通常,图像处理软件会提供”模糊”(blur)滤镜,使图⽚产⽣模糊的效果。
“模糊”的算法有很多种,其中有⼀种叫做(Gaussian Blur)。它将(⼜名”⾼斯分布”)⽤于图像处理。rct-341
本⽂介绍”⾼斯模糊”的算法,你会看到这是⼀个⾮常简单易懂的算法。本质上,它是⼀种(data smoothing),适⽤于多个场合,图像处理恰好提供了⼀个直观的应⽤实例。
日向友好学校⼀、⾼斯模糊的原理
所谓”模糊”,可以理解成每⼀个像素都取周边像素的平均值。 中学生学习报语文上图中,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。 上⾯分别是原图、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?cit500
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。
⼆、正态分布的权重
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。
三、⾼斯函数
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(Gaussian function)。它的⼀维形式是:
其中,μ是x的均值,σ是x的⽅差。因为计算平均值的时候,中⼼点就是原点,所以μ等于0。根据⼀维⾼斯函数,可以推导得到⼆维⾼斯函数:
长沙创一
有了这个函数 ,就可以计算每个点的权重了。
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:
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。
五、计算⾼斯模糊
有了权重矩阵,就可以计算⾼斯模糊的值了。xl公司
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: