高斯滤波器-这个我觉得讲的最好
2015-06-11 23:55
513 查看
收藏
485
![](http://baike.baidu.com/static/lemma/view3/img/icon/share_f2c55a22.png)
110
高斯模糊(英语:Gaussian Blur),也叫高斯平滑,是在Adobe Photoshop、GIMP以及Paint.NET等图像处理软件中广泛使用的处理效果,通常用它来减少图像噪声以及降低细节层次。[1]
中文名
高斯模糊
外文名
Gaussian Blur
别 名
高斯平滑
用 途
减少图像噪声以及降低细节层次
应 用
Adobe Photoshop等图像处理软件
开发公司
Adobe图像软件公司
1简介
2原理
3实现
高斯模糊(Gaussian Blur)是美国Adobe图像软件公司开发的一个图像处理软件:Adobe Photoshop(系列)中的一个滤镜,具体的位置在:滤镜—模糊——高斯模糊!高斯模糊的原理中,它是根据高斯曲线调节象素色值,它是有选择地模糊图像。说得直白一点,就是高斯模糊能够把某一点周围的像素色值按高斯曲线统计起来,采用数学上加权平均的计算方法得到这条曲线的色值,最后能够留下人物的轮廓,即曲线.是指当
AdobePhotoshop 将加权平均应用于像素时生成的钟形曲线。[1]
在PS中间,你应该知道所有的颜色不过都是数字,各种模糊不过都是算法。把要模糊的像素色值统计,用数学上加权平均的计算方法(高斯函数)得到色值,对范围、半径等进行模糊,大致就是高斯模糊。[1]
周边像素的平均值
所谓"模糊",可以理解成每一个像素都取周边像素的平均值。
![](http://g.hiphotos.baidu.com/baike/s%3D220/sign=36884c578418367aa98978df1e728b68/4e4a20a4462309f7168b2c6c700e0cf3d6cad6ec.jpg)
高斯模糊原理的图解(2张)
右图中,2是中间点,周边点都是1。
"中间点"取"周围点"的平均值,就会变成1。在数值上,这是一种"平滑化"。在图形上,就相当于产生"模糊"效果,"中间点"失去细节。
显然,计算平均值时,取值范围越大,"模糊效果"越强烈。
![](http://b.hiphotos.baidu.com/baike/s%3D220/sign=30038064c45c1038207ec9c08210931c/cf1b9d16fdfaaf512a8d01c18e5494eef01f7a66.jpg)
左图分别是原图、模糊半径3像素、模糊半径10像素的效果。模糊半径越大,图像就越模糊。从数值角度看,就是数值越平滑。
接下来的问题就是,既然每个点都要取周边像素的平均值,那么应该如何分配权重呢?
如果使用简单平均,显然不是很合理,因为图像都是连续的,越靠近的点关系越密切,越远离的点关系越疏远。因此,加权平均更合理,距离越近的点权重越大,距离越远的点权重越小。[3]
正态分布的权重
![](http://h.hiphotos.baidu.com/baike/s%3D220/sign=4a2fefccb0b7d0a27fc9039ffbef760d/35a85edf8db1cb13ae4fbf6ddf54564e92584bae.jpg)
正态分布显然是一种可取的权重分配模式。
在图形上,正态分布是一种钟形曲线,越接近中心,取值越大,越远离中心,取值越小。
计算平均值的时候,我们只需要将"中心点"作为原点,其他点按照其在正态曲线上的位置,分配权重,就可以得到一个加权平均值。[3]
高斯函数
![](http://h.hiphotos.baidu.com/baike/s%3D220/sign=9be4077b31fa828bd5239ae1cd1e41cd/5366d0160924ab18b0f1624937fae6cd7a890bec.jpg)
上面的正态分布是一维的,图像都是二维的,所以我们需要二维的正态分布。
正态分布的密度函数叫做"高斯函数"(Gaussian function)。它的一维形式是:
![](http://g.hiphotos.baidu.com/baike/s%3D250/sign=2f473198257f9e2f74351a0d2f31e962/0b46f21fbe096b6378e8dd2e0e338744eaf8acdf.jpg)
一维形式[2]
其中,μ是x的均值,σ是x的方差。因为计算平均值的时候,中心点就是原
![](http://b.hiphotos.baidu.com/baike/s%3D250/sign=b09b1ea28813632711edc536a18ea056/c8ea15ce36d3d53917448dbd3887e950352ab057.jpg)
进一步推导[2]
点,所以μ等于0。
![](http://c.hiphotos.baidu.com/baike/s%3D250/sign=8a957480c1fdfc03e178e4bde43e87a9/aec379310a55b319a9ad000b41a98226cffc1773.jpg)
二维高斯函数[2]
根据一维高斯函数,可以推导得到二维高斯函数:
有了这个函数 ,就可以计算每个点的权重了。[3]
权重矩阵
假定中心点的坐标是(0,0),那么距离它最近的8个点的坐标如下:
![](http://f.hiphotos.baidu.com/baike/s%3D220/sign=94a961b7d52a60595610e6181835342d/3801213fb80e7bec91418e9f2d2eb9389b506b31.jpg)
权重矩阵(3张)
更远的点以此类推。
为了计算权重矩阵,需要设定σ的值。假定σ=1.5,则模糊半径为1的权重矩阵如下:
这9个点的权重总和等于0.4787147,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。[3]
计算高斯模糊
![](http://h.hiphotos.baidu.com/baike/s%3D220/sign=a7829c63d62a283447a631096bb4c92e/7aec54e736d12f2e7ee3221e4dc2d562843568ee.jpg)
计算高斯模糊(3张)
有了权重矩阵,就可以计算高斯模糊的值了。假设现有9个像素点,灰度值(0-255)如下:
每个点乘以自己的权重值:
得到
将这9个值加起来,就是中心点的高斯模糊的值。
对所有点重复这个过程,就得到了高斯模糊后的图像。如果原图是彩色图片,可以对RGB三个通道分别做高斯模糊。[3]
高斯模糊矩阵示例表
这是一个计算 σ = 0.84089642 的高斯分布生成的示例矩阵。注意中心元素
[4,4]] 处有最大值,随着距离中心越远数值对称地减小。
注意中心处的 0.22508352 比 3σ 外的 0.00019117 大 1177 倍。[1]
Java程序实现
收藏
485
![](http://baike.baidu.com/static/lemma/view3/img/icon/share_f2c55a22.png)
110
485
![](http://baike.baidu.com/static/lemma/view3/img/icon/share_f2c55a22.png)
110
高斯模糊编辑
高斯模糊(英语:Gaussian Blur),也叫高斯平滑,是在Adobe Photoshop、GIMP以及Paint.NET等图像处理软件中广泛使用的处理效果,通常用它来减少图像噪声以及降低细节层次。[1]中文名
高斯模糊
外文名
Gaussian Blur
别 名
高斯平滑
用 途
减少图像噪声以及降低细节层次
应 用
Adobe Photoshop等图像处理软件
开发公司
Adobe图像软件公司
目录
1简介2原理
3实现
1简介编辑
高斯模糊(Gaussian Blur)是美国Adobe图像软件公司开发的一个图像处理软件:Adobe Photoshop(系列)中的一个滤镜,具体的位置在:滤镜—模糊——高斯模糊!高斯模糊的原理中,它是根据高斯曲线调节象素色值,它是有选择地模糊图像。说得直白一点,就是高斯模糊能够把某一点周围的像素色值按高斯曲线统计起来,采用数学上加权平均的计算方法得到这条曲线的色值,最后能够留下人物的轮廓,即曲线.是指当AdobePhotoshop 将加权平均应用于像素时生成的钟形曲线。[1]
在PS中间,你应该知道所有的颜色不过都是数字,各种模糊不过都是算法。把要模糊的像素色值统计,用数学上加权平均的计算方法(高斯函数)得到色值,对范围、半径等进行模糊,大致就是高斯模糊。[1]
2原理编辑
周边像素的平均值所谓"模糊",可以理解成每一个像素都取周边像素的平均值。
![](http://g.hiphotos.baidu.com/baike/s%3D220/sign=36884c578418367aa98978df1e728b68/4e4a20a4462309f7168b2c6c700e0cf3d6cad6ec.jpg)
高斯模糊原理的图解(2张)
右图中,2是中间点,周边点都是1。
"中间点"取"周围点"的平均值,就会变成1。在数值上,这是一种"平滑化"。在图形上,就相当于产生"模糊"效果,"中间点"失去细节。
显然,计算平均值时,取值范围越大,"模糊效果"越强烈。
![](http://b.hiphotos.baidu.com/baike/s%3D220/sign=30038064c45c1038207ec9c08210931c/cf1b9d16fdfaaf512a8d01c18e5494eef01f7a66.jpg)
左图分别是原图、模糊半径3像素、模糊半径10像素的效果。模糊半径越大,图像就越模糊。从数值角度看,就是数值越平滑。
接下来的问题就是,既然每个点都要取周边像素的平均值,那么应该如何分配权重呢?
如果使用简单平均,显然不是很合理,因为图像都是连续的,越靠近的点关系越密切,越远离的点关系越疏远。因此,加权平均更合理,距离越近的点权重越大,距离越远的点权重越小。[3]
正态分布的权重
![](http://h.hiphotos.baidu.com/baike/s%3D220/sign=4a2fefccb0b7d0a27fc9039ffbef760d/35a85edf8db1cb13ae4fbf6ddf54564e92584bae.jpg)
正态分布显然是一种可取的权重分配模式。
在图形上,正态分布是一种钟形曲线,越接近中心,取值越大,越远离中心,取值越小。
计算平均值的时候,我们只需要将"中心点"作为原点,其他点按照其在正态曲线上的位置,分配权重,就可以得到一个加权平均值。[3]
高斯函数
![](http://h.hiphotos.baidu.com/baike/s%3D220/sign=9be4077b31fa828bd5239ae1cd1e41cd/5366d0160924ab18b0f1624937fae6cd7a890bec.jpg)
上面的正态分布是一维的,图像都是二维的,所以我们需要二维的正态分布。
正态分布的密度函数叫做"高斯函数"(Gaussian function)。它的一维形式是:
![](http://g.hiphotos.baidu.com/baike/s%3D250/sign=2f473198257f9e2f74351a0d2f31e962/0b46f21fbe096b6378e8dd2e0e338744eaf8acdf.jpg)
一维形式[2]
其中,μ是x的均值,σ是x的方差。因为计算平均值的时候,中心点就是原
![](http://b.hiphotos.baidu.com/baike/s%3D250/sign=b09b1ea28813632711edc536a18ea056/c8ea15ce36d3d53917448dbd3887e950352ab057.jpg)
进一步推导[2]
点,所以μ等于0。
![](http://c.hiphotos.baidu.com/baike/s%3D250/sign=8a957480c1fdfc03e178e4bde43e87a9/aec379310a55b319a9ad000b41a98226cffc1773.jpg)
二维高斯函数[2]
根据一维高斯函数,可以推导得到二维高斯函数:
有了这个函数 ,就可以计算每个点的权重了。[3]
权重矩阵
假定中心点的坐标是(0,0),那么距离它最近的8个点的坐标如下:
![](http://f.hiphotos.baidu.com/baike/s%3D220/sign=94a961b7d52a60595610e6181835342d/3801213fb80e7bec91418e9f2d2eb9389b506b31.jpg)
权重矩阵(3张)
更远的点以此类推。
为了计算权重矩阵,需要设定σ的值。假定σ=1.5,则模糊半径为1的权重矩阵如下:
这9个点的权重总和等于0.4787147,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。[3]
计算高斯模糊
![](http://h.hiphotos.baidu.com/baike/s%3D220/sign=a7829c63d62a283447a631096bb4c92e/7aec54e736d12f2e7ee3221e4dc2d562843568ee.jpg)
计算高斯模糊(3张)
有了权重矩阵,就可以计算高斯模糊的值了。假设现有9个像素点,灰度值(0-255)如下:
每个点乘以自己的权重值:
得到
将这9个值加起来,就是中心点的高斯模糊的值。
对所有点重复这个过程,就得到了高斯模糊后的图像。如果原图是彩色图片,可以对RGB三个通道分别做高斯模糊。[3]
高斯模糊矩阵示例表
这是一个计算 σ = 0.84089642 的高斯分布生成的示例矩阵。注意中心元素
[4,4]] 处有最大值,随着距离中心越远数值对称地减小。
0.00000067 | 0.00002292 | 0.00019117 | 0.00038771 | 0.00019117 | 0.00002292 | 0.00000067 |
0.00002292 | 0.00078633 | 0.00655965 | 0.01330373 | 0.00655965 | 0.00078633 | 0.00002292 |
0.00019117 | 0.00655965 | 0.05472157 | 0.11098164 | 0.05472157 | 0.00655965 | 0.00019117 |
0.00038771 | 0.01330373 | 0.11098164 | 0.22508352 | 0.11098164 | 0.01330373 | 0.00038771 |
0.00019117 | 0.00655965 | 0.05472157 | 0.11098164 | 0.05472157 | 0.00655965 | 0.00019117 |
0.00002292 | 0.00078633 | 0.00655965 | 0.01330373 | 0.00655965 | 0.00078633 | 0.00002292 |
0.00000067 | 0.00002292 | 0.00019117 | 0.00038771 | 0.00019117 | 0.00002292 | 0.00000067 |
3实现编辑
Java程序实现485
![](http://baike.baidu.com/static/lemma/view3/img/icon/share_f2c55a22.png)
110
相关文章推荐
- 动易2006序列号破解算法公布
- Ruby实现的矩阵连乘算法
- C#插入法排序算法实例分析
- C#数据结构与算法揭秘二
- 算法练习之从String.indexOf的模拟实现开始
- C#算法之关于大牛生小牛的问题
- C#实现的算24点游戏算法实例分析
- c语言实现的带通配符匹配算法
- 浅析STL中的常用算法
- 算法之排列算法与组合算法详解
- C++实现一维向量旋转算法
- Ruby实现的合并排序算法
- C#折半插入排序算法实现方法
- 基于C++实现的各种内部排序算法汇总
- C++线性时间的排序算法分析
- C++实现汉诺塔算法经典实例
- PHP实现克鲁斯卡尔算法实例解析
- C#常见算法面试题小结
- JavaScript 组件之旅(二)编码实现和算法
- JavaScript数据结构和算法之图和图算法