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 ) = 1 2 π σ 2 e − x 2 + y 2 2 σ 2 G(x,y)=\frac{1}{2\pi\sigma^2}e^-\frac{x^2+y^2}{2\sigma^2} G(x,y)=2πσ21e2σ2x2+y2
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。
在这里插入图片描述
在这里插入图片描述
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。
在这里插入图片描述

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。
在这里插入图片描述
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 ) = 1 2 π σ 2 e − i 2 + i 2 2 σ 2 H(i,i)=\frac{1}{2\pi\sigma^2}e^-\frac{i^2+i^2}{2\sigma^2} H(i,i)=2πσ21e2σ2i2+i2
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:
在这里插入图片描述
可以严格证明,一个2

  • 6
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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