图像处理：使用 dtype 'int' 和 'float32' 时图像过滤器输出的差异

如何解决图像处理：使用 dtype 'int' 和 'float32' 时图像过滤器输出的差异

我正在尝试用不同的方法在 Python 中计算图像的窗口标准偏差。

首先，我编写了一个“天真的”方法，它在元素上使用双循环，并使用 np.std() 返回窗口值的标准偏差。然后，我使用了建议的实现 here 和 here

注意：我首先将图像 dtype 转换为 int，因为在第二个和第三个算法中平方图像值会溢出 uint8，这是导入的 dtype。

使用第二种和第三种算法计算的结果显示了一些奇怪的扇形效果，在云区域尤其明显。 Std dev using dtype int

如果我将输入图像值转换为 float32，这种效果就会消失：Std dev using dtype float32

我知道计算 here 的方差时存在数值稳定性问题。对于第二种算法，我采用方差绝对值的平方根来解决这个问题。

为什么在使用 int 而不是 float32 的输入数据类型时会出现这种“扇形”，当 int 无论如何在幕后转换为 float 以执行浮点计算？这是我正在使用的测试图像：castle.png

import numpy as np 
import matplotlib.pyplot as plt
import cv2
from scipy.ndimage.filters import uniform_filter
from timeit import timeit

img = cv2.imread('castle.png')
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY).astype(int)     # CHANGE ME

# Naive double loop method
def stddev_naive(img,kernel_size):
    out = np.zeros_like(img)

    # Applying reflected boundary conditions for kernel padding
    ext = int((kernel_size-1)/2)
    x_symm = np.concatenate((img[1:1+ext,:][::-1],img,img[-ext-1:-1,:][::-1]))      # Reflected boundary condition applied in x
    img_bc = np.concatenate((x_symm.transpose()[1:1+ext,x_symm.transpose(),x_symm.transpose()[-ext-1:-1,:][::-1])).transpose()      # Reflected boundary condition applied in y

    for i in np.arange(img.shape[0]):
        for j in np.arange(img.shape[1]):
            out[i,j] = np.std(img_bc[i:i+2*ext+1,j:j+2*ext+1])
    return out

# https://stackoverflow.com/a/18422519/16078850
def window_stdev(arr,radius):
    c1 = uniform_filter(arr,radius*2,mode='constant',origin=-radius)
    c2 = uniform_filter(arr*arr,origin=-radius)
    return ((c2 - c1*c1)**.5)[:-radius*2+1,:-radius*2+1]

# https://stackoverflow.com/a/36266187
def winVar(img,kernel_size):
    wmean,wsqrmean = (cv2.BoxFilter(x,-1,(kernel_size,kernel_size),borderType=cv2.BORDER_REFLECT) for x in (img,img**2))
    return np.abs(wsqrmean - wmean*wmean)**0.5


out1 = stddev_naive(img,11)
out2 = window_stdev(img,5)
out3 = winVar(img,11)

# Show outputs
fig,(ax1,ax2,ax3) = plt.subplots(1,3)
ax1.imshow(out1,cmap='gray')
ax1.set_title('Naive method',fontsize=24)
ax2.imshow(out2,cmap='gray')
ax2.set_title('Using scipy.ndimage.uniform_filter',fontsize=24)
ax3.imshow(out3,cmap='gray')
ax3.set_title('Using cv2.BoxFilter',fontsize=24)
plt.suptitle('Using dtype \'int\'',fontsize=30)
plt.show()