图像处理学习笔记之空间滤波（4）高斯滤波

高斯函数

高斯滤波器是也一种线性滤波器，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；而高斯滤波器根据高斯分布来确定各模板得系数，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。
二维高斯函数如下：
$$G(x,y)=\frac{1}{2\pi {\sigma }^2}{e}^{-}\frac{x^2+y^2}{2{\sigma }^2}$$
其中（x,y）为点坐标，在图像中为整数，σ是标准差。标准差代表着数据的离散程度，如下图所示，σ越大，高斯函数越平滑，数据的离散程序越大。对于图像滤波来说，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。σ值的确定依赖于问题背景，需要具体问题具体分析。


从上图可以看出：
（1）在核大小固定的情况下，sigma值越大，权值分布越平缓。因此，邻域各个点的值对输出值的影响越大，最终结果造成图像越模糊。
（2）在核大小固定的情况下，sigma值越小，权值分布越突起。因此，邻域各个点的值对输出值的影响越小，图像变化也越小。假如中心点权值为1，其他点权值为0，那么最终结果是图像没有任何变化。
（3）sigma固定时，核越大图像越模糊。
（4）sigma固定时，核越小图像变化越小。
相比于图像的简单平滑，高斯滤波效率要低一些，在离散型噪声的消除方面，高斯滤波的效果并不理想。然而如果要对图像的总体特征进行提取和增强时，高斯滤波相对就具有很大的优势。下图对比了图像的简单滤波和高斯滤波的处理差异，图（a）表示了一个5×5邻域内的像素灰度分布情况，从图中可以看出此邻域内有两处灰度较高的亮度。图（b）对图（a）进行3×3邻域线性滤波的结果，从图（b）中可以看出，原图像中的两处亮点被连接在了一起，失去了原图像的特征，图（c）为对图（a）进行3×3邻域高斯滤波的结果，可以发现图（c）中依然保留着原图像的特征。

高斯模板

标准差σ确定后，就可以确定模板的大小。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。在区间(μ−σ,μ+σ)范围内的面积占曲线下总面积的68%，(μ−2σ,μ+2σ)范围占95%，(μ−3σ,μ+3σ)范围占99.7%，一般3σ外的数值已接近于0，可以忽略。半径为3σ即窗口大小为6σ×6σ即可，通常取最近的奇数。

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。对于模板的大小为 (2k+1)×(2k+1)，模板中各个元素值的计算公式如下：
$$H(i,i)=\frac{1}{2\pi {\sigma }^2}{e}^{-}\frac{i^2+i^2}{2{\sigma }^2}$$
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，然后进行归一化处理；
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。
例如，大小为3×3,σ=0.8的模板系数计算过程如下：

可以严格证明，一个2-D的高斯卷积可分解为顺序执行的两个1-D高斯卷积，即一个2-D高斯平均模板可拆分成两个1-D高斯平均模板。例如：
1 16 [