高斯滤波的窗口及标准差(笔记)

高斯函数与高斯滤波

一维高斯函数：
$$G(x)=\frac{1}{\sqrt{2\pi }\sigma }exp(-\frac{{(x-\mu )}^2}{2{\sigma }^2})$$
二维高斯函数为两个一维高斯函数的积：
$$G(x,y)=\frac{1}{\sqrt{2\pi }\sigma }exp(-\frac{{(x-{\mu }_x)}^2}{2{\sigma }_x^2}-\frac{{(y-{\mu }_y)}^2}{2{\sigma }_y^2})$$
高斯滤波即用某一尺寸的二维高斯核与图像进行卷积。高斯核是对连续高斯函数的离散近似，通常对高斯曲面进行离散采样和归一化得出(归一化指的是卷积核所有元素之和为1)，下图为标准高斯和${\sigma }_x={\sigma }_y=1.4$大小为$5\times 5$的高斯核。

标准差

当$\mu =0$时，唯一需要控制的参数就是标准差$\sigma$，调整σ\sigma实际是在调整周围像素对当前像素的影响程度，调大σ\sigma即提高了远处像素对中心像素的影响程度，滤波结果也就越平滑。高斯曲线随σ\sigma变化的曲线如下：

从频域角度看，高斯函数的傅立叶变换仍是高斯，两者标准差间的关系如下：

$${\sigma }_x=\frac{1}{2\pi {\sigma }_w}$$

其中，${\sigma }_x$为空域高斯的标准差，${\sigma }_w$为对应频域高斯的标准差，在空域进行高斯平滑相当于频域低通滤波，${\sigma }_x$越大，${\sigma }_w$越小，频域高斯越集中，高频成分削弱得越多，图像越平滑。
从低通滤波角度考虑，可以对图像做傅立叶变换进行频谱分析，叠加上频域高斯并调整查看效果，找到适合的${\sigma }_w$，再推算出空域高斯所需的${\sigma }_x$。

窗口大小

标准差$\sigma$确定后，接下来需要确定窗口大小。上面讲了高斯核是对连续高斯的离散近似，窗口越大自然近似越好，但高斯函数是钟形曲线，距离中心越远数值越小，足够远处可以忽略不计，但多远算远呢？
钟型曲线在区间$(\mu -\sigma ,\mu +\sigma )$范围内的面积占曲线下总面积的$68\%$，$(\mu -2\sigma ,\mu +2\sigma )$范围占$95\%$，$(\mu -3\sigma ,\mu +3\sigma )$范围占$99.7\%$，一般$3\sigma$外的数值已接近于0，可忽略，半径为$3\sigma$即窗口大小为$6\sigma \times 6\sigma$即可，通常取最近的奇数。上述3个范围在一维和二维高斯中示意如下：

OpenCV中标准差与窗口大小的换算

在OpenCV函数createGaussianFilter中，若未指定窗口大小，通过$\sigma$推算窗口大小方式如下，半径为$\sigma$的3或4倍：

若指定了窗口大小，但未指定$\sigma$大小，则通过窗口大小推算$\sigma$的方式如下：

$\sigma =0.3\times ((ksize-1)\times 0.5-1)+0.8$
$\sigma =0.15\times ksize+0.35$
$\sigma =0.3\times (\frac{ksize}{2}+1)$

具体地，在函数getGaussianKernel中，当ksize不大于7时，直接从内部的small_gaussian_tab取对应大小的高斯核，若大于7，则使用上式计算出$\sigma$然后套用高斯公式，最后再归一化。

Reference

如何确定高斯滤波的标准差和窗口大小