Python PyTorch中的高斯滤波器

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()

我发现的最接近的建议基于：

但是它给了我一个错误名称error:name‘gaussian_weights’没有定义。我怎样才能让它工作

---

是的，我也有同样的想法。现在的问题是：有没有一种方法可以定义高斯核或二维高斯核，而不使用Numpy和/或明确指定权重

是的，很简单。只需查看的功能文档。有一个链接到。因此，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Pytork中转换非常简单，几乎只需用torch替换np，你就完成了

此外，请注意，火炬中的np.外部等效物为

---

是的，我也有同样的想法。现在的问题是：有没有一种方法可以定义高斯核或二维高斯核，而不使用Numpy和/或明确指定权重

是的，很简单。只需查看的功能文档。有一个链接到。因此，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Pytork中转换非常简单，几乎只需用torch替换np，你就完成了

---

另外，注意torch中的np.outer等价物是。

我认为gaussian_权重应该是由gaussian制成的内核，就像scipy.signal.gaussianYupp一样，我也有同样的想法。现在的问题是：有没有一种方法可以定义高斯核或二维高斯核而不使用Numpy和/或显式指定权重？也许这可以帮助youpytorch实现：我认为高斯权重应该是由高斯核制成的，就像scipy.signal.gaussianYupp一样，我也有同样的想法。现在的问题是：有没有一种方法可以定义高斯核或二维高斯核而不使用Numpy和/或显式指定权重？也许这有助于youpytorch的实现：