对于 PIL.ImageFilter.GaussianBlur 如何使用什么内核以及半径参数是否与

Question

使用 PIL 读取图像后，我通常使用 scipy.ndimage 执行高斯滤波器，如下所示import PILfrom scipy import ndimagePIL_image = PIL.Image.open(filename)data = PIL_image.getdata()array = np.array(list(data)).reshape(data.size[::-1]+(-1,))img = array.astype(float)fimg = ndimage.gaussian_filter(img, sigma=sigma, mode='mirror', order=0)PIL 中有如下高斯模糊函数（来自这个答案），但我不知道它是如何工作的或者它使用什么内核：from PIL import ImageFilterfimgPIL = PIL_image.filter(ImageFilter.GaussianBlur(radius=r)本文档不提供详细信息。关于的问题PIL.ImageFilter.GaussianBlur：radius 参数到底是什么；它等于标准差σ吗？对于给定的半径，它计算内核的距离是多少？2σ? 3σ? 6σ?这条关于高斯模糊答案的评论- 标准偏差，半径和内核大小如下所述，但我还没有找到 PIL 的信息。OpenCV使用内核半径，(sigma * 3)而scipy.ndimage.gaussian_filter使用内核半径 int(4 * sigma + 0.5)

Answer 1

从源代码来看，它看起来像PIL.ImageFilter.GaussianBluruses PIL.ImageFilter.BoxBlur。但我无法弄清楚半径和西格玛之间的关系。

scipy.ndimage.gaussian_filter我写了一个脚本来检查和之间的区别PIL.ImageFilter.GaussianBlur。

import numpy as np

from scipy import misc

from scipy.ndimage import gaussian_filter

import PIL

from PIL import ImageFilter

import matplotlib.pyplot as plt

# Load test color image

img = misc.face()

# Scipy gaussian filter

sigma = 5

img_scipy = gaussian_filter(img, sigma=(sigma,sigma,0), mode='nearest')

# PIL gaussian filter

radius = 5

PIL_image = PIL.Image.fromarray(img)

img_PIL = PIL_image.filter(ImageFilter.GaussianBlur(radius=radius))

data = img_PIL.getdata()

img_PIL = np.array(data).reshape(data.size[::-1]+(-1,))

img_PIL = img_PIL.astype(np.uint8)

# Image difference

img_diff = np.abs(np.float_(img_scipy) - np.float_(img_PIL))

img_diff = np.uint8(img_diff)

# Stats

mean_diff = np.mean(img_diff)

median_diff = np.median(img_diff)

max_diff = np.max(img_diff)

# Plot results

plt.subplot(221)

plt.imshow(img_scipy)

plt.title('SciPy (sigma = {})'.format(sigma))

plt.axis('off')

plt.subplot(222)

plt.imshow(img_PIL)

plt.title('PIL (radius = {})'.format(radius))

plt.axis('off')

plt.subplot(223)

plt.imshow(img_diff)

plt.title('Image difference \n (Mean = {:.2f}, Median = {:.2f}, Max = {:.2f})'

          .format(mean_diff, median_diff, max_diff))

plt.colorbar()

plt.axis('off')

# Plot histogram

d = img_diff.flatten()

bins = list(range(int(max_diff)))

plt.subplot(224)

plt.title('Histogram of Image difference')

h = plt.hist(d, bins=bins)

for i in range(len(h[0])):

    plt.text(h[1][i], h[0][i], str(int(h[0][i])))

输出sigma=5, radius=5：

输出sigma=30, radius=30：

scipy.ndimage.gaussian_filter和的输出PIL.ImageFilter.GaussianBlur非常相似，差异可以忽略不计。超过 95% 的差异值 <= 2。

PIL 版本：7.2.0，SciPy 版本：1.5.0

Answer 2

基本上，半径参数就像西格玛。我不会挖得太深，但我认为高斯内核在内部略有不同，以便在舍入为整数后保留归一化，因为 PIL 方法返回 0 到 255 整数级别。

下面的脚本生成一个左边为 1，右边为 0 的图像，然后使用两种方法进行 sigma = 10 像素模糊，然后绘制穿过每个的中心水平线，加上它们的差异。我做了两次差异，因为日志只能显示正差异。

第一个面板是 PIL 和 SciPy 浮点数结果之间的差异，第二个面板是截断整数 SciPy 结果，第三个是四舍五入的 SciPy。

import numpy as np

import matplotlib.pyplot as plt

import PIL

from scipy.ndimage import gaussian_filter

from PIL import ImageFilter

import PIL

sigma = 10.0

filename = 'piximg.png'

# Save a PNG with a central pixel = 1

piximg = np.zeros((101, 101), dtype=float)

piximg[:, :50] = 1.0

plt.imsave(filename, piximg, cmap='gray')

# Read with PIL

PIL_image = PIL.Image.open(filename)

# Blur with PIL

img_PIL = PIL_image.filter(ImageFilter.GaussianBlur(radius=sigma)) 

data = img_PIL.getdata()

img_PIL = np.array(list(data)).reshape(data.size[::-1]+(-1,))

g1 = img_PIL[..., 1]

# Blur with SciPy

data = PIL_image.getdata()

array = np.array(list(data)).reshape(data.size[::-1]+(-1,))

img = array.astype(float)

fimg = gaussian_filter(img[...,:3], sigma=sigma, mode='mirror', order=0)

g2 = fimg[..., 1]

g2u = np.uint8(g2)

g2ur = np.uint8(g2+0.5)

if True:

    plt.figure()

    plt.subplot(3, 1, 1)

    plt.plot(g1[50])

    plt.plot(g2[50])

    plt.plot(g2[50] - g1[50])

    plt.plot(g1[50] - g2[50])

    plt.yscale('log')

    plt.ylim(0.1, None)

    plt.subplot(3, 1, 2)

    plt.plot(g1[50])

    plt.plot(g2u[50])

    plt.plot(g2u[50] - g1[50])

    plt.plot(g1[50] - g2u[50])

    plt.yscale('log')

    plt.ylim(0.1, None)

    plt.subplot(3, 1, 3)

    plt.plot(g1[50])

    plt.plot(g2ur[50])

    plt.plot(g2ur[50] - g1[50])

    plt.plot(g1[50] - g2ur[50])

    plt.yscale('log')

    plt.ylim(0.1, None)

    plt.show()