scipy.ndimage.gaussian_filter的sigma参数与axes轴用法解析

问题复现 #

使用如下代码对shape=(512, 768, 3)的RGB彩色图像做高斯平滑时，直接传入sigma=1得到的输出图像整体发灰，修改参数为sigma=(sigma, sigma, 0)后得到符合预期的彩色平滑结果：

import numpy as np
from PIL import Image
from scipy import ndimage

def gaussian_smoothing(image, sigma = 1):
    im = np.array(image)
    sim = ndimage.gaussian_filter(im, sigma=sigma)

    print(im.shape)
    return Image.fromarray(sim)

def main():
    im = Image.open("./data/kodim03.png")
    filtered_image = gaussian_smoothing(im, 1)
    filtered_image.show()

核心疑问点：

• 转换为numpy数组的RGB图像，第三个轴是否对应RGB颜色通道？
• 常规认知中卷积核仅在空间维度滑动、对各颜色通道独立平滑，为什么该函数会对第三个轴执行滤波？
• 高斯滤波在空间轴、通道轴的运算逻辑是什么，参数设置的原理是什么？

原理解释 #

• 轴对应关系：PIL读取的图像转换为numpy数组后，维度顺序固定为(Y轴空间高度, X轴空间宽度, 颜色通道)，第三个轴确实对应R/G/B三个颜色通道。
• 函数默认逻辑：scipy.ndimage.gaussian_filter是面向通用N维数组设计的滤波工具，并非专门为图像场景定制，不会自动识别维度含义，默认会对输入数组的所有维度执行高斯卷积，不会自动跳过通道维度。
• 跨轴滤波的问题：当传入标量sigma=1时，三个轴会使用相同的高斯核参数做卷积，在颜色通道轴上执行卷积时，会对同一个空间位置的R、G、B像素值做加权混合，导致三个通道的数值趋近一致，最终输出图像整体发灰、偏色。
• sigma参数规则：
  • 传入标量时，所有维度统一使用该sigma值生成一维高斯核，执行N维可分离卷积
  • 传入长度等于数组维度数的序列时，会按轴顺序为每个维度单独指定sigma值；当某个维度的sigma设为0时，会跳过该维度的卷积计算，不对该维度做任何滤波处理
• 正确参数的逻辑：设置sigma=(sigma, sigma, 0)时，相当于明确告知函数仅在前两个XY空间维度执行高斯平滑，第三个颜色通道维度不做卷积，每个颜色通道独立完成空间域平滑计算，自然得到符合预期的彩色模糊效果，这也是用该函数处理多通道图像的标准设置。
• 认知差异说明：多数面向计算机视觉场景的滤波接口（如OpenCV的GaussianBlur）内置了多通道图像的处理规则，默认仅在空间维度做卷积、各通道独立计算，不会跨通道混合像素值，容易让人形成“滤波不会处理通道维度”的惯性认知，但scipy.ndimage属于通用数组处理库，没有这类预设的场景规则，必须手动指定各维度的滤波参数。

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