python一维平滑滤波_高斯滤波器的原理及其实现过程（附模板代码）

本文主要介绍了高斯滤波器的原理及其实现过程 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。其作用原理和均值滤波器类似，都是取滤波器窗口内的像素的均值作为输出。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相同的为1;而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小。所以，高斯滤波器相比于均值滤波器对图像个模糊程度较小。 什么是高斯滤波器 既然名称为高斯滤波器，那么其和高斯分布(正态分布)是有一定的关系的。一个二维的高斯函数如下： 其中(x,y)(x,y)为点坐标，在图像处理中可认为是整数;σσ是标准差。要想得到一个高斯滤波器的模板，可以对高斯函数进行离散化，得到的高斯函数值作为模板的系数。例如：要产生一个3×33×3的高斯滤波器模板，以模板的中心位置为坐标原点进行取样。模板在各个位置的坐标，如下所示(x轴水平向右，y轴竖直向下) 这样，将各个位置的坐标带入到高斯函数中，得到的值就是模板的系数。 对于窗口模板的大小为(2k+1)×(2k+1)，模板中各个元素值的计算公式如下： 这样计算出来的模板有两种形式：小数和整数。

• 小数形式的模板，就是直接计算得到的值，没有经过任何的处理;

• 整数形式的，则需要进行归一化处理，将模板左上角的值归一化为1，下面会具体介绍。使用整数的模板时，需要在模板的前面加一个系数，系数为也就是模板系数和的倒数。

高斯模板的生成 知道模板生成的原理，实现起来也就不困难了

void generateGaussianTemplate(double window[][11], int ksize, double sigma){
         static const double pi = 3.1415926;    int center = ksize / 2; // 模板的中心位置，也就是坐标的原点    double x2, y2;    for (int i = 0; i < ksize; i++)    {
             x2 = pow(i - center, 2);        for (int j = 0; j < ksize; j++)        {
                 y2 = pow(j - center, 2);            double g = exp(-(x2 + y2) / (2 * sigma * sigma));            g /= 2 * pi * sigma;            window[i][j] = g;        }    }    double k = 1 / window[0][0]; // 将左上角的系数归一化为1    for (int i = 0; i < ksize; i++)    {
             for (int j = 0; j < ksize; j++)        {
                 window[i][j] *= k;        }    }}

需要一个二维数组，存放生成的系数(这里假设模板的最大尺寸不会超过11);第二个参数是模板的大小(不要超过11);第三个参数就比较重要了，是高斯分布的标准差。 生成的过程，首先根据模板的大小，找到模板的中心位置ksize/2。然后就是遍历，根据高斯分布的函数，计算模板中每个系数的值。 需要注意的是，最后归一化的过程，使用模板左上角的系数的倒数作为归一化的系数(左上角的系数值被归一化为1)，模板中的每个系数都乘以该值(左上角系数的倒数)，然后将得到的值取整，就得到了整数型的高斯滤波器模板。 下面截图生成的是，大小为3×3,σ=0.83×3,σ=0.8的模板 对上述解结果取整后得到如下模板：