Matlab的imgaussfilt等效于Python

Question

我试图在Python中复制Matlab的imgaussfilter行为，但是我无法重现结果。这些文档没有太大帮助，因为没有解释确切执行的操作（例如，该函数与fspecial有何不同，或者与Octave的不平滑（以高斯为参数）有何不同。

Matlab代码

imgaussfilt(image,sigma)

有输出

 [[-0.02936392 -0.03168419 -0.0343706  ...  0.03136455  0.02864487
   0.02585145]
 [-0.03212093 -0.0347433  -0.03775943 ...  0.03507484  0.03209807
   0.02906134]
 [-0.03512981 -0.03808864 -0.04147075 ...  0.03873834  0.03549163
   0.03219311]
 ...
 [-0.07713804 -0.08337475 -0.08975262 ... -0.04314206 -0.03945251
  -0.03606256]
 [-0.07145457 -0.07714807 -0.08297654 ... -0.03986635 -0.03641579
  -0.03323718]
 [-0.06605107 -0.07122191 -0.07651892 ... -0.03684535 -0.03362917
  -0.03065128]]

我设法通过Python获得的最接近的是：

Python

skimage.filters.gaussian(image, sigma=s,mode = 'nearest',truncate=2.0)

有输出

[[-0.02936397 -0.03168425 -0.03437067 ...  0.03136461  0.02864492
   0.0258515 ]
 [-0.03212099 -0.03474336 -0.03775951 ...  0.03507491  0.03209814
   0.0290614 ]
 [-0.03512988 -0.03808872 -0.04147083 ...  0.03873842  0.03549169
   0.03219317]
 ...
 [-0.07713819 -0.08337491 -0.08975279 ... -0.04314214 -0.03945259
  -0.03606263]
 [-0.07145471 -0.07714821 -0.0829767  ... -0.03986643 -0.03641586
  -0.03323725]
 [-0.06605119 -0.07122205 -0.07651907 ... -0.03684542 -0.03362923
  -0.03065134]]

相似但不完全相同的结果。有没有一种更好的方法？我需要更改其中一个参数吗？

Answer 1

有多种可能的原因。由于Matlab不是开源软件，因此不可能知道确切的原因，但是我们可以进行一些有根据的猜测。

关于Gaussian filtering的工作：它将每个像素替换为其邻居的加权总和。权重由Gaussian probability density function确定，精确权重由sigma决定，也由truncate文档中可以看到的scipy.ndimage.gaussian_filter参数决定。此参数是必需的，因为从技术上讲，高斯函数永远不会衰减为零，随着距离达到无穷大，它只会接近零，因此“完美”的高斯模糊将需要对无限数量的相邻像素求和，这是不可能的。因此，该函数需要确定您距离零的距离足够远以停止求和。

另一个复杂因素是高斯模糊为separable，这意味着您可以通过沿每个轴依次进行模糊处理来进行2D（或nD）模糊处理，从而降低了计算成本。可分离性会影响计算的顺序，浮点计算是not exact，因此，如果Matlab和Python以不同的顺序进行操作，那么您期望的结果会略有不同。

即使您以完全相同的顺序过滤轴（您也可以通过以下方式实现此目的：例如，将图像在Python中转置，过滤然后再转回），底层的底层数组计算库可能会将数组中的数组求和。不同的顺序，这将再次改变确切的结果。

简而言之，造成差异的一些可能原因：

• 不同的截断
• 不同的实现方式（是否分离过滤器）
• 轴的不同处理顺序
• 低级总和的不同顺序

可能无法解开这些问题，最后，我的建议也反映了克里斯·伦戈（Cris Luengo）的评论：您的结果可能不应该依赖比六个有效数字更精确的值。 Matlab和Python之间的精确匹配将毫无意义，因为它们都不能保证高斯滤波器理论值的完美准确性。两者都是近似值，完全匹配仅表示您在两者中都犯了相同的近似误差。

Answer 2

在使用10e-10填充选项调用的imgaussfilt和使用{{1}调用的scipy.ndimage.gaussian_filter之间，我能够获得相对较好的匹配度（优于circular％） }参数，前提是mode='wrap'使用默认过滤器大小imgaussfilt，并且2*ceil(2*sigma)+1指定gaussian_filter。对于truncate=np.ceil(2*sigma)/sigma填充情况，这些设置导致基础高斯内核的半径和整体大小相同。我尚未测试其他填充类型。

Answer 3

最近，我正致力于将Matlab代码转换为python，并在互联网上寻找相同的功能，并且文档中的函数发现与OpenCV实施完全相同的结果。

% In Matlab
imgaussfilt(image, 100)

等同于

import cv2
# in python
cv2.GaussianBlur(image, ksize=(0, 0), sigmaX=100, borderType=cv2.BORDER_REPLICATE)