一、背景知识
高斯滤波器是一种线性滤波器,能够有效的抑制噪声,平滑图像。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1,而高斯滤波器的模板系数,则随着远离模板中心而减小。所以,高斯滤波器相对均值滤波器而言对图像的模糊程度较小。高斯滤波对图像邻域内像素进行平滑时,邻域内不同位置的像素被赋予不同的权值,对图像进行平滑的同时,同时能够更多的保留图像的总体灰度分布特征。
二维高斯函数如下:
其中(x,y)为点坐标,在图像处理中可认为是整数,σ是标准差。要想得到一个高斯滤波器的核,可以对高斯函数进行离散化,将得到的离散高斯函数值作为高斯核的系数。设我们需要的高斯核尺寸为ksize = 2k+1,则二维高斯核中各个系数值为:
经过多次调参,我发现sigma = 2时滤波平滑效果较好。由于高斯函数图像形如钟型曲线,当核尺寸与sigma的比值为3时,已经包含约99%的图像信息,故我选择设置高斯核尺寸ksize = 7。
由此生成的7×7二维高斯核如下图所示:
二、Matlab实现代码(函数形式)
% 自编二维高斯滤波函数,image是需要滤波的图象,ksize是二维高斯滤波器模板尺寸,sigma是方差
function output=Gauss_filter(image,ksize,sigma)
% 计算图象中心位置
k=floor((ksize-1)/2);
% 先初始化
gauss_kernel = zeros(ksize,ksize);
% 生成二维离散高斯卷积核(尺寸为ksize×ksize)
for i=1:ksize
for j=1:ksize
% 将二维高斯函数离散化
gauss_kernel(i,j) = exp(-((i-k-1)^2+(j-k-1)^2)/(2*sigma.^2))/(2*pi*sigma.^2);
end
end
% 用生成的离散高斯卷积核对图像进行卷积,实现二维高斯滤波
result=conv2(image,gauss_kernel,'same');
output=uint8(result);
end
三、实验结果
用上面生成的离散高斯核对图像进行卷积,即可实现二维高斯滤波。
原始图像选择加了噪声的lena小姐姐:
高斯滤波结果如下图所示: