原理
周边像素的平均值
"模糊",就是将图像中每个像素值进行重置的过程,这个过程采用将每一个像素都设置成周边像素的平均值。
![](https://i-blog.csdnimg.cn/blog_migrate/afb3c762067104cc0fe25e8536c3e2f6.webp?x-image-process=image/format,png)
上图中,2是中间点,周边点都是1。假设周边的点对中间点的影响都是相同的,即构造的卷积算子如下:
![](https://i-blog.csdnimg.cn/blog_migrate/d98babde855b96278f2cbf2884769a1d.webp?x-image-process=image/format,png)
然后计算求和:
![](https://i-blog.csdnimg.cn/blog_migrate/afb3c762067104cc0fe25e8536c3e2f6.webp?x-image-process=image/format,png)
上图中,2是中间点,周边点都是1。假设周边的点对中间点的影响都是相同的,即构造的卷积算子如下:
![](https://i-blog.csdnimg.cn/blog_migrate/d98babde855b96278f2cbf2884769a1d.webp?x-image-process=image/format,png)
然后计算求和:
![](https://i-blog.csdnimg.cn/blog_migrate/85c8caffc670c2cc92e60578d44313cc.webp?x-image-process=image/format,png)
将图中‘2’置为:
![](https://i-blog.csdnimg.cn/blog_migrate/4a72719f58e5e1f33c3dcf3eec10cfec.webp?x-image-process=image/format,png)
"中间点"取"周围点"的平均值,变成10/9。在数值上,这是一种"平滑化"。在图形上,就相当于产生"模糊"效果,"中间点"失去细节。
显然,计算平均值时,取值范围越大,"模糊效果"越强烈。如下三幅图,分别表示原图,3X3和5X5的模糊效果图。
![](https://i-blog.csdnimg.cn/blog_migrate/c5888e71f2cf4afa6ce7b14b48af6790.webp?x-image-process=image/format,png)
![](https://i-blog.csdnimg.cn/blog_migrate/77387f8543a6a971a5637c8ff2bd17d8.webp?x-image-process=image/format,png)
![](https://i-blog.csdnimg.cn/blog_migrate/809587488bf9039036df7d9afe96f155.webp?x-image-process=image/format,png)
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。
正态分布的权重
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。
高斯函数
![](https://i-blog.csdnimg.cn/blog_migrate/cf6971039ccbcfe23a763c7b060f08f1.webp?x-image-process=image/format,png)
正态分布的密度函数叫做"高斯函数"(Gaussian function)。它的一维形式是:
![](https://i-blog.csdnimg.cn/blog_migrate/0477680a2c00ecf45e252fd955eef89f.webp?x-image-process=image/format,png)
其中,μ是x的均值,σ是x的方差。因为计算平均值的时候,中心点就是原点,所以μ等于0。
![](https://i-blog.csdnimg.cn/blog_migrate/c3f62011590edd6915a480bc9212f1bd.webp?x-image-process=image/format,png)
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。
![](https://i-blog.csdnimg.cn/blog_migrate/39147b0e2efc12c49e9448e7ed89e37a.webp?x-image-process=image/format,png)
![](https://i-blog.csdnimg.cn/blog_migrate/ad413d5e402809bdd918c6fa10747bea.webp?x-image-process=image/format,png)
有了这个函数 ,就可以计算每个点的权重了。
权重矩阵
假定中心点的坐标是(0,0),那么距离它最近的8个点的坐标如下:
![](https://i-blog.csdnimg.cn/blog_migrate/5dcd6d721e1e9313f8ae468142affdb5.webp?x-image-process=image/format,png)
更远的点以此类推。
为了计算权重矩阵,需要设定σ的值。假定σ=1.5,则模糊半径为1的权重矩阵如下:
![](https://i-blog.csdnimg.cn/blog_migrate/51697390500e97fcfad69a821be45321.webp?x-image-process=image/format,png)
这9个点的权重总和等于0.4787147,如果只计算这9个点的加权平均,还必须让它们的权重之和等于1,因此上面9个值还要分别除以0.4787147,得到最终的权重矩阵。
![](https://i-blog.csdnimg.cn/blog_migrate/888a8700ff932399dde089d2312ea888.webp?x-image-process=image/format,png)
计算高斯模糊
有了权重矩阵,就可以计算高斯模糊的值了。假设现有9个像素点,灰度值(0-255)如下:
![](https://i-blog.csdnimg.cn/blog_migrate/15d8d6e4f869994122d1d9965d08edb8.webp?x-image-process=image/format,png)
每个点乘以自己的权重值:
![](https://i-blog.csdnimg.cn/blog_migrate/7a8beef5567741d6947a2ebb15aa42c0.webp?x-image-process=image/format,png)
得到
![](https://i-blog.csdnimg.cn/blog_migrate/d6129333ab7e65f4ba31462f5923b5d0.webp?x-image-process=image/format,png)
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。
![](https://i-blog.csdnimg.cn/blog_migrate/afb3c762067104cc0fe25e8536c3e2f6.webp?x-image-process=image/format,png)
上图中,2是中间点,周边点都是1。假设周边的点对中间点的影响都是相同的,即构造的卷积算子如下:
![](https://i-blog.csdnimg.cn/blog_migrate/d98babde855b96278f2cbf2884769a1d.webp?x-image-process=image/format,png)
然后计算求和:
![](https://i-blog.csdnimg.cn/blog_migrate/85c8caffc670c2cc92e60578d44313cc.webp?x-image-process=image/format,png)
将图中‘2’置为:
![](https://i-blog.csdnimg.cn/blog_migrate/4a72719f58e5e1f33c3dcf3eec10cfec.webp?x-image-process=image/format,png)
"中间点"取"周围点"的平均值,变成10/9。在数值上,这是一种"平滑化"。在图形上,就相当于产生"模糊"效果,"中间点"失去细节。
显然,计算平均值时,取值范围越大,"模糊效果"越强烈。如下三幅图,分别表示原图,3X3和5X5的模糊效果图。
![](https://i-blog.csdnimg.cn/blog_migrate/c5888e71f2cf4afa6ce7b14b48af6790.webp?x-image-process=image/format,png)
![](https://i-blog.csdnimg.cn/blog_migrate/77387f8543a6a971a5637c8ff2bd17d8.webp?x-image-process=image/format,png)
![](https://i-blog.csdnimg.cn/blog_migrate/809587488bf9039036df7d9afe96f155.webp?x-image-process=image/format,png)
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。
正态分布的权重
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。
高斯函数
![](https://i-blog.csdnimg.cn/blog_migrate/cf6971039ccbcfe23a763c7b060f08f1.webp?x-image-process=image/format,png)
正态分布的密度函数叫做"高斯函数"(Gaussian function)。它的一维形式是:
![](https://i-blog.csdnimg.cn/blog_migrate/0477680a2c00ecf45e252fd955eef89f.webp?x-image-process=image/format,png)
其中,μ是x的均值,σ是x的方差。因为计算平均值的时候,中心点就是原点,所以μ等于0。
![](https://i-blog.csdnimg.cn/blog_migrate/c3f62011590edd6915a480bc9212f1bd.webp?x-image-process=image/format,png)
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。
![](https://i-blog.csdnimg.cn/blog_migrate/39147b0e2efc12c49e9448e7ed89e37a.webp?x-image-process=image/format,png)
![](https://i-blog.csdnimg.cn/blog_migrate/ad413d5e402809bdd918c6fa10747bea.webp?x-image-process=image/format,png)
有了这个函数 ,就可以计算每个点的权重了。
权重矩阵
假定中心点的坐标是(0,0),那么距离它最近的8个点的坐标如下:
![](https://i-blog.csdnimg.cn/blog_migrate/5dcd6d721e1e9313f8ae468142affdb5.webp?x-image-process=image/format,png)
更远的点以此类推。
为了计算权重矩阵,需要设定σ的值。假定σ=1.5,则模糊半径为1的权重矩阵如下:
![](https://i-blog.csdnimg.cn/blog_migrate/51697390500e97fcfad69a821be45321.webp?x-image-process=image/format,png)
这9个点的权重总和等于0.4787147,如果只计算这9个点的加权平均,还必须让它们的权重之和等于1,因此上面9个值还要分别除以0.4787147,得到最终的权重矩阵。
![](https://i-blog.csdnimg.cn/blog_migrate/888a8700ff932399dde089d2312ea888.webp?x-image-process=image/format,png)
计算高斯模糊
有了权重矩阵,就可以计算高斯模糊的值了。假设现有9个像素点,灰度值(0-255)如下:
![](https://i-blog.csdnimg.cn/blog_migrate/15d8d6e4f869994122d1d9965d08edb8.webp?x-image-process=image/format,png)
每个点乘以自己的权重值:
![](https://i-blog.csdnimg.cn/blog_migrate/7a8beef5567741d6947a2ebb15aa42c0.webp?x-image-process=image/format,png)
得到
![](https://i-blog.csdnimg.cn/blog_migrate/d6129333ab7e65f4ba31462f5923b5d0.webp?x-image-process=image/format,png)
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。
原文地址:http://www.jianshu.com/p/302a895c12dd
![](https://i-blog.csdnimg.cn/blog_migrate/afb3c762067104cc0fe25e8536c3e2f6.webp?x-image-process=image/format,png)
上图中,2是中间点,周边点都是1。假设周边的点对中间点的影响都是相同的,即构造的卷积算子如下:
![](https://i-blog.csdnimg.cn/blog_migrate/d98babde855b96278f2cbf2884769a1d.webp?x-image-process=image/format,png)
然后计算求和:
![](https://i-blog.csdnimg.cn/blog_migrate/85c8caffc670c2cc92e60578d44313cc.webp?x-image-process=image/format,png)
将图中‘2’置为:
![](https://i-blog.csdnimg.cn/blog_migrate/4a72719f58e5e1f33c3dcf3eec10cfec.webp?x-image-process=image/format,png)
"中间点"取"周围点"的平均值,变成10/9。在数值上,这是一种"平滑化"。在图形上,就相当于产生"模糊"效果,"中间点"失去细节。
显然,计算平均值时,取值范围越大,"模糊效果"越强烈。如下三幅图,分别表示原图,3X3和5X5的模糊效果图。
![](https://i-blog.csdnimg.cn/blog_migrate/c5888e71f2cf4afa6ce7b14b48af6790.webp?x-image-process=image/format,png)
![](https://i-blog.csdnimg.cn/blog_migrate/77387f8543a6a971a5637c8ff2bd17d8.webp?x-image-process=image/format,png)
![](https://i-blog.csdnimg.cn/blog_migrate/809587488bf9039036df7d9afe96f155.webp?x-image-process=image/format,png)
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。
正态分布的权重
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。
高斯函数
![](https://i-blog.csdnimg.cn/blog_migrate/cf6971039ccbcfe23a763c7b060f08f1.webp?x-image-process=image/format,png)
正态分布的密度函数叫做"高斯函数"(Gaussian function)。它的一维形式是:
![](https://i-blog.csdnimg.cn/blog_migrate/0477680a2c00ecf45e252fd955eef89f.webp?x-image-process=image/format,png)
其中,μ是x的均值,σ是x的方差。因为计算平均值的时候,中心点就是原点,所以μ等于0。
![](https://i-blog.csdnimg.cn/blog_migrate/c3f62011590edd6915a480bc9212f1bd.webp?x-image-process=image/format,png)
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。
![](https://i-blog.csdnimg.cn/blog_migrate/39147b0e2efc12c49e9448e7ed89e37a.webp?x-image-process=image/format,png)
![](https://i-blog.csdnimg.cn/blog_migrate/ad413d5e402809bdd918c6fa10747bea.webp?x-image-process=image/format,png)
有了这个函数 ,就可以计算每个点的权重了。
权重矩阵
假定中心点的坐标是(0,0),那么距离它最近的8个点的坐标如下:
![](https://i-blog.csdnimg.cn/blog_migrate/5dcd6d721e1e9313f8ae468142affdb5.webp?x-image-process=image/format,png)
更远的点以此类推。
为了计算权重矩阵,需要设定σ的值。假定σ=1.5,则模糊半径为1的权重矩阵如下:
![](https://i-blog.csdnimg.cn/blog_migrate/51697390500e97fcfad69a821be45321.webp?x-image-process=image/format,png)
这9个点的权重总和等于0.4787147,如果只计算这9个点的加权平均,还必须让它们的权重之和等于1,因此上面9个值还要分别除以0.4787147,得到最终的权重矩阵。
![](https://i-blog.csdnimg.cn/blog_migrate/888a8700ff932399dde089d2312ea888.webp?x-image-process=image/format,png)
计算高斯模糊
有了权重矩阵,就可以计算高斯模糊的值了。假设现有9个像素点,灰度值(0-255)如下:
![](https://i-blog.csdnimg.cn/blog_migrate/15d8d6e4f869994122d1d9965d08edb8.webp?x-image-process=image/format,png)
每个点乘以自己的权重值:
![](https://i-blog.csdnimg.cn/blog_migrate/7a8beef5567741d6947a2ebb15aa42c0.webp?x-image-process=image/format,png)
得到
![](https://i-blog.csdnimg.cn/blog_migrate/d6129333ab7e65f4ba31462f5923b5d0.webp?x-image-process=image/format,png)
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。