本文主要介绍了高斯滤波器的原理及其实现过程 高斯滤波器是一种线性滤波器,能够有效的抑制噪声,平滑图像。其作用原理和均值滤波器类似,都是取滤波器窗口内的像素的均值作为输出。其窗口模板的系数和均值滤波器不同,均值滤波器的模板系数都是相同的为1;而高斯滤波器的模板系数,则随着距离模板中心的增大而系数减小。所以,高斯滤波器相比于均值滤波器对图像个模糊程度较小。 什么是高斯滤波器 既然名称为高斯滤波器,那么其和高斯分布(正态分布)是有一定的关系的。一个二维的高斯函数如下:
其中(x,y)(x,y)为点坐标,在图像处理中可认为是整数;σσ是标准差。要想得到一个高斯滤波器的模板,可以对高斯函数进行离散化,得到的高斯函数值作为模板的系数。例如:要产生一个3×33×3的高斯滤波器模板,以模板的中心位置为坐标原点进行取样。模板在各个位置的坐标,如下所示(x轴水平向右,y轴竖直向下)
这样,将各个位置的坐标带入到高斯函数中,得到的值就是模板的系数。 对于窗口模板的大小为(2k+1)×(2k+1),模板中各个元素值的计算公式如下:
这样计算出来的模板有两种形式:小数和整数。
小数形式的模板,就是直接计算得到的值,没有经过任何的处理;
整数形式的,则需要进行归一化处理,将模板左上角的值归一化为1,下面会具体介绍。使用整数的模板时,需要在模板的前面加一个系数,系数为也就是模板系数和的倒数。
高斯模板的生成 知道模板生成的原理,实现起来也就不困难了
void generategaussiantemplate(double window[][11], int ksize, double sigma){ static const double pi = 3.1415926; int center = ksize / 2; // 模板的中心位置,也就是坐标的原点 double x2, y2; for (int i = 0; i < ksize; i++) { x2 = pow(i - center, 2); for (int j = 0; j < ksize; j++) { y2 = pow(j - center, 2); double g = exp(-(x2 + y2) / (2 * sigma * sigma)); g /= 2 * pi * sigma; window[i][j] = g; } } double k = 1 / window[0][0]; // 将左上角的系数归一化为1 for (int i = 0; i < ksize; i++) { for (int j = 0; j < ksize; j++) { window[i][j] *= k; } }} 需要一个二维数组,存放生成的系数(这里假设模板的最大尺寸不会超过11);第二个参数是模板的大小(不要超过11);第三个参数就比较重要了,是高斯分布的标准差。 生成的过程,首先根据模板的大小,找到模板的中心位置ksize/2。然后就是遍历,根据高斯分布的函数,计算模板中每个系数的值。 需要注意的是,最后归一化的过程,使用模板左上角的系数的倒数作为归一化的系数(左上角的系数值被归一化为1),模板中的每个系数都乘以该值(左上角系数的倒数),然后将得到的值取整,就得到了整数型的高斯滤波器模板。 下面截图生成的是,大小为3×3,σ=0.83×3,σ=0.8的模板
对上述解结果取整后得到如下模板: 这个模板就比较熟悉了,其就是根据σ=0.8的高斯函数生成的模板。 至于小数形式的生成也比较简单,去掉归一化的过程,并且在求解过程后,模板的每个系数要除以所有系数的和。具体代码如下:
void generategaussiantemplate(double window[][11], int ksize, double sigma){ static const double pi = 3.1415926; int center = ksize / 2; // 模板的中心位置,也就是坐标的原点 double x2, y2; double sum = 0; for (int i = 0; i < ksize; i++) { x2 = pow(i - center, 2); for (int j = 0; j < ksize; j++) { y2 = pow(j - center, 2); double g = exp(-(x2 + y2) / (2 * sigma * sigma)); g /= 2 * pi * sigma; sum += g; window[i][j] = g; } } //double k = 1 / window[0][0]; // 将左上角的系数归一化为1 for (int i = 0; i < ksize; i++) { for (int j = 0; j < ksize; j++) { window[i][j] /= sum; } }} 3×3,σ=0.8的小数型模板。
σσ值的意义及选取 通过上述的实现过程,不难发现,高斯滤波器模板的生成最重要的参数就是高斯分布的标准差σσ。标准差代表着数据的离散程度,如果σσ较小,那么生成的模板的中心系数较大,而周围的系数较小,这样对图像的平滑效果就不是很明显;反之,σσ较大,则生成的模板的各个系数相差就不是很大,比较类似均值模板,对图像的平滑效果比较明显。 来看下一维高斯分布的概率分布密度图:
横轴表示可能得取值x,竖轴表示概率分布密度f(x),那么不难理解这样一个曲线与x轴围成的图形面积为1。σσ(标准差)决定了这个图形的宽度,可以得出这样的结论:σσ越大,则图形越宽,尖峰越小,图形较为平缓;σσ越小,则图形越窄,越集中,中间部分也就越尖,图形变化比较剧烈。这其实很好理解,如果sigma也就是标准差越大,则表示该密度分布一定比较分散,由于面积为1,于是尖峰部分减小,宽度越宽(分布越分散);同理,当σσ越小时,说明密度分布较为集中,于是尖峰越尖,宽度越窄! 于是可以得到如下结论: σσ越大,分布越分散,各部分比重差别不大,于是生成的模板各元素值差别不大,类似于平均模板; σσ越小,分布越集中,中间部分所占比重远远高于其他部分,反映到高斯模板上就是中心元素值远远大于其他元素值,于是自然而然就相当于中间值得点运算。 基于opencv的实现 在生成高斯模板好,其简单的实现和其他的空间滤波器没有区别,具体代码如下:
void gaussianfilter(const mat &src, mat &dst, int ksize, double sigma){ cv_assert(src.channels() || src.channels() == 3); // 只处理单通道或者三通道图像 const static double pi = 3.1415926; // 根据窗口大小和sigma生成高斯滤波器模板 // 申请一个二维数组,存放生成的高斯模板矩阵 double **templatematrix = new double*[ksize]; for (int i = 0; i < ksize; i++) templatematrix[i] = new double[ksize]; int origin = ksize / 2; // 以模板的中心为原点 double x2, y2; double sum = 0; for (int i = 0; i < ksize; i++) { x2 = pow(i - origin, 2); for (int j = 0; j < ksize; j++) { y2 = pow(j - origin, 2); // 高斯函数前的常数可以不用计算,会在归一化的过程中给消去 double g = exp(-(x2 + y2) / (2 * sigma * sigma)); sum += g; templatematrix[i][j] = g; } } for (int i = 0; i < ksize; i++) { for (int j = 0; j < ksize; j++) { templatematrix[i][j] /= sum; cout << templatematrix[i][j] << ; } cout << endl; } // 将模板应用到图像中 int border = ksize / 2; copymakeborder(src, dst, border, border, border, border, bordertypes::border_reflect); int channels = dst.channels(); int rows = dst.rows - border; int cols = dst.cols - border; for (int i = border; i < rows; i++) { for (int j = border; j < cols; j++) { double sum[3] = { 0 }; for (int a = -border; a <= border; a++) { for (int b = -border; b <= border; b++) { if (channels == 1) { sum[0] += templatematrix[border + a][border + b] * dst.at(i + a, j + b); } else if (channels == 3) { vec3b rgb = dst.at(i + a, j + b); auto k = templatematrix[border + a][border + b]; sum[0] += k * rgb[0]; sum[1] += k * rgb[1]; sum[2] += k * rgb[2]; } } } for (int k = 0; k < channels; k++) { if (sum[k] 255) sum[k] = 255; } if (channels == 1) dst.at(i, j) = static_cast(sum[0]); else if (channels == 3) { vec3b rgb = { static_cast(sum[0]), static_cast(sum[1]), static_cast(sum[2]) }; dst.at(i, j) = rgb; } } } // 释放模板数组 for (int i = 0; i < ksize; i++) delete[] templatematrix[i]; delete[] templatematrix;} 只处理单通道或者三通道图像,模板生成后,其滤波(卷积过程)就比较简单了。不过,这样的高斯滤波过程,其循环运算次数为m×n×ksize2,其中m,n为图像的尺寸;ksize为高斯滤波器的尺寸。这样其时间复杂度为o(ksize2),随滤波器的模板的尺寸呈平方增长,当高斯滤波器的尺寸较大时,其运算效率是极低的。为了,提高滤波的运算速度,可以将二维的高斯滤波过程分解开来。 分离实现高斯滤波 由于高斯函数的可分离性,尺寸较大的高斯滤波器可以分成两步进行:首先将图像在水平(竖直)方向与一维高斯函数进行卷积;然后将卷积后的结果在竖直(水平)方向使用相同的一维高斯函数得到的模板进行卷积运算。具体实现代码如下:
// 分离的计算void separategaussianfilter(const mat &src, mat &dst, int ksize, double sigma){ cv_assert(src.channels()==1 || src.channels() == 3); // 只处理单通道或者三通道图像 // 生成一维的高斯滤波模板 double *matrix = new double[ksize]; double sum = 0; int origin = ksize / 2; for (int i = 0; i < ksize; i++) { // 高斯函数前的常数可以不用计算,会在归一化的过程中给消去 double g = exp(-(i - origin) * (i - origin) / (2 * sigma * sigma)); sum += g; matrix[i] = g; } // 归一化 for (int i = 0; i < ksize; i++) matrix[i] /= sum; // 将模板应用到图像中 int border = ksize / 2; copymakeborder(src, dst, border, border, border, border, bordertypes::border_reflect); int channels = dst.channels(); int rows = dst.rows - border; int cols = dst.cols - border; // 水平方向 for (int i = border; i < rows; i++) { for (int j = border; j < cols; j++) { double sum[3] = { 0 }; for (int k = -border; k <= border; k++) { if (channels == 1) { sum[0] += matrix[border + k] * dst.at(i, j + k); // 行不变,列变化;先做水平方向的卷积 } else if (channels == 3) { vec3b rgb = dst.at(i, j + k); sum[0] += matrix[border + k] * rgb[0]; sum[1] += matrix[border + k] * rgb[1]; sum[2] += matrix[border + k] * rgb[2]; } } for (int k = 0; k < channels; k++) { if (sum[k] 255) sum[k] = 255; } if (channels == 1) dst.at(i, j) = static_cast(sum[0]); else if (channels == 3) { vec3b rgb = { static_cast(sum[0]), static_cast(sum[1]), static_cast(sum[2]) }; dst.at(i, j) = rgb; } } } // 竖直方向 for (int i = border; i < rows; i++) { for (int j = border; j < cols; j++) { double sum[3] = { 0 }; for (int k = -border; k <= border; k++) { if (channels == 1) { sum[0] += matrix[border + k] * dst.at(i + k, j); // 列不变,行变化;竖直方向的卷积 } else if (channels == 3) { vec3b rgb = dst.at(i + k, j); sum[0] += matrix[border + k] * rgb[0]; sum[1] += matrix[border + k] * rgb[1]; sum[2] += matrix[border + k] * rgb[2]; } } for (int k = 0; k < channels; k++) { if (sum[k] 255) sum[k] = 255; } if (channels == 1) dst.at(i, j) = static_cast(sum[0]); else if (channels == 3) { vec3b rgb = { static_cast(sum[0]), static_cast(sum[1]), static_cast(sum[2]) }; dst.at(i, j) = rgb; } } } delete[] matrix;} 代码没有重构较长,不过其实现原理是比较简单的。首先得到一维高斯函数的模板,在卷积(滤波)的过程中,保持行不变,列变化,在水平方向上做卷积运算;接着在上述得到的结果上,保持列不边,行变化,在竖直方向上做卷积运算。这样分解开来,算法的时间复杂度为o(ksize)o(ksize),运算量和滤波器的模板尺寸呈线性增长。 在opencv也有对高斯滤波器的封装gaussianblur,其声明如下:
cv_exports_w void gaussianblur( inputarray src, outputarray dst, size ksize, double sigmax, double sigmay = 0, int bordertype = border_default ); 二维高斯函数的标准差在x和y方向上应该分别有一个标准差,在上面的代码中一直设其在x和y方向的标准是相等的,在opencv中的高斯滤波器中,可以在x和y方向上设置不同的标准差。 下图是自己实现的高斯滤波器和opencv中的gaussianblur的结果对比
上图是5×5,σ=0.8的高斯滤波器,可以看出两个实现得到的结果没有很大的区别。 总结 高斯滤波器是一种线性平滑滤波器,其滤波器的模板是对二维高斯函数离散得到。由于高斯模板的中心值最大,四周逐渐减小,其滤波后的结果相对于均值滤波器来说更好。 高斯滤波器最重要的参数就是高斯分布的标准差σσ,标准差和高斯滤波器的平滑能力有很大的能力,σσ越大,高斯滤波器的频带就较宽,对图像的平滑程度就越好。通过调节σσ参数,可以平衡对图像的噪声的抑制和对图像的模糊。
变频器基本组成、原理及10种控制方式
泰克示波器故障频发怎么办?泰克示波器维修售后
智慧路灯是什么,关于智慧路灯概念和定义的介绍
CAN总线如何规范的布线?
无人机在应急救援领域有什么作用?
高斯滤波器的原理及其实现过程
传谷歌拟推出互联网电视服务 正洽谈内容许可协议
基于IR2127的电机驱动芯片
单片机中断与CPU的轮询有什么区别
铅酸蓄电池工作原理及氢气泄露检测
通过使用吸收式滤波器提高线性度
游侠汽车完成B+轮3.5亿美金融资,但造车之路依旧苦难重重
守护人类健康 人工智能医疗应用大显身手
程天科技外骨骼助力失能人群重新站起来
土壤温湿度测定仪是什么,它的应用优势是什么
功率放大器的电路功能是什么 功率放大器的三种类型
OPPO新专利曝光:未来手机或可独立升级摄像头模块
大载重无人机挂载灭火弹灭火 精准高效且能保证人身安全
小米6最新消息:6月6日小米6新机开售,颜色骚气,不过没有现货还是要抢
生物质气体燃料发动机测量控制系统