w = w[:-1]
    return w

你很幸运，因为在 Pytorch 中转换很简单，（几乎）只需将 np 替换为 torch 就完成了！

另外，请注意，torch 中的 np.outer 等效为 ger。

【讨论】：

【解决方案2】：

使用了上面的所有代码，并更新了 Pytorch 修订版 torch.outer

import torch
def gaussian_fn(M, std):
    n = torch.arange(0, M) - (M - 1.0) / 2.0
    sig2 = 2 * std * std
    w = torch.exp(-n ** 2 / sig2)
    return w

def gkern(kernlen=256, std=128):
    """Returns a 2D Gaussian kernel array."""
    gkern1d = gaussian_fn(kernlen, std=std) 
    gkern2d = torch.outer(gkern1d, gkern1d)
    return gkern2d

# Generate random matrix and multiply the kernel by it
A = np.random.rand(256*256).reshape([256,256])
A = torch.from_numpy(A)
guassian_filter = gkern(256, std=32)

ax=[]
f = plt.figure(figsize=(12,5))
ax.append(f.add_subplot(131))
ax.append(f.add_subplot(132))
ax.append(f.add_subplot(133))
ax[0].imshow(A, cmap='gray')
ax[1].imshow(guassian_filter, cmap='gray')
ax[2].imshow(A*guassian, cmap='gray')
plt.show()

【讨论】：