高斯模糊(高斯滤波)原理以及计算过程

高斯模糊/高斯滤波

通常，图像处理软件会提供模糊滤镜，使图片产生模糊效果。

模糊的算法有很多，其中有一种叫高斯模糊(Gaussian Blur)，它将正态分布用于图像处理。
文本介绍了高斯模糊的算法，你会看到这是一个非常简单易懂的算法。本质上，它是一种数据平滑技术(data smoothing)，适用于多个场合，图像处理恰好提供了一个直观的应用实例。

高斯模糊的原理

所谓模糊，可以理解成每一个像素都取周边像素的平均值。

上图中，2是中间点，周边点都是1.

中间点取周围点的平均值之后，就会从2变成了1.在数值上，这是一种平滑化。在图形上，就相当于产生模糊的效果，中间点失去了细节。

显然计算平均值时，取值范围越大，模糊效果越强烈。

上面分别是原图、模糊半径3像素，模糊半径10像素的效果。模糊半径越大，图像就越模糊。从数值角度来看，就是数值越平滑。

接下来的问题是，既然每个点都要取周边像素的平均值，那么该如何分配权重呢？
如果使用简单平均，显然是不合理的，因为图像都是连续的，越靠近的点关系越密切，越远离的点关系就越疏远。因此，加权平均更合理，距离越近的点，权重就越大，距离越远的点，权重就越小。

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

上面的正态分布是一维的，但是图像都是二维的，因此我们需要二维的正态分布。

正态分布的密度函数叫做高斯函数，下面是一维高斯函数的公式：

$$G(x)=\sqrt{2\pi }$$