L'équivalent imgaussfilt de Matlab en Python

Il y a plusieurs causes possibles à cela. Puisque Matlab n'est pas un logiciel open source, il est impossible d'en connaître la cause exacte, mais nous pouvons faire des suppositions éclairées.

Concernant ce que fait le filtrage gaussien : il remplace chaque pixel par une somme pondérée de ses voisins. La pondération est déterminée par la fonction de densité de probabilité gaussienne , et le poids exact est déterminé par sigma mais aussi par le paramètre truncate que vous pouvez voir dans la documentation scipy.ndimage.gaussian_filter . Ce paramètre est nécessaire car, techniquement, la fonction gaussienne ne se désintègre jamais à zéro, elle s'approche juste de zéro lorsque la distance va vers l'infini, donc un flou gaussien "parfait" aurait besoin de faire la somme d'un nombre infini de pixels voisins, ce qui est impossible. Par conséquent, la fonction doit décider à quelle distance vous êtes suffisamment proche de zéro pour arrêter la somme des choses.

Un autre facteur de complication est que le flou gaussien est séparable , ce qui signifie que vous pouvez faire un flou 2D (ou nD) en floutant séparément le long de chaque axe en séquence, ce qui peut réduire les coûts de calcul. La séparabilité affecte l'ordre de calcul et le calcul en virgule flottante n'est pas exact , donc si Matlab et Python effectuent les opérations dans un ordre différent, vous vous attendez à des résultats légèrement différents.

Même si vous filtrez les axes exactement dans le même ordre (vous pouvez y parvenir, par exemple, en transposant l'image en Python, en la filtrant, puis en la transposant), les bibliothèques de calcul de tableau de bas niveau sous-jacentes peuvent sommer les tableaux dans un ordre différent, ce qui changerait encore une fois les résultats exacts.

En bref, quelques causes possibles des différences que vous voyez:

• troncature différente
• différentes implémentations (séparer le filtre ou non)
• ordre différent de traitement des axes
• ordre différent des sommes de bas niveau

Il n'y a peut-être aucun moyen de les démêler, et à la fin mon conseil reflète le commentaire de Cris Luengo: vos résultats ne devraient probablement pas reposer sur des valeurs plus précises que six chiffres significatifs. Une correspondance exacte entre Matlab et Python n'aura ici aucun sens, car aucun des deux ne peut garantir une précision parfaite par rapport à la valeur théorique d'un filtre gaussien. Les deux sont des approximations et une correspondance exacte signifie uniquement que vous faites les mêmes erreurs d'approximation dans les deux.

J'ai pu obtenir une correspondance relativement bonne (meilleure que 10e-10 %) entre imgaussfilt appelé avec l'option de remplissage circular et scipy.ndimage.gaussian_filter appelé avec mode='wrap' paramètre mode='wrap' , à condition que imgaussfilt utilise la taille de filtre par défaut de 2*ceil(2*sigma)+1 et gaussian_filter spécifie truncate=np.ceil(2*sigma)/sigma . Ces paramètres donnent le même rayon et la même taille globale pour le noyau gaussien sous-jacent, pour le cas de remplissage circular . Je n'ai pas testé d'autres types de rembourrage.

Récemment, je travaillais sur la conversion d'un code Matlab en python et je cherchais à peu près la même chose sur Internet et la documentation pour les fonctions a trouvé exactement les mêmes résultats avec l'implémentation d'OpenCV.

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

est équivalent à

% In Matlab
imgaussfilt(image, 100)