gaussian窗口函数_如何确定高斯滤波的标准差和窗口大小

高斯函数与高斯滤波

一维高斯函数我们都熟悉，形式如下：

\[G(x) = \frac{1}{\sqrt{2\pi}\sigma} \exp(-\frac{x^2}{2\sigma^2})

\]

计算机视觉中，高斯滤波使用的高斯核为\(x\)和\(y\)两个一维高斯的乘积，两个维度上的标准差\(\sigma\)通常相同，形式如下：

\[G(x, y) = \frac{1}{2\pi\sigma^2}\exp(-\frac{x^2+y^2}{2\sigma^2})

\]

高斯滤波(平滑)，即用某一尺寸的二维高斯核与图像进行卷积。高斯核是对连续高斯函数的离散近似，通常对高斯曲面进行离散采样和归一化得出，这里，归一化指的是卷积核所有元素之和为1，下图为标准高斯和\(\sigma=1.4\)大小为\(5\times5\)的高斯核。

标准差

当\(\mu=0\)时，唯一需要控制的参数就是标准差\(\sigma\)，多少合适呢？\(\sigma\)的确定十分依赖于问题背景，需要具体问题具体分析。但理解\(\sigma\)的作用，可以指导调整的方向。

高斯核可以看成是与中心距离负相关的权重。平滑时，调整\(\sigma\)实际是在调整周围像素对当前像素的影响程度，调大\(\sigma\)即提高了远处像素对中心像素的影响程度，滤波结果也就越平滑。高斯曲线随\(\sigma\)变化的曲线如下：

从频域角度看，高斯函