高斯模糊
2017-05-08 21:53
99 查看
原理
周边像素的平均值
"模糊",就是将图像中每个像素值进行重置的过程,这个过程采用将每一个像素都设置成周边像素的平均值。高斯模糊原理理解
上图中,2是中间点,周边点都是1。假设周边的点对中间点的影响都是相同的,即构造的卷积算子如下:
卷积算子
然后计算求和:
高斯模糊原理理解
上图中,2是中间点,周边点都是1。假设周边的点对中间点的影响都是相同的,即构造的卷积算子如下:
卷积算子
然后计算求和:
计算
将图中‘2’置为:
结果
"中间点"取"周围点"的平均值,变成10/9。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。如下三幅图,分别表示原图,3X3和5X5的模糊效果图。
原图
3X3
5X5
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。
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。
高斯函数
高斯函数
正态分布的密度函数叫做"高斯函数"(Gaussian function)。它的一维形式是:
一维形式
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。
一维形式简化
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。
二维高斯函数
二维高斯函数分布
有了这个函数 ,就可以计算每个点的权重了。
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:相邻点
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:
权重矩阵
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。
最终权重矩阵
计算高斯模糊
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:像素点
每个点乘以自己的权重值:
模糊
得到
结果
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。
原文地址:
高斯模糊原理理解
上图中,2是中间点,周边点都是1。假设周边的点对中间点的影响都是相同的,即构造的卷积算子如下:
卷积算子
然后计算求和:
计算
将图中‘2’置为:
结果
"中间点"取"周围点"的平均值,变成10/9。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。如下三幅图,分别表示原图,3X3和5X5的模糊效果图。
原图
3X3
5X5
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。
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。
高斯函数
高斯函数
正态分布的密度函数叫做"高斯函数"(Gaussian function)。它的一维形式是:
一维形式
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。
一维形式简化
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。
二维高斯函数
二维高斯函数分布
有了这个函数 ,就可以计算每个点的权重了。
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:相邻点
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:
权重矩阵
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。
最终权重矩阵
计算高斯模糊
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:像素点
每个点乘以自己的权重值:
模糊
得到
结果
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。
原文地址:http://www.jianshu.com/p/302a895c12dd
高斯模糊原理理解
上图中,2是中间点,周边点都是1。假设周边的点对中间点的影响都是相同的,即构造的卷积算子如下:
卷积算子
然后计算求和:
计算
将图中‘2’置为:
结果
"中间点"取"周围点"的平均值,变成10/9。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。如下三幅图,分别表示原图,3X3和5X5的模糊效果图。
原图
3X3
5X5
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。
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。
高斯函数
高斯函数
正态分布的密度函数叫做"高斯函数"(Gaussian function)。它的一维形式是:
一维形式
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。
一维形式简化
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。
二维高斯函数
二维高斯函数分布
有了这个函数 ,就可以计算每个点的权重了。
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:相邻点
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:
权重矩阵
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。
最终权重矩阵
计算高斯模糊
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:像素点
每个点乘以自己的权重值:
模糊
得到
结果
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。
相关文章推荐
- android高斯模糊
- C#调用GDI+1.1中的函数实现高斯模糊、USM锐化等经典效果。
- 高斯模糊工具类
- Android 实现高斯模糊效果及低版本兼容
- Android高斯模糊
- 高斯模糊
- Android中对图片高斯模糊的一些方法
- Java编程实现高斯模糊和图像的空间卷积详解
- Android高斯模糊、高斯平滑(Gaussian Blur)【1】
- shader 高斯模糊
- 利用AlphaBlend实现高斯模糊
- 哞哞快的 C# 高斯模糊实现
- 图像处理之增强---高斯模糊
- HTML5 JS实现毛玻璃效果(高斯模糊)
- 快速高斯模糊(IIR递归高斯模糊)
- IOS图片的高斯模糊
- Android图片高斯模糊的一些方法
- android 实时高斯模糊 毛玻璃效果
- 图像高斯模糊算法的原理及实现
- 关于高斯模糊与opencv中的GaussianBlur函数