C++实现二维高斯滤波

C++实现二维高斯滤波

高斯滤波器

高斯滤波器是一种常用于图像处理和计算机视觉领域的平滑滤波器。它利用高斯函数来对图像中的像素进行加权平均，以达到降低噪声和细节平滑的目的。

高斯滤波器的应用

1. 去噪：通过平滑图像中的像素，可以减少随机噪声的影响，提高图像质量。
2. 尺度空间变换：通过在不同的尺度下应用高斯滤波器，可以检测不同大小的图像结构，例如边缘、斑点等。
3. 图像预处理：在一些计算机视觉任务中，如特征提取或目标检测之前，对图像进行平滑可以提高后续算法的稳定性和准确性。

N维高斯分布

N维高斯分布（或多维高斯分布）是一个在N维空间中定义的概率分布函数，也被称为多元正态分布。它是一种常见的统计分布，用于描述多个随机变量的联合分布，具有许多重要的数学和统计性质。
N维高斯分布的概率密度函数表达式如下:

$$f(\mathbf{x})=\frac{1}{(2\pi {)}^{N/2}|\Sigma {|}^{1/2}}{e}^{-\frac{1}{2}(\mathbf{x}-\mu {)}^T{\Sigma }^{-1}(\mathbf{x}-\mu )}$$

• $x=[x_1,x_2,x_3\dots x_N{]}^T$是一个N维列向量，表示随机变量的取值
• $\mu =[{\mu }_1,{\mu }_2,{\mu }_3\dots {\mu }_N{]}^T$是一个N维列向量，表示均值向量
• $\Sigma$是一个N维协方差矩阵，描述各个随机变量之间的关系
  高斯分布的性质：

1. 中心对称性：类似于一维和二维高斯分布，N维高斯分布也是中心对称的，均值 μ 是分布的中心。
2. 尺度控制：协方差矩阵 Σ 决定了分布的形状和尺度，不同的 Σ 会导致不同的椭球形状。
3. 关联性：协方差矩阵描述了随机变量之间的关系。如果协方差矩阵的元素为0，表示随机变量相互独立

协方差

协方差是一种用来度量两个随机变量之间关系的统计量，它描述了这两个变量的变化趋势是否一致。具体来说，协方差表示的是两个随机变量偏离各自均值的程度的乘积的期望。
对两个随机变量X和Y，两者之间的协方差:
$$Cov(X,Y)=E[(X-E[X])(E(Y-E[Y])]$$
协方差的性质：

1. 正相关和负相关：如果 X 偏大时，Y 也偏大，或者 X 偏小时，Y 也偏小，那么协方差为正值，表示正相关。反之，如果 X 偏大时，Y 偏小，或者 X 偏小时，Y 偏大，那么协方差为负值，表示负相关。
2. 无关性和独立性：如果两个变量的协方差接近于0，不能确定它们是否无关或独立。协方差为0只是表示它们的线性关系较弱，但不代表完全独立。
3. 尺度影响：协方差的值受变量尺度的影响。因为协方差是由变量与其均值之间的偏差乘积计算得出的，所以变量的单位会影响协方差的大小。为了消除这种影响，通常会使用相关系数来度量变量之间的关系，相关系数是协方差除以两个变量的标准差的乘积。

二维高斯分布

设$x=[x_1,x_2],u=[u_1,u_2],{\sigma }^2=[{\sigma }_1^2,{\sigma }_2^2]$为该向量的参数
计算各个变量之间得协方差如下：

$$Cov(x1,x1)=E[(x_1-u_1)(x_1-u_1)]={\sigma }_1^2$$

假设$x_1和x_2$相互独立：

$$Cov(x_1,x_2)=0$$
则协方差矩阵是：
$$\left\{\begin{array}{cc}{\sigma }_1^2& 0\\ 0& {\sigma }_2^2\end{array}\right\}$$

带入N维高斯分布得：
$$f(x)=\frac{1}{2\pi {\sigma }_1{\sigma }_2}\exp [-\frac{1}{2}\left(\frac{(x_1-u_1{)}^2}{{\sigma }_1^2}+\frac{(x_2-u_2{)}^2}{{\sigma }_2^2}\right)]$$

高斯滤波器

对于二维矩阵，可以设计如下高斯滤波器（该滤波器中在$x_1和x_2$变量得均值为0，方差相等）：
$$f(x)=\frac{1}{2\pi {\sigma }^2}\exp \left[-\frac{x_1^2+x_2^2}{2{\sigma }^2}\right]$$
C++设计高斯滤波器：

    double gaussian(double x, double y, double sigma){
         return exp(-(x*x + y*y)/(2*sigma*sigma))*(1/(2*M_PI*sigma*sigma));
    }

对二维数据进行滤波：

 void gaussianfilter2D(vector<vector<double>>& data_input, vector<vector<double>>& data_output,double sigma)
    {
        int radius = static_cast<int>(3*sigma);
        int size = 2 * radius + 1;
        double value = 0.0;
        int nx = data_input.size();
        int nt = data_input[0].size();
        // 初始化一个高斯滤波器
        vector<vector<double>> kernel(size, vector<double>(size));
    
        // 获取高斯滤波器
        double sum = 0.0;
        for(int i = -radius; i <= radius; i++){
            for(int j = -radius; j <= radius; j++){
                kernel[j + radius][j + radius] = gaussian(i, j, sigma);
                sum += kernel[i + radius][j + radius];
            }
        }
        for(int i = 0; i < size; i++){
            for(int j = 0; j < size; j++){
                kernel[i][j] /= sum;
            }
        }
        for(int i = radius; i < nx - radius; i++){
            for(int j = radius; j < nt - radius; j++){
                value = 0.0;
                for(int m = -radius; m <= radius; m++){
                    for(int n = -radius; n <= radius; n++){
                        value += kernel[m + radius][n + radius] * data_input[i + m][j + n];
                    }
                }
                data_output[i][j] = value;
            }
        }
    }