高斯滤波器理解.docxVIP

高斯滤波器懂得 先给出高斯函数的图形； |精. |品. |可. |编. |辑. |学. |习. |资. |料. * | * | * | * | |欢. |迎. |下. |载. 高斯滤波器是一类依据高斯函数的外形来挑选权值的线性平滑滤波器；高斯平滑滤波器对于抑降听从正态分布的噪声特别有效；一维零均值高斯函数为： g(x)=exp( -x^2/(2 sigma^2) 其中，高斯分布参数 Sigma 打算了高斯函数的宽度； 对于图像处理来说，常用二维零均值离散高斯函数作平滑滤波器； 高斯函数具有五个重要的性质，这些性质使得它在早期图像处理中特殊有用．这些性质说明， 高斯平滑滤波器无论在空间域仍是在频率域都是特别有效的低通滤波器 ， 且在实际图像处理中得到了工程人员的有 效使用．高斯函数具有五个特别重要的性质，它们是： ）二维高斯函数具有旋转对称性 ，即滤波器在各个方向上的平滑程度是相同的．一般来说，一幅图像的边缘方向是事先不知道的，因此，在滤波前是无法确定一个方向上比另一方向上需要更多的平滑．旋转对 称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向． ）高斯函数是单值函数 ．这说明，高斯滤波器用像素邻域的加权均值来代替该点的像素值，而每一邻域像素点权值是随该点与中心点的距离单调增减的．这一性质是很重要的，由于边缘是一种图像局部特点， 假如平滑运算对离算子中心很远的像素点仍旧有很大作用，就平滑运算会使图像失真． ）高斯函数的傅立叶变换频谱是单瓣的 ．正如下面所示，这一性质是高斯函数付立叶变换等于高斯函数 本身这一事实的直接推论．图像常被不期望的高频信号所污染 (噪声和细纹理 )．而所期望的图像特点（如边 缘），既含有低频重量，又含有高频重量．高斯函数付立叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染，同时保留了大部分所需信号． ） 高斯滤波器宽度 (打算着平滑程度 )是由参数 σ表征的 ，而且 σ和平滑程度的关系是特别简洁的． σ越大，高斯滤波器的频带就越宽，平滑程度就越好．通过调剂平滑程度参数 σ，可在图像特点过分模糊 ( 过平滑) 与平滑图像中由于噪声和细纹理所引起的过多的不期望突变量 (欠平滑 )之间取得折衷． ）由于高斯函数的可分别性，较大尺寸的高斯滤波器可以得以有效地实现． 二维高斯函数卷积可以分两 步来进行， 第一将图像与一维高斯函数进行卷积， 然后将卷积结果与方向垂直的相同一维高斯函数卷积． 因此，二维高斯滤波的运算量随滤波模板宽度成线性增长而不是成平方增长 ． |精. |品. |可. |编. |辑. |学. |习. |资. |料. * | * | * | * | |欢. |迎. |下. |载. ========================== 高斯函数在图像滤波中的应用 函数的基本概念 所谓径向基函数 (Radial Basis Function 简称 RBF), 就是某种沿径向对称的标量函数；通常定义为空间中 任一点 x 到某一中心 xc 之间欧氏距离的单调函数 , 可记作 k(||x-xc||), 其作用往往是局部的 , 即当 x 远离xc 时函数取值很小；最常用的径向基函数是高斯核函数 ,形式为 k(||x-xc||)=exp{- ||x- xc||^2/(2* σ )^2)其} 中 xc 为核函数中心 , σ为函数的宽度参数 , 掌握了函数的径向作用范畴； 函数的表达式和 图形 matlab 绘图的代码 alf=3; n=7;% 定义模板大小n1=floor((n+1)/2);% 确定中心 for i=1:n a(i)= exp(-((i-n1).^2)/(2*alf^2)); for j=1:n b(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf))/(4*pi*alf); end end subplot(121),plot(a),title( 一维高斯函数 ) subplot(122),surf(b),title( 二维高斯函数 ) |精. |品. |可. |编. |辑. |学. |习. |资. |料. * | * | * | * | |欢. |迎. |下. |载. 二 图像滤波 图像滤波的基本概念 图像经常被强度随机信号（也称为噪声）所污染．一些常见的噪声有椒盐（ Salt Pepper ）噪声、脉冲噪声、高斯噪声等．椒盐噪声含有随机显现的黑白强度值．而脉冲噪声就只含有随机的白强度值（正脉冲噪声）或黑强度 值（负脉冲噪声）．与前两者不同， 高斯噪声含有强度听从高斯或正态分布的噪声 ． 讨论滤波就是为了排除噪声干扰； 图像滤波总体上讲包括空域滤波和频域滤波 ；频率滤波需要先进行傅立叶变换至频域处理然后再反变换回