数字图像处理学习笔记（六）平均滤波，高斯滤波（C++语言）

参考文献：数字图像处理（第三版）（第四版）   美Rafael，C.，Gonzalez（拉斐尔，C.，冈萨雷斯） 著

参考博客：https://www.cnblogs.com/wangguchangqing/p/6407717.html

全代码地址：https://mp.csdn.net/postedit/100053767

 平均滤波与高斯滤波，他们都是低通滤波的一种（使图像模糊化，原理就是是相邻像素变化没那么剧烈，使你看到的相互邻接的像素就比较接近了）。我个人认为高斯滤波中心权重比较大，所以模糊效果相对来说不如均值滤波。网上的很多原理教程讲的真的很好。在下水平不够，只会用一句简单的话来说，从数学角度，其实就是拿卷积内核，对每个像素做卷积运算。那么就涉及到几个步骤。

步骤一：内核的产生

这个非常简单，平均滤波就是用1.0除总大小就行。（注意1.0，浮点数）

for(int i=0;i<kernel_side_length;++i)
		for (int j = 0; j < kernel_side_length; ++j)
		{
			kernel[i][j] =1.0/(kernel_side_length*kernel_side_length);
			//printf("% f", kernel[i][j]);
		}

高斯滤波，这个也不难，如果你不去推高斯分布公式的话。简单说一下就是，归一化的高斯分布，这是个权重问题。还是看上文的播客吧。不建议直接代工式产生内核，还是大概查一下资料。

void Bmp::produce_gauss_martix(double **gauss_martix,const int kernel_side_length,const double variance)const
{
	double index;
	double sum=0.0;
	index=1.0/(2*PI*variance);
	for(int i=0;i<kernel_side_length;++i)
		for(int j=0;j<kernel_side_length;++j)
		{
			gauss_martix[i][j]=index*exp((-1.0)*((i-kernel_side_length/2)*(i-kernel_side_length/2)+(j-kernel_side_length/2)*(j-kernel_side_length/2))/2*variance);
			sum += gauss_martix[i][j];
		}//代高斯分布公式
	for (int i = 0; i < kernel_side_length; ++i)
		for (int j = 0; j < kernel_side_length; ++j)
		{
			gauss_martix[i][j] /=sum;
		}//归一化
}

步骤二：零扩展

有点像迷宫老鼠的思想，比如你（0，0）这个位置的像素，没有邻居，拿卷积内核怎么卷积呢？这时候就往外拓展n圈层0，这个n圈层，是根据你的内核大小来的。比如如果你5x5的内核，那你就拓展两层0。（这里就是说你要开辟一段新的内存空间了）这里要提醒一下对外圈赋值0的问题，最简单粗暴的方法是先把申请的空间元素全部弄成0，然后再填像素。我没这么干，然后调试了好久。（注意要找映射关系，你可以拿笔画画，也可边调试边推）

空间申请：

	pixel_zero=new byte**[heigth+kernel_side_length-1];
	for(int i=0;i< heigth+kernel_side_length-1;++i)
		pixel_zero[i]=new byte*[width+kernel_side_length-1];
	for(int i=0;i< heigth+kernel_side_length-1;++i)
		for(int j=0;j< width+kernel_side_length-1;++j)
			pixel_zero[i][j]=new byte[byte_count];//为补0像素申请空间

补0：

void Bmp::supply_zero(byte ***pixel_zero,const int kernel_side_length)const
{
	for(int i=0;i<heigth+ kernel_side_length-1;++i)
	{
		for(int j=0;j<kernel_side_length/2;++j)
			for(int k=0;k<byte_count;++k)
			{
				pixel_zero[i][j][k]=0;
			}
	}//左边列
	for(int i=0;i<heigth+kernel_side_length - 1;++i)
	{
		for(int j=width+ kernel_side_length / 2;j<width+kernel_side_length-1;++j)
			for(int k=0;k<byte_count;++k)
			{
				//printf("%d\n",j);
				pixel_zero[i][j][k]=0;
			}
	}//右边列
	for(int i=0;i<width + kernel_side_length - 1;++i)
	{
		for(int j=0;j<kernel_side_length/2;++j)
			for(int k=0;k<byte_count;++k)
			{
				pixel_zero[j][i][k]=0;
			}
	}//上边行.注意j代表行
	for(int i=0;i<width + kernel_side_length - 1;++i)
	{
		for(int j=heigth+ kernel_side_length / 2;j<heigth+kernel_side_length-1;++j)
			for(int k=0;k<byte_count;++k)
			{
				pixel_zero[j][i][k]=0;
			}
	}//下边行.注意j代表行
	for(int i=0;i<heigth;++i)
		for (int j = 0; j < width; ++j)
			for(int k=0;k<byte_count;++k)
			{
				pixel_zero[i+kernel_side_length/2][j+ kernel_side_length / 2][k]=pixel[i][j][k];
			}//为0扩展像素矩阵赋值
}

步骤三：卷积运算

卷积运算，就是把一堆乘法加起来。（你要特别注意，RGB是三通道的，你要分开来算）。

void Bmp::convolution (byte***pixel_zero,double **kernel,const int kernel_side_length)const
{
	double red_sum;
	double green_sum;
	double blue_sum;
	for(int i=0;i<heigth;++i)
		for (int j = 0; j < width;++j)
			{
				red_sum=green_sum=blue_sum=0;
				for(int m=0;m<kernel_side_length;++m)
				{
					for(int n=0;n<kernel_side_length;++n)
					{
						red_sum+=kernel[m][n]*pixel_zero[i+m][j+n][0];
						green_sum+=kernel[m][n]*pixel_zero[i+m][j+n][1];
						blue_sum+=kernel[m][n]*pixel_zero[i+m][j+n][2];
					}
				}
				pixel_temp[i][j][0]=red_sum;
				pixel_temp[i][j][1]=green_sum;
				pixel_temp[i][j][2]=blue_sum;
			}
}

展示：

均值滤波

原图像

9x9均值滤波后

9x9方差为1.0高斯滤波后