高斯坐标自然值计算_高斯卷积的可分离性（六十八）

1、什么是高斯滤波器

其中(x,y)" role="presentation" style=" box-sizing: border-box; outline: 0px; display: inline; line-height: normal; word-spacing: normal; overflow-wrap: break-word; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; border-width: 0px; border-style: initial; border-color: initial; ">(x,y)为点坐标，在图像处理中可认为是整数；σσ" role="presentation" style=" box-sizing: border-box; outline: 0px; display: inline; line-height: normal; word-spacing: normal; overflow-wrap: break-word; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; border-width: 0px; border-style: initial; border-color: initial; ">σ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3x3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)x(2k+1)，模板中各个元素值的计算公式如下：

2、高斯卷积的可分离性

对图像?(?, ?)与ℎ(?, ?)进行卷积与运算，记边界索引? = (? − 1)/2，即：

3、运算量分析

3.1 直接进行二维卷积

3.2 两次一维卷积

3.3、关于减少运算量的解释

相比于直接使用二维卷积，虽然当卷积函数具有一定对称性时，也具有简化的空间，但是一般而言，直接进行二维卷积是无法进行计算值复用的，这使得二维可分离卷积分离后的运算量更小。

4、高斯滤波器的使用

4.1

int main(void){
        // [1] src读入图片    cv::Mat src = cv::imread("Gaussian_pic.jpg");    // [2] dst目标图片    cv::Mat dst;    cv::Mat dst2 = src.clone();    // [3] 高斯滤波  sigma越大越平越模糊    myGaussianFilterFast(&src, &dst, 53, 2.0f, 2.0f);    // [4] 窗体显示    cv::imshow("src", src);    cv::imshow("dst", dst);    cv::waitKey(0);    cv::destroyAllWindows();    return 0;}

void myGaussianFilterFast(cv::Mat *src, cv::Mat *dst, int n, double sigmaX, double sigmaY){
        // [1] 初始化    *dst = (*src).clone();    // [2] 彩色图片通道分离    std::vector<:mat> channels;    cv::split(*src, channels);