gaussianFilter.py

import numpy as np
import matplotlib.pyplot as plt
from matplotlib import cm

def rgbToGray(img):
    # Baseado em https://pillow.readthedocs.io/en/3.2.x/reference/Image.html#PIL.Image.Image.convert
    return np.matmul(img, [0.2989, 0.5870, 0.1140]).astype(np.uint())

def convolution(img: np.ndarray, filt: np.ndarray):
    iw, ih = img.shape
    kw, kh = filt.shape
    assert(kw % 2 == 1 and kh % 2 == 1) # Garante que o filtro tenha um centro
    kcx, kcy = kw//2, kh//2 # Calcula a posição central
    out = np.zeros(img.shape)
    for x, y in np.ndindex(*out.shape):
         #Pega os pixels que serão usados na operação com o filtro
        sub_img = img[max(0, x-kcx): min(iw, x-kcx + (kw)),
                      max(0, y-kcy): min(ih, y-kcy + (kh))]
        # Pega o filtro com pixels removendo os que estão de fora da imagem
        sub_filt = filt[max(0,kcx-x): (kw if iw > x+kcx else iw-(x+kcx)-1),
                            max(0, kcy-y): (kh if ih > y+kcy else ih-(y+kcy)-1)]
        # Multiplica cada pixel pelo seu respectivo peso e divide pela soma dos pesos
        out[x, y] = np.vdot(sub_img, sub_filt)/np.sum(sub_filt.flatten())
    out = np.abs(out) # Explicação disso vem logo
    return out.astype(np.uint8)

def gaussian_kernel(size, sigma=1):
    center = size//2
    x, y = np.mgrid[-center:center+1, -center:center+1]
    return np.exp(-((x**2 + y**2) / (2*sigma**2)))

if __name__ == '__main__':
    img = plt.imread('arara.jpg')
    img = rgbToGray(img)
    filt = np.ones(25**2).reshape(25,25)
    img = convolution(img, filt)
    plt.imsave('araraBlured.jpg', img, cmap=cm.gray)