高斯模糊实现异常：卷积核与归一化问题致对比度增强

一、卷积核计算校验 #

• 核值公式正确性：
  高斯核元素必须严格遵循公式 G(x,y) = (1/(2πσ²)) * e^(-(x²+y²)/(2σ²))，重点检查：
  • 是否误将σ的平方写成σ
  • 指数部分的负号是否遗漏
  • 核中心坐标是否正确（9x9核的中心为(4,4)，x/y取值范围是-4到4）
• 核前置归一化：
  生成核后必须立即归一化（所有元素之和为1）。若跳过此步骤，卷积累加的tval会被核元素总和放大，后续错误归一化会导致像素值异常升高。

二、卷积过程排查 #

• 边界处理逻辑：
  图像边界像素不能直接用完整卷积核计算，需采用补零、复制边界或镜像填充。若直接越界读取内存垃圾值，会导致tval异常，进而引发归一化后数值错乱。
• 累加值类型检查：
  8位图像卷积时，tval必须用int或float类型存储累加结果。若用uint8类型，会因数值溢出被截断为偏小值，后续归一化相当于错误放大，最终像素值高于原图。

三、归一化环节修正 #

• 归一化时机与方式：
  • 若核已提前归一化，卷积后的tval直接为模糊像素值，无需额外归一化
  • 若未提前归一化核，必须用tval除以核元素总和，而非其他错误系数（比如误除以255或过小的数值）。日志中tval偏小但归一化后偏高，大概率是除数取值错误。
• 数值范围截断：
  模糊后的像素值必须限制在0-255区间（针对8位图像），未做截断会导致超出范围的数值被错误转换，引发对比度异常。

四、参考修正代码片段 #

import math
import numpy as np

# 生成归一化高斯核
sigma = 1.3
ksize = 2 * math.ceil(3 * sigma) + 1
kernel = np.zeros((ksize, ksize), dtype=np.float32)
center = ksize // 2
kernel_sum = 0.0

for i in range(ksize):
    for j in range(ksize):
        x = i - center
        y = j - center
        kernel[i,j] = math.exp(-(x**2 + y**2) / (2 * sigma**2))
        kernel_sum += kernel[i,j]
kernel /= kernel_sum  # 核归一化

# 单通道图像卷积
img = np.array(...)  # 输入8位单通道图像
h, w = img.shape
result = np.zeros_like(img, dtype=np.float32)

for i in range(center, h - center):
    for j in range(center, w - center):
        tval = 0.0
        for ki in range(ksize):
            for kj in range(ksize):
                tval += img[i - center + ki, j - center + kj] * kernel[ki, kj]
        result[i,j] = tval

# 截断数值范围并转成uint8
result = np.clip(result, 0, 255).astype(np.uint8)

内容的提问来源于stack exchange，提问作者Pawan Nirpal