Canny边缘检测Step1——二维高斯滤波

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：