高斯滤波原理剖析

高斯滤波和高斯模糊一样吗

答：一样。不加“高斯”这个限定词时，滤波的范畴要远远大于模糊，后者只是前者的一个子集。当加上“高斯”限定以后，所指代的卷积操作就是同一个操作了，因为根据方程 滤波 = 卷积（ 输入信号 ，卷积模板 ），当两个操作的输入信号和卷积模板都一样时，这两个操作就是一个操作了。

 

那为什么不直接叫高斯滤波，还起个高斯模糊的名字呢？

那是因为这个滤波的效果看起来像是把图像给弄模糊了，所以又有了“高斯模糊”的叫法。

 

平滑也是类似的道理。

 

首先请记住一句话：滤波是掩膜(mask)和图像的卷积。

再记住第二句话：滤波过程分两步： 1）计算掩膜 2）卷积——掩膜上每一个位置的值和图像上对应位置的像素值的乘加运算

 

讲课开始：

 

1. 高斯分布不是高斯模糊/滤波

看起来很好笑，但对于当时初学者的我来说，确实被坑的不浅。

高斯模糊，听起来很高大上，其实就是一种很基础的数学算法应用，不要被“高斯”迷惑了双眼，它并没有高斯本人那么深不可测。。
高斯模糊之所以叫高斯模糊，是因为它运用了高斯的正态分布的密度函数，我记得是大二时候学的：

其中，μ是x的均值，σ是x的标准差（评论提醒）。由于每次计算都以当前计算点为原点，所以μ等于0。于是公式进一步简化为：

在图形上，正态分布是一种钟形曲线，越接近中心，取值越大，越远离中心，取值越小。
计算平均值的时候，我们只需要将"中心点"作为原点，其他点按照其在正态曲线上的位置，分配权重，就可以得到一个加权平均值。
而他的二维方程是：

也就是说，把它运用于图像算法中，就会使图像出现模糊的效果：

 

1.1 高斯分布

绝大多数讲高斯滤波的文章或者博客都会给出下面的公式：

高斯分布公式：

以及告诉你它的形状和性质：

(如图为一维高斯分布示意图，决定了分布对称中心，决定了分布的形状——越小形状越瘦高，越大越矮胖)

 

然而在这里高斯分布公式到底是做什么的？

答：计算高斯滤波用的掩膜(Mask)

1.2 利用高斯分布求高斯掩膜

1.2.1 均值掩膜

首先看一下掩膜到底长什么样子，我们来一个最简单的——3x3均值滤波的掩膜：

(对，就这个样子)可以看到，均值掩膜内所有系数均相等——为1/9，且他们的和为1。同理可知5x5均值滤波的掩膜。

1.2.2 高斯掩膜

高斯分布公式终于要出场了！

有个小问题：我们上面给出的高斯分布公式是一维的，但掩膜是二维的怎么办？很简单，只需要把数值变为向量即可：(其中不必纠结于系数,因为它只是！一个! 常数！并不会影响互相之间的比例关系，并且最终都要进行归一化，所以在实际计算时我们是忽略它而只计算后半部分的)当为二维时,。这个公式其实可以表示任意维度的高斯分布。需要特别注意的是：本质上都是二维空间中的坐标：是掩膜内任一点的坐标，是掩膜中心的坐标！(统计学中称为均值，即坐标的均值)

敲黑板再说一遍： x和u， 是位置，是坐标！

于是乎，对于图像中任意一点(x,y)，它周围的坐标为：

中间的(x,y)就是我们公式中的了， 当遍历(x-1,y-1)...(x+1,y+1)时,

： 向量计算然后求平方得出

：

(这里取sigma为1.0)

归一化就得到高！斯！掩！膜！了：

<img src="https://pic3.zhimg.com/50/v2-0d1b6a4c714641309b05a89343425cac_hd.jpg" data-rawwidth="305" data-rawheight="146" class="content_image" width="305">如何归一化？作者：祥子
链接：https://www.zhihu.com/question/54918332/answer/141738672
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

我从最基础的开始举例子，以一维方程做起，将x，y轴分别进行高斯模糊。

我们假设σ为1.5吧，假设有x轴上三个像素点，中间点为原点：
 

带入公式后，三个点的值为：

这3个像素的权重总和等于0.80858986，如果只计算这3个点的加权平均，还必须让它们的权重之和等于1，因此上面3个值还要分别除以0.80858986。

那么，这个数字有什么用呢？

我们都知道，每一个像素点，决定它色差的是RGB值，计算加权平均的时候要分别计算；

现在我们把GB设为0，只计算R，我们来假设一个点，R值为27，125，22：

将三个数字乘以加权平均值后，分别为6.8391，61.6725，6.8391

而中心点的R值就变为 6.8391+61.6725+6.8391 = 75.5137 记为75；

变为：
 

就使像素点相对于旁边两点更加柔和了。

所以你看，高斯掩膜的求解与位置(x,y)无关，因为在计算过程中x,y被抵消掉了，

因！此！——

所以你看，高斯掩膜的求解与位置(x,y)无关，因为在计算过程中x,y被抵消掉了，

因！此！——

高斯掩膜只要求解一次就够了！ 当得到了这个模板，对图像的所有像素用这同一套模板去卷积就OK了！

1.3 利用高斯掩膜和图像进行卷积求解高斯模糊

这个过程就很简单了，如下图所示，没有别的，就是卷积：

117 = 102 * 0.075 + 108 * 0.124 + 110 * 0.075 +119 * 0.124 + 120 * 0.204 + 110 * 0.124 +129 * 0.075 + 130 * 0.124 + 132 * 0.075

 

130 = 172 * 0.075 + 175 * 0.124 + 172 * 0.075 +112 * 0.124 + 123 * 0.204 + 88 * 0.124 +98 * 0.075 + 115 * 0.124 + 128 * 0.075

所有像素都用图上的那一套模板进行卷积运算，最终得到滤波的结果。

 

 

2. 算法实现

原理如果懂了，算法实现应该很简单，而且opencv也有现成函数可以调用，但opencv的效率其实也不高，可以看这个回答：OpenCV已经将图像处理(识别)的算法写成函数了,那我们还有必要去学习这些算法不? - mpcv 的回答 - 知乎在这里提两个可以加速的地方：1）把二维高斯滤波拆成两个一维高斯滤波——先x方向再y方向 他们是等价的，有兴趣的同学可以自行查找下相关证明。例如：一个5x5的二维高斯滤波，每个像素需要进行25次乘、 24次加 运算；变为2个1x5的高斯滤波后，每个像素进行 10次乘 、8次加 运算；

2）利用查表代替乘运算可以看到，在卷积的过程中，所有的乘运算都是发生在掩膜系数和像素值之间。而且： ① 掩膜系数是固定的：对于1x5的掩膜，只有3个不同的参数； ② 像素值的范围也是固定的： 0~255，256个值；

 

因此，所有系数和像素值的乘积只有3x256=768种不同的结果。 所以，这768个结果我们直接把它保存在一张表中即可！等用时直接查表！！！

 

于是上文的10次乘、8次加运算进一步缩减为了只剩8！次！加 !运 ! 算 !

 

最终我们的运算量改变为：

25次乘、24次加 -------------> 8次加！！！

 

3. 双边滤波

双边滤波其实很简单，它只是比高斯滤波多了一种掩膜而已。两种掩膜都是套用高斯分布公式得出来的，只是其中的代表的含义不同而已。求第一个掩膜所用的高斯分布中，代表掩膜中每一个点的位置，其中为掩膜中心的位置；求第二个掩膜所用的高斯分布中，代表掩膜中每一个点的像素亮度值，其中为掩膜中心的像素亮度值；（这里有一个是需要注意的：第二个掩膜是需要每次都求取的，因为像素的亮度值无法预先确定，不是维持一个固定不变的pattern）

对这就是双边滤波，不光考虑了像素在空间中位置远近程度的影响，还考虑了像素亮度相近程度的影响。

仅此而已。

 

作者：mpcv
链接：https://www.zhihu.com/question/54918332/answer/142137732
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

c代码实现：

循环遍历各个点，归一化之后放入临时数据：

在x轴方向上进行高斯模糊：

y轴同理：

代码出自：作者：祥子
链接：https://www.zhihu.com/question/54918332/answer/141738672
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。