原理
所谓“模糊”,可以理解成每一个像素都取周边像素的平均值,下图中,2是中间点,周边点都是1。
“中间点”取“周围点”的平均值,就会变成1.在数值上,这是一种“平滑化”。在图形上,就相当于产生了“模糊”效果,“中间点”失去了细节。显然,计算平均值时,取得范围越大,“模糊效果”越强烈。
模糊半径越大,图像就越模糊,下图从左到有,模糊半径依次为3、5、10。
接下来的问题就是,既然每个点都要取周边像素的平均值,那么应该如何分配权重呢?
如果使用简单平均,显然不是很合理,因为图像都是连续的,越靠近的点关系越密切,越远离的点关系越疏远。因此,加权平均更合理,距离越近的点权重越大,距离越远的点权重越小。
正态分布显然是一种可取的权重分配模式。
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。
上面的正态分布是一维的,图像都是二维的,所以我们需要二维的正态分布。
有了权重就可以计算高斯模糊的值了,假设有9个像素点,灰度值为(0-255)如下
每个点乘以自己的权重值,
得到
将这9个值加起来,就是中心点的高斯模糊的值。
对所有点重复这个过程,就得到了高斯模糊后的图像。如果原图是彩色图片,可以对RGB三个通道分别做高斯模糊。
高斯模糊矩阵示例表
这是一个计算 σ = 0.84089642 的高斯分布生成的示例矩阵。注意中心元素 [4,4]] 处有最大值,随着距离中心越远数值对称地减小。
0.00000067
|
0.00002292
|
0.00019117
|
0.00038771
|
0.00019117
|
0.00002292
|
0.00000067
|
0.00002292
|
0.00078633
|
0.00655965
|
0.01330373
|
0.00655965
|
0.00078633
|
0.00002292
|
0.00019117
|
0.00655965
|
0.05472157
|
0.11098164
|
0.05472157
|
0.00655965
|
0.00019117
|
0.00038771
|
0.01330373
|
0.11098164
|
0.22508352
|
0.11098164
|
0.01330373
|
0.00038771
|
0.00019117
|
0.00655965
|
0.05472157
|
0.11098164
|
0.05472157
|
0.00655965
|
0.00019117
|
0.00002292
|
0.00078633
|
0.00655965
|
0.01330373
|
0.00655965
|
0.00078633
|
0.00002292
|
0.00000067
|
0.00002292
|
0.00019117
|
0.00038771
|
0.00019117
|
0.00002292
|
0.00000067
|
注意中心处的 0.22508352 比 3σ 外的 0.00019117 大 1177 倍。