高斯滤波原理及实现

最新推荐文章于 2024-05-20 19:09:06 发布
最新推荐文章于 2024-05-20 19:09:06 发布
阅读量1w 收藏 38
点赞数 3
分类专栏： 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/linqianbi/article/details/78635941
版权

高斯滤波器是一种线性滤波器，能够有效的抑制噪声，平滑图像。其作用原理和均值滤波器类似，都是取滤波器窗口内的像素的均值作为输出。其窗口模板的系数和均值滤波器不同，均值滤波器的模板系数都是相同的为1；而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小。所以，高斯滤波器相比于均值滤波器对图像个模糊程度较小。

什么是高斯滤波器

既然名称为高斯滤波器，那么其和高斯分布（正态分布）是有一定的关系的。一个二维的高斯函数如下：

其中 (x,y)为点坐标，在图像处理中可认为是整数； σ是标准差。要想得到一个高斯滤波器的模板，可以对高斯函数进行离散化，得到的高斯函数值作为模板的系数。例如：要产生一个 3×3的高斯滤波器模板，以模板的中心位置为坐标原点进行取样。模板在各个位置的坐标，如下所示（x轴水平向右，y轴竖直向下）

这样，将各个位置的坐标带入到高斯函数中，得到的值就是模板的系数。
对于窗口模板的大小为  (2k+1)×(2k+1)，模板中各个元素值的计算公式如下：

这样计算出来的模板有两种形式：小数和整数。
  • 小数形式的模板，就是直接计算得到的值，没有经过任何的处理；
  • 整数形式的，则需要进行归一化处理，将模板左上角的值归一化为1，下面会具体介绍。使用整数的模板时，需要在模板的前面加一个系数，系数为 也就是模板系数和的倒数。

二维高斯模板的生成： 

double **getTwoGuassionArray(int size, double sigma) {
	double sum = 0.0;
	
	int kerR = size / 2;
	
	
	double **arr = new double*[size];
	for (int i = 0; i < size; i++)
	{
		arr[i] = new double[size];
	}
	
	
	for (int i = 0; i < size; i++)
	{
		for (int j = 0; j < size; j++)
		{
			
			arr[i][j] = exp(-((i-kerR)*(i-kerR) + (j-kerR)*(j-kerR)) / (2 * sigma*sigma));
			sum += arr[i][j];
		}
	}
	
	for (int i = 0; i < size; i++)
	{
		for (int j = 0; j < size; j++)
		{
			arr[i][j] /= sum;
			cout << arr[i][j] << endl;
		}
	}
	
	return arr;
}

一维高斯模板的生成： 

double *getOneGuassionArray(int size, double sigma)
{
	double sum = 0.0;
	
	int kerR = size / 2;

	
	double *arr = new double[size];
	for (int i = 0; i < size; i++)
	{

		
		arr[i] = exp(-((i - kerR)*(i - kerR)) / (2 * sigma*sigma));
		sum += arr[i];

	}
	
	for (int i = 0; i < size; i++)
	{
		arr[i] /= sum;
		cout << arr[i] << endl;
	}
	return arr;
}

值的意义及选取

通过上述的实现过程，不难发现，高斯滤波器模板的生成最重要的参数就是高斯分布的标准差 σ。标准差代表着数据的离散程度，如果 σ较小，那么生成的模板的中心系数较大，而周围的系数较小，这样对图像的平滑效果就不是很明显；反之， σ较大，则生成的模板的各个系数相差就不是很大，比较类似均值模板，对图像的平滑效果比较明显。

来看下一维高斯分布的概率分布密度图：

横轴表示可能得取值x，竖轴表示概率分布密度F(x)，那么不难理解这样一个曲线与x轴围成的图形面积为1。 σ（标准差）决定了这个图形的宽度，可以得出这样的结论： σ越大，则图形越宽，尖峰越小，图形较为平缓； σ越小，则图形越窄，越集中，中间部分也就越尖，图形变化比较剧烈。这其实很好理解，如果sigma也就是标准差越大，则表示该密度分布一定比较分散，由于面积为1，于是尖峰部分减小，宽度越宽（分布越分散）；同理，当 σ越小时，说明密度分布较为集中，于是尖峰越尖，宽度越窄！
于是可以得到如下结论：
σ越大，分布越分散，各部分比重差别不大，于是生成的模板各元素值差别不大，类似于平均模板；
σ越小，分布越集中，中间部分所占比重远远高于其他部分，反映到高斯模板上就是中心元素值远远大于其他元素值，于是自然而然就相当于中间值得点运算。

代码实现如下： 
#include "opencv2/imgproc/imgproc.hpp"  
#include "opencv2/highgui/highgui.hpp"  
#include <iostream>  
#include <cmath>
using namespace cv;
using namespace std;


double **getTwoGuassionArray(int size, double sigma) {
	double sum = 0.0;
	
	int kerR = size / 2;
	
	
	double **arr = new double*[size];
	for (int i = 0; i < size; i++)
	{
		arr[i] = new double[size];
	}
	
	
	for (int i = 0; i < size; i++)
	{
		for (int j = 0; j < size; j++)
		{
			
			arr[i][j] = exp(-((i-kerR)*(i-kerR) + (j-kerR)*(j-kerR)) / (2 * sigma*sigma));
			sum += arr[i][j];
		}
	}
	
	for (int i = 0; i < size; i++)
	{
		for (int j = 0; j < size; j++)
		{
			arr[i][j] /= sum;
			cout << arr[i][j] << endl;
		}
	}
	
	return arr;
}


void MyGaussianBlur(Mat &srcImage, Mat &dst,int size)
{
	CV_Assert(srcImage.channels() || srcImage.channels() == 3); 
	int kerR = size / 2;
	dst = srcImage.clone();
	int channels = dst.channels();
	double** arr;
	arr = getTwoGuassionArray(size, 1);
	
	
	for (int i = kerR; i < dst.rows - kerR; i++)
	{
		for (int j = kerR; j < dst.cols - kerR; j++)
		{
			double GuassionSum[3] = { 0 };
			
			for (int k = -kerR; k <= kerR; k++)
			{
				for (int n = -kerR; n <= kerR; n++)
				{
					if (channels == 1)
					{
						GuassionSum[0] += arr[kerR + k][kerR + n] * dst.at<uchar>(i + k, j + n);
					}
					else if(channels == 3)
					{
						Vec3b bgr = dst.at<Vec3b>(i + k, j + n);
						auto a = arr[kerR + k][kerR + n];
						GuassionSum[0] += a*bgr[0];
						GuassionSum[1] += a*bgr[1];
						GuassionSum[2] += a*bgr[2];
					}
					
				}
			}
			for (int k = 0; k < channels; k++)
			{
				if (GuassionSum[k] < 0)
					GuassionSum[k] = 0;
				else if (GuassionSum[k] > 255)
					GuassionSum[k] = 255;
			}
			if (channels == 1)
				dst.at<uchar>(i, j) = static_cast<uchar>(GuassionSum[0]);
			else if (channels == 3)
			{
				Vec3b bgr = { static_cast<uchar>(GuassionSum[0]), static_cast<uchar>(GuassionSum[1]), static_cast<uchar>(GuassionSum[2]) };
				dst.at<Vec3b>(i, j) = bgr;
			}		
			
		}
	}
	for (int i = 0; i < size; i++)
		delete[] arr[i];
	delete[] arr;
}


int main()
{
	Mat srcImage = imread("flower3.jpg");
	if (!srcImage.data)
	{
		printf("could not load image...\n");
		return -1;
	}
	//getGuassionArray(3, 1);
	
	Mat resMat;
	MyGaussianBlur(srcImage, resMat, 3);
	
	imshow("src", srcImage);
	imshow("resMat", resMat);
	waitKey(0);
	
	return 0;
}

只处理单通道或者三通道图像，模板生成后，其滤波（卷积过程）就比较简单了。不过，这样的高斯滤波过程，其循环运算次数为 ，其中m，n为图像的尺寸；ksize为高斯滤波器的尺寸。这样其时间复杂度为 ，随滤波器的模板的尺寸呈平方增长，当高斯滤波器的尺寸较大时，其运算效率是极低的。为了，提高滤波的运算速度，可以将二维的高斯滤波过程分解开来。

分离实现高斯滤波

由于高斯函数的可分离性，尺寸较大的高斯滤波器可以分成两步进行：首先将图像在水平（竖直）方向与一维高斯函数进行卷积；然后将卷积后的结果在竖直（水平）方向使用相同的一维高斯函数得到的模板进行卷积运算。具体实现代码如下：

#include "opencv2/imgproc/imgproc.hpp"  
#include "opencv2/highgui/highgui.hpp"  
#include <iostream>  
#include <cmath>
using namespace cv;
using namespace std;


double *getOneGuassionArray(int size, double sigma)
{
	double sum = 0.0;
	
	int kerR = size / 2;

	double *arr = new double[size];
	for (int i = 0; i < size; i++)
	{

		
		arr[i] = exp(-((i - kerR)*(i - kerR)) / (2 * sigma*sigma));
		sum += arr[i];

	}
	
	for (int i = 0; i < size; i++)
	{
		arr[i] /= sum;
		cout << arr[i] << endl;
	}
	return arr;
}




void MyGaussianBlur(Mat &srcImage, Mat &dst, int size)
{
	CV_Assert(srcImage.channels() || srcImage.channels() == 3); 
	int kerR = size / 2;
	dst = srcImage.clone();
	int channels = dst.channels();
	double* arr;
	arr = getOneGuassionArray(size, 1);
	
	for (int i = kerR; i < dst.rows - kerR; i++)
	{
		for (int j = kerR; j < dst.cols - kerR; j++)
		{
			double GuassionSum[3] = { 0 };
			
			for (int k = -kerR; k <= kerR; k++)
			{
				
					if (channels == 1)
					{
						GuassionSum[0] += arr[kerR + k] * dst.at<uchar>(i , j + k);
					}
					else if (channels == 3)
					{
						Vec3b bgr = dst.at<Vec3b>(i, j + k);
						auto a = arr[kerR + k];
						GuassionSum[0] += a*bgr[0];
						GuassionSum[1] += a*bgr[1];
						GuassionSum[2] += a*bgr[2];
					}
			}
			for (int k = 0; k < channels; k++)
			{
				if (GuassionSum[k] < 0)
					GuassionSum[k] = 0;
				else if (GuassionSum[k] > 255)
					GuassionSum[k] = 255;
			}
			if (channels == 1)
				dst.at<uchar>(i, j) = static_cast<uchar>(GuassionSum[0]);
			else if (channels == 3)
			{
				Vec3b bgr = { static_cast<uchar>(GuassionSum[0]), static_cast<uchar>(GuassionSum[1]), static_cast<uchar>(GuassionSum[2]) };
				dst.at<Vec3b>(i, j) = bgr;
			}

		}
	}

	
	for (int i = kerR; i < dst.rows - kerR; i++)
	{
		for (int j = kerR; j < dst.cols - kerR; j++)
		{
			double GuassionSum[3] = { 0 };
			
			for (int k = -kerR; k <= kerR; k++)
			{

				if (channels == 1)
				{
					GuassionSum[0] += arr[kerR + k] * dst.at<uchar>(i + k, j);
				}
				else if (channels == 3)
				{
					Vec3b bgr = dst.at<Vec3b>(i + k, j);
					auto a = arr[kerR + k];
					GuassionSum[0] += a*bgr[0];
					GuassionSum[1] += a*bgr[1];
					GuassionSum[2] += a*bgr[2];
				}
			}
			for (int k = 0; k < channels; k++)
			{
				if (GuassionSum[k] < 0)
					GuassionSum[k] = 0;
				else if (GuassionSum[k] > 255)
					GuassionSum[k] = 255;
			}
			if (channels == 1)
				dst.at<uchar>(i, j) = static_cast<uchar>(GuassionSum[0]);
			else if (channels == 3)
			{
				Vec3b bgr = { static_cast<uchar>(GuassionSum[0]), static_cast<uchar>(GuassionSum[1]), static_cast<uchar>(GuassionSum[2]) };
				dst.at<Vec3b>(i, j) = bgr;
			}

		}
	}
	delete[] arr;
}


int main()
{
	Mat srcImage = imread("flower3.jpg");
	if (!srcImage.data)
	{
		printf("could not load image...\n");
		return -1;
	}
	//getGuassionArray(3, 1);

	Mat resMat;
	MyGaussianBlur(srcImage, resMat, 3);

	imshow("src", srcImage);
	imshow("resMat", resMat);
	waitKey(0);

	return 0;
}
代码没有重构较长，不过其实现原理是比较简单的。首先得到一维高斯函数的模板，在卷积（滤波）的过程中，保持 行不变，列变化，在水平方向上做卷积运算 ；接着在上述得到的结果上，保持 列不边，行变化，在竖直方向上做卷积运算 。 这样分解开来，算法的时间复杂度为 ，运算量和滤波器的模板尺寸呈线性增长。

原图：


效果图：

零钱币
关注
  • 3
    点赞
  • 踩
  • 38
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
OpenCV基础知识（6）— 滤波器（均值滤波器、中值滤波器、高斯滤波器和双边滤波器）
突然好想你
08-20 2525
在尽量保留原图像信息的情况下，去除图像内噪声、降低细节层次信息等一系列过程，被叫做图像的平滑处理（或者叫图像的模糊处理），本节将介绍均值滤波器、中值滤波器、高斯滤波器和双边滤波器的使用方法！
点云上采样及高斯滤波
weixin_56004792的博客
02-04 893
点云进行上采样增加点云的密度
高斯函数及高斯滤波器
贾路飞的博客
07-02 3万+
1 一维高斯分布 1.1 一维高斯分布的定义 若连续型随机变量X的概率密度为： 其中，为常数，则称X服从参数为，的正态分布或高斯分布，记为 1.2 一维高斯分布的曲线 横轴表示可能的取值x，竖轴表示概率分布密度F(x)，那么不难理解这样一个曲线与x轴围...
高斯滤波器
qq_43428929的博客
11-04 3787
图像噪声（image noise）是图像中一种亮度或颜色信息的随机变化(被拍摄物体本身并没有)，通常是电子噪声的表现。它一般是由扫描仪或数码相机的传感器和电路产生的，也可能是受胶片颗粒或者理想光电探测器中不可避免的的散粒噪声影响产生的。图像噪声是图像拍摄过程中不希望存在的副产品，给图像带来了错误和额外的信息。 图像噪声的强度范围可以从具有良好光照条件的数字图片中难以察觉的微小的噪点，到光学天文学或射电天文学中几乎满画幅的噪声，在这种情况下(图像中的噪声水平过高，以至于无法确定其中的目标是什么)，只能通过非常
PCL 中点云高斯滤波的计算原理
最新发布
点云侠的博客
05-20 912
由于网上对点云高斯滤波的描述较少，博客和知网上的大量论文直接用统计滤波的算法原理用来描述高斯滤波，使计算原理与PCL中点云高斯滤波代码的计算过程差别较大。因此，写下该文章进行科普。
高斯滤波简介
苦逼的程序猿
12-17 1万+
高斯滤波，这是一个建立在高斯正态分布基础上的滤波器。 一维高斯函数 可以看到，G(x)的跟sigma的取值有极大的关系。 sigma取值越大，图像越平缓 sigma取值越小，图像越尖锐 从以上描述中我们可以看出，高斯滤波模板中最重要的参数就是高斯分布的标准差σ。它代表着数据的离散程度，如果σ较小，那么生成的模板中心系数越大，而周围的系数越小，这样对图像的平滑效果就不是很明显；相反，σ较大时，则生成的模板的各个系数相差就不是很大，比较类似于均值模板，对图像的平滑效果就比较明...
Opencv-图像噪声（均值滤波、高斯滤波、中值滤波）
qq_53545309的博客
09-22 5291
Opencv-图像噪声（均值滤波、高斯滤波、中值滤波）
高斯平滑 高斯模糊 高斯滤波器 ( Gaussian Smoothing, Gaussian Blur, Gaussian Filter ) C++ 实现
lphbtm的专栏
03-23 1万+
发展到现在这个平滑算法的时候, 我已经完全不知道如何去命名这篇文章了, 只好罗列出一些关键字来方便搜索了. 在之前我们提到过了均值滤波器, 就是说某像素的颜色, 由以其为中心的九宫格的像素平均值来决定. 在这个基础上又发展成了带权的平均滤波器, 这里的高斯平滑或者说滤波器就是这样一种带权的平均滤波器. 那么这些权重如何分布呢? 我们先来看几个经典的模板例子: 尝试了使用
高斯滤波的实现,高斯滤波原理,matlab
09-10
实现高斯滤波，利用高斯高通和低通滤波对图像实现平滑处理，通过RGB融合之后实现彩色图像的高斯滤波，并且实现二个图像的融合
高斯滤波的FPGA实现 fpga开发.pdf
04-22
高斯滤波的FPGA实现 高斯滤波是线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的去噪过程。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过...
图像处理（上）：四、图像的均值滤波、方框滤波和高斯滤波的原理及实现
01-21
常用的线性滤波：均值滤波、高斯滤波、盒子滤波、拉普拉斯滤波等等，通常线性滤波器之间只是模版系数不同。 非线性滤波：利用原始图像跟模版之间的一种逻辑关系得到结果，如最值滤波器，中值滤波器。比较常用的有...
数字图像处理（空域滤波）
03-14
数字图像处理，空域滤波的介绍及评估，参考资料。
高斯滤波的c++代码实现
01-19
分别利用一阶高斯与二阶高斯实现了图像的滤波算法，总体来说一阶高斯滤波会更加的快速
用matlab实现一维信号的中值、均值、高斯滤波
12-09
原信号为正弦信号，叠加高斯白噪声后，分别采用上述三种时域滤波方式对噪声进行滤除，可修改各滤波器的窗口大小。
一文了解高斯滤波器，附原理及实现过程
01-20
其作用原理和均值滤波器类似，都是取滤波器窗口内的像素的均值作为输出。其窗口模板的系数和均值滤波器不同，均值滤波器的模板系数都是相同的为1;而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小。所以...
PCL点云滤波算法实现
RSon的学习笔记
01-28 6084
通过非接触法测量设备获取物体的点云数据时，由于测量设备的精度，环境因素和被测物体的表面性质的影响，点云数据中不可避免会出现一些噪声点,噪声点对后续的点云拼接、曲面重构影响十分大。必须对其进行去噪处理。PCL中点云滤波模块提供了很多灵活实用的滤波处理算法，例如：双边滤波，高斯滤波，条件滤波，直通滤波，基于随机采样一致性滤波等等。 1、体素网格滤波VoxelGrid //主要代码 pcl::P...
图像滤波常见方法原理总结及VC下实现
奋斗斌斌的专栏
11-01 4万+
在进行图像目标识别与跟踪时，摄像机所采集的图像，在成像、数字化以及传输过程中，难免会受到各种各样噪声的干扰，图像的质量往往会出现不尽人意的退化，影响了图像的视觉效果。通常这些噪声干扰使得图像退化，表现为图像模糊，特征淹没，这会对图像分析产生不利，使所获得的图像质量较低。对这样的图像直接进行目标的识别与跟踪是比较困难的。抑制使图像退化的各种干扰信号、增强图像中的有用信号，以及将观测到的不同图像在同一
几种点云滤波的比较（一）
cape_NO_7的博客
04-19 1万+
一、PassThrough 滤波 #include <iostream> #include <pcl/io/pcd_io.h> #include <pcl/point_types.h> #include <pcl/filters/statistical_outlier_removal.h> #include <pcl/visualizati...
Gamma校正原理及实现
热门推荐
linqianbi的博客
11-23 8万+
gamma校正原理： 　　假设图像中有一个像素，值是 200 ，那么对这个像素进行校正必须执行如下步骤：  　　1. 归一化 ：将像素值转换为  0 ～ 1  之间的实数。 算法如下 : ( i + 0. 5)/256  这里包含 1 个除法和 1 个加法操作。对于像素  A  而言  , 其对应的归一化值为  0. 783203 。  　　2. 预补偿 ：根据公式  , 求出像素归一化
IIR型高斯滤波的原理及实现
05-21
IIR型高斯滤波器的原理是在IIR滤波器的基础上，将其传递函数变换为高斯函数，从而实现高斯滤波的效果。 实现IIR型高斯滤波器需要进行以下步骤： 1. 设计IIR滤波器的传递函数，一般采用巴特沃斯滤波器或切比雪夫...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值