图像的平滑处理——高斯滤波

高斯滤波器属于线性滤波器；一般来说，使用大小为mn的滤波器对大小为MN的图像进行线性空间滤波，可由下式表示：

以3*3的的滤波器模板为例，这个公式的含义就是，将相同位置的元素相乘并相加

下面介绍w(s,t)的计算方法
首先来看看二维高斯分布的函数：

假设中心点的坐标是（0，0），那么距离它最近的8个点的坐标如下：

方差值的大小自行选取，假设取1.5，将(-1,-1)、(-1,0)等依次带入二维高斯分布函数计算得到

这9个点的权重总和等于0.4787，如果只计算这9个点的加权平均，还必须让它们的权重之和等于1，因此上面9个值还要分别除以0.4787147，得到最终的权重矩阵：

通过这个矩阵我们可以发现，距离中心点越近，权重值越大，这也跟二维高斯函数图像将相呼应

有了权重我们就可以带入第一个公式求像素值了。

上面我们有谈到方差大小sigma的选取，那么sigma大小对图像滤波有什么影响呢，在二维高斯函数图形中，sigma越小，分布越集中，

反映在滤波器中如下表所示：

下面使用不同sigma进行实验后的程序和结果图：

clear;clc
I=rgb2gray(imread('pic.jpg'));
g=imnoise(I,'gaussian',0.1,0.002); %加入高斯噪声
sigma1 = 0.2;
gausFilter1 = fspecial('gaussian', [3,3], sigma1);
Y1= imfilter(g, gausFilter1, 'replicate');
sigma2 = 0.6;
gausFilter2 = fspecial('gaussian', [3,3], sigma2);
Y2= imfilter(g, gausFilter2, 'replicate');
sigma3 = 1;
gausFilter3 = fspecial('gaussian', [3,3], sigma3);
Y3= imfilter(g, gausFilter3, 'replicate');
subplot(2,2,1),imshow(g),title('加入高斯噪声之后的图象'); %显示加入高斯噪声之后的图象
subplot(2,2,2),imshow(Y1),title('sigma1 = 0.2'); %显示滤波后的图象
subplot(2,2,3),imshow(Y2),title('sigma1 = 0.6'); %显示滤波后的图象
subplot(2,2,4),imshow(Y3),title('sigma1 = 1'); %显示滤波后的图象

参考博客：https://blog.csdn.net/shanchuan2012/article/details/51024550