如何用python实现图像的一维高斯滤波器
import numpy as np
import matplotlib.pyplot as plt
temp_x = np.random.randint(0,img.shape[0])
temp_y = np.random.randint(0,img.shape[1])
"""
@author: SumaiWong
import pandas as pd
from numpy import dot
from numpy.linalg import inv
iris = pd.read_csv('D:\iris.csv')
dummy = pd.get_dummies(iris['Species']) # 对Species生成哑变量
iris = pd.concat([iris, dummy], axis =1 )
iris = iris.iloc[0:100, :] # 截取前一百行样本
Y = iris['setosa'].reshape(len(iris), 1) #整理出X矩阵 和 Y矩阵
def GDA(Y, X):
theta1 = Y.mean() #类别1的比例
mu1 = X[Y==1].mean() #类别1特征的均值向量
X_1 = X[Y==1]
X_0 = X[Y==0]
sigma = (A+B)/len(X) #sigma = X'X-n(X.bar)X.bar'=X'[I-1/n 1 1]X
return theta1, theta0, mu1, mu0, sigma
borderType= None)函数
此函数利用高斯滤波器平滑一张图像.该函数将源图像与指定的高斯核进行卷积.
src:输入图像
ksize:(核的宽度,核的高度),输入高斯核的尺寸,核的宽高都必须是正奇数.否则,将会从参数sigma中计算得到.
dst:输出图像,尺寸与输入图像一致.
sigmaX:高斯核在X方向上的标准差.
sigmaY:高斯核在Y方向上的标准差.默认为None,如果sigmaY=0,则它将被设置为与sigmaX相等的值.如果这两者都为0,则它们的值会从ksize中计算得到.计算公式为：
borderType:像素外推法,默认为None（参考官方文档 BorderTypes
)
在图像处理中,高斯滤波主要有两种方式：
①窗口滑动卷积
在此主要利用窗口滑动卷积.其中二维高斯函数公式为：
从图像的角度来说,高斯核的标准差 越大,平滑效果越不明显.高斯核的标准差 越小,平滑效果越明显.
可见,标准差 越大,图像平滑程度越大
参考博客1:关于GaussianBlur函数
python做科学计算的特点：1. 科学库很全.（推荐学习：Python视频教程）
pdb是我见过最好的调试工具,没有之一.直接在程序断点处给你一个截面,这只有文本解释语言才能办到.毫不夸张的说,你用python开发程序只要fortran的1/10时间.
它丰富而且统一,不像C++的库那么杂（好比pnux的各种发行版）,python学好numpy就可以做科学计算了.python的第三方库很全,但是不杂.python基于类的语言特性让它比起fortran等更加容易规模化开发.
龙格-库塔(Runge-Kutta)方法是一种在工程上应用广泛的高精度单步算法,其中包括著名的欧拉法,用于数值求解微分方程.由于此算法精度高,采取措施对误差进行抑制,所以其实现原理也较复杂.
高斯积分是在概率论和连续傅里叶变换等的统一化等计算中有广泛的应用.在误差函数的定义中它也出现.虽然误差函数没有初等函数,但是高斯积分可以通过微积分学的手段解析求解.高斯积分（Gaussian integral）,有时也被称为概率积分,是高斯函数的积分.它是依德国数学家兼物理学家卡尔-弗里德里希-高斯之姓氏所命名.
这一洛伦茨模型不只对非线性数学有重要性,对于气候和天气预报来说也有着重要的含义.行星和恒星大气可能会表现出多种不同的准周期状态,这些准周期状态虽然是完全确定的,但却容易发生突变,看起来似乎是随机变化的,而模型对此现象有明确的表述.
更多Python相关技术文章,请访问Python教程栏目进行学习！
以上就是土嘎嘎小编为大家整理的python中的高斯函数的简单介绍python中的高斯函数的简单介绍相关咨询咨询主题介绍,如果您觉得小编更新的文章只要能对粉丝们有用,就是我们最大的鼓励和动力,不要忘记讲本站分享给您身边的朋友哦！！