1.从正态分布说起
高斯滤波使用的是高斯函数,即我们熟悉的正态分布的概率密度函数:
f
(
x
)
=
1
σ
2
π
e
x
p
(
−
(
x
−
μ
)
2
2
σ
2
)
f(x)=\frac{1}{\sigma \sqrt{2\pi}} exp(- \frac{(x - \mu)^2}{2 \sigma^2})
f(x)=σ2π1exp(−2σ2(x−μ)2)
我们生成的高斯模板就是从这个公式来的。例如要生成一个大小为3,标准差为1的模板,则只需要代公式计算(此处均值
μ
\mu
μ为0,不为0将其平移即可):
f
(
−
1
)
f(-1)
f(−1) 、
f
(
0
)
f(0)
f(0)、
f
(
1
)
f(1)
f(1)就可以得到模板的值了。
2.高斯滤波是如何实现的?
其实思想很简单,高斯分布的特点是在均值 μ \mu μ两边的概率都很大,离之越远的概率越小,所以高斯函数用在滤波上体现的思想就是:离某个点越近的点对其产生的影响越大,所以让其权重大,越远的产生的影响越小,让其权重越小。
举个例子,有如下一个序列,对其中的6进行操作,模板为[1,2,1]:
1 2 3 5 6 3 1 7 5 3 8
|
1 2 1
那么结果为: ( 5 ∗ 1 + 6 ∗ 2 + 3 ∗ 1 ) / ( 1 + 2 + 1 ) = 5 (5*1+6*2+3*1)/(1+2+1)=5 (5∗1+6∗2+3∗1)/(1+2+1)=5 ,对每个数据都进行这样的操作,就是所谓的高斯滤波了。
有一个问题,如果是开头和结尾怎么办?
一种做法是补0:
0 1 2 3 5 6 3 1 7 5 3 8
|
1 2 1
另一种做法就是不让模板超出信号的范围,此处采用后一种做法。
3.matlab代码
高斯滤波函数Gaussianfilter
:
% 功能:对一维信号的高斯滤波,头尾r/2的信号不进行滤波
% r :高斯模板的大小推荐奇数
% sigma :标准差
% y :需要进行高斯滤波的序列
function y_filted = Gaussianfilter(r, sigma, y)
% 生成一维高斯滤波模板
GaussTemp = ones(1,r*2-1);
for i=1 : r*2-1
GaussTemp(i) = exp(-(i-r)^2/(2*sigma^2))/(sigma*sqrt(2*pi));
end
% 高斯滤波
y_filted = y;
for i = r : length(y)-r+1
y_filted(i) = y(i-r+1 : i+r-1)*GaussTemp';
end
测试代码:
% 测试数据
x = 1:50;
y = x + rand(1,50)*10;
% 设置高斯模板大小和标准差
r = 3;
sigma = 1;
y_filted = Gaussianfilter(r, sigma, y);
% 作图对比
plot(x, y, x, y_filted);
title('高斯滤波');
legend('滤波前','滤波后','Location','northwest')
如何使用?
新建2个m文件,一个命名为Gaussianfilter
,把第一段代码复制进去;另一个命名为testgauss
,把第二段代码复制进去,保存。在testgauss中点击运行
按钮,即可看到结果。
结果: