1.介绍
高斯滤波的用处很多，也有很多现成的包可以被调用，比如opencv里面的cv2.GaussianBlur，一般情况，我们是没必要去造轮子，除非遇到特殊情况，比如我们在使用pytorch的过程中，需要自定义高斯核进行卷积操作，假设，我们要用的高斯核的参数是以下数目：
| 0.00655965 | 0.01330373 | 0.00655965 | 0.00078633 | 0.00002292 | | 0.00655965 | 0.05472157 | 0.11098164 | 0.05472157 | 0.00655965 | | 0.01330373 | 0.11098164 | 0.22508352 | 0.11098164 | 0.01330373 | | 0.00655965 | 0.05472157 | 0.11098164 | 0.05472157 | 0.00655965 | | 0.00078633 | 0.00655965 | 0.01330373 | 0.00655965 | 0.00078633 |
在使用pytorch过程中，常用的卷积函数是：
class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
感觉是无法自定义卷积权重，那么我们就此放弃吗？肯定不是，当你再仔细看看pytorch的说明书之后，会发现一个好东西：
torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1)
里面的weight参数刚好可以用高斯核参数来填充。
2.代码
import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.autograd import Variable
import numpy as np
import cv2
class GaussianBlurConv(nn.Module):
def __init__(self, channels=3):
super(GaussianBlurConv, self).__init__()
self.channels = channels
kernel = [[0.00078633, 0.00655965, 0.01330373, 0.00655965, 0.00078633],
[0.00655965, 0.05472157, 0.11098164, 0.05472157, 0.00655965],
[0.01330373, 0.11098164, 0.22508352, 0.11098164, 0.01330373],
[0.00655965, 0.05472157, 0.11098164, 0.05472157, 0.00655965],
[0.00078633, 0.00655965, 0.01330373, 0.00655965, 0.00078633]]
kernel = torch.FloatTensor(kernel).unsqueeze(0).unsqueeze(0)
kernel = np.repeat(kernel, self.channels, axis=0)
self.weight = nn.Parameter(data=kernel, requires_grad=False)
def __call__(self, x):
x = F.conv2d(x.unsqueeze(0), self.weight, padding=2, groups=self.channels)
return x
input_x = cv2.imread("kodim04.png")
cv2.imshow("input_x", input_x)
input_x = Variable(torch.from_numpy(input_x.astype(np.float32))).permute(2, 0, 1)
gaussian_conv = GaussianBlurConv()
out_x = gaussian_conv(input_x)
out_x = out_x.squeeze(0).permute(1, 2, 0).data.numpy().astype(np.uint8)
cv2.imshow("out_x", out_x)
cv2.waitKey(0)
原图：
输出图：
3.扩展应用
我们知道了怎么自定义高斯核，其它的核都可以照搬，这里就不一一讲述了。 | 
转播
