Gaussian Smoothing 高斯滤波

最新推荐文章于 2025-02-26 17:07:01 发布

LearningCV

最新推荐文章于 2025-02-26 17:07:01 发布

阅读量6.3k

点赞数 1

分类专栏： OpenCV&图像处理文章标签：图像处理

OpenCV&图像处理专栏收录该内容

6 篇文章

订阅专栏

本文详细介绍了高斯平滑的概念及其在图像处理中的应用。解释了一维和二维高斯分布的特点，并展示了如何构造高斯滤波器内核。此外，还对比了高斯平滑与均值滤波的区别。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

http://homepages.inf.ed.ac.uk/rbf/HIPR2/gsmooth.htm

在上篇文章中我给出了高斯滤波的这个链接。

现在对其进行翻译，黑色字为原文翻译，彩色字是我自己的注解。

高斯平滑

引言：

高斯平滑是一个用来“模糊”图像，去除细节及噪声的2维卷积操作[convolution operator]。听起来它和均值滤波[mean filter]没什么两样，但它用了不同的卷积内核[kernel]——可以表达高斯（钟形）峰状分布[Gaussian (`bell-shaped') hump]。我们接下来细细讨论这种内核的特性。

原理：

一维高斯分布有如下形式；

代表分布的标准差。我们假设高斯分布均值为0(此时，它向线x=0集中)，如图1所示：

图1 均值为0,标准差为1的一维高斯分布

【也就是标准正态分布啦，不知道为什么我转人家的图过来就有下面那个黑线了，下张图也是……读者可以去原链接查看原图】

在二维平面，各向同性的高斯分布形为：

图像表示如图2所示：

图2 均值为(0,0)，标准差为1的二维高斯函数

高斯平滑就是通过卷积将这种二维分布作为点扩散[`point-spread']函数。因为图像以离散像素点的集合存储，所以我们需要构造一个离散逼近高斯函数的的矩阵来实现卷积。理论上，高斯分布永远非0【我的理解是就像标准正态分布那张图，不可能和X轴相交因为这样的话概率就为0，就是一个不可能事件了】，这就需要一个无限大的卷积内核，但事实上，0都比和均值三个标准差远的数有效【这句话翻译的有点渣，意思就是：尽管正态变量的取值范围是（-无穷，+无穷），但它的值落在（u-3

，u+3

）内几乎是肯定的的事，就是人们所说的“3

”法则。~浙江大学《概率论与数理统计》】，所以我们通过这个就可以缩小内核。图3所示正是一个逼近以1.0为标准差的高斯分布的稳定整数卷积内核。但怎么选择内核元素去逼近高斯分布并非易事。一种方式是使用高斯分布在内核中心的值作为像素值，但这样并不精确因为高斯分布并不是线性的经过内核像素点。所以我们对像素值进行积分。积分不是整数？我们就重新调节数组让角落像素值为1，最终，得到内核所有像素值的和273。

图3 1.0为标准差的高斯内核

一旦得到稳定高斯内核，高斯平滑就可以用标准的卷积方式实现。只要将上面所示的二维高斯分布分成x，y两个单元运算卷积就会很快。因此，二维卷积就可以通过现在X轴方向卷积，再在Y轴方向卷积实现。（高斯分布实际上只有这样才能正真实现各方向同性（isotropic）。）图4所示是形成图3中的内核的一维X内核分量（在除以273之后，每一行像素的边界位置有取整和截断操作，因为大部分值等于0，这样使得原本7*7的矩阵缩小为上图所示的5*5矩阵），Y分量一模一样，只不过是竖直方向而已。

图4 一组用来计算图3所示内核的一维内核

【上面这两段是什么意思呢？就是怎么构造一个高斯滤波内核！也就是将点（-2，2）（0,0）（2，-2）等等点带入二维高斯函数求得对应值，可以使用MATLAB。明显，这种结果都是零点几的小数，那我们就希望积分得到0-255的值来卷积！所以才会有273=4*1+……+4*26+41】

一种计算大标准差高斯平滑的更好方式是用一个小的高斯分布多次卷积图像。因为这种计算复杂度较大，所以它适用于硬件流水作业。
高斯滤波不仅在工程应用有应用，它也受到计算生物的青睐，这归因于生物仿真学，例如，一些细胞在脑神经的视觉通路上逼近高斯响应。

使用手册：

高斯平滑的效果是模糊图像，和均值滤波有些相似。平滑度由高斯分布的标准差决定。（当前，大标准差的分布意味着更大的内核实现准确性。）
高斯输出每个像素邻域的平均权重，这种平均权重更倾向与中心的点。这和均值滤波的平均权重不同。因此，高斯分布与相近大小的均值滤波相比能更平缓的平滑图像并保留边缘。
一个使用高斯滤波平滑图像的缘由归结于频率响应。大多基于卷积的平滑滤波器是低通滤波。这就意味着他们会去除图像的高频分量。一个卷积滤波的频率响应，即他对不同空间频率的作用，可以通过傅立叶变换观察。【也就是低通滤波保留了图像的低频部分，不相信可以用傅里叶变换去验证的意思】图5所示正是宽度为5的一维均值滤波和标准差为3的高斯滤波的频率响应。