MatLab二维高斯核分离

二维高斯函数（也称为二维正态分布函数）的公式通常表示为：

$f(x,y)=\frac{1}{2\pi {\sigma }_x{\sigma }_y\sqrt{1-{\rho }^2}}\exp \left(-\frac{1}{2(1-{\rho }^2)}\left[{\left(\frac{x-{\mu }_x}{{\sigma }_x}\right)}^2-2\rho \left(\frac{x-{\mu }_x}{{\sigma }_x}\right)\left(\frac{y-{\mu }_y}{{\sigma }_y}\right)+{\left(\frac{y-{\mu }_y}{{\sigma }_y}\right)}^2\right]\right)$

其中：

• $x$ 和 $y$ 是二维平面上的坐标。
• ${\mu }_x$ 和 ${\mu }_y$ 分别是 $x$ 和 $y$ 的均值。
• ${\sigma }_x$ 和 ${\sigma }_y$ 分别是 $x$ 和 $y$ 的标准差。
• $\rho$ 是 $x$ 和 $y$ 之间的相关系数，其值介于 -1 和 1 之间。当 $\rho =0$ 时，$x$ 和 $y$ 是独立的。

如果 $x$ 和 $y$ 是独立的（即 $\rho =0$），则二维高斯函数可以简化为两个一维高斯函数的乘积，这就是所谓的分离公式：

$f(x,y)=\frac{1}{\sqrt{2\pi }{\sigma }_x}\exp \left(-\frac{(x-{\mu }_x{)}^2}{2{\sigma }_x^2}\right)\times \frac{1}{\sqrt{2\pi }{\sigma }_y}\exp \left(-\frac{(y-{\mu }_y{)}^2}{2{\sigma }_y^2}\right)$

这表示在 $x$ 和 $y$ 相互独立的情况下，二维高斯分布可以分解为两个一维高斯分布在 $x$ 和 $y$ 方向上的乘积。

在实际应用中，二维高斯函数常用于图像处理、机器学习和统计学等领域，用于描述二维空间中的数据分布。

clc;clear;close all;
sigma=1.784286;
size=floor(3*sigma);

q=2*sigma*sigma;

for i=-size:size
   for j=-size:size
       g(i+size+1,j+size+1)=1/(q*pi)*exp(-i*i/q-j*j/q);
   end
end
%%sum
disp(sum(sum(g)));
figure;
subplot(1,3,1);
surf(g);
title('二维高斯核')

x=-size:size;
gx=1/sqrt(q*pi)*exp(-x.*x/(q));
%%nx=gx./sum(gx);
disp(sum(sum(gx)));
subplot(1,3,2);
plot(gx);
title('分离一维高斯核')
rs=(gx')*gx;
subplot(1,3,3);
surf(rs);
title('x,y方向分离核相乘')