【高斯模糊演算法的理解】簡單易懂
通常,影象處理軟體會提供"模糊"(blur)濾鏡,使圖片產生模糊的效果。
"模糊"的演算法有很多種,其中有一種叫做"高斯模糊"(Gaussian Blur)。它將正態分佈(又名"高斯分佈")用於影象處理。
本文介紹"高斯模糊"的演算法,你會看到這是一個非常簡單易懂的演算法。本質上,它是一種資料平滑技術(data smoothing),適用於多個場合,影象處理恰好提供了一個直觀的應用例項。
一、高斯模糊的原理
所謂"模糊",可以理解成每一個畫素都取周邊畫素的平均值。
上圖中,2是中間點,周邊點都是1。
"中間點"取"周圍點"的平均值,就會變成1。在數值上,這是一種"平滑化"。在圖形上,就相當於產生"模糊"效果,"中間點"失去細節。
顯然,計算平均值時,取值範圍越大,"模糊效果"越強烈。
上面分別是原圖、模糊半徑3畫素、模糊半徑10畫素的效果。模糊半徑越大,影象就越模糊。從數值角度看,就是數值越平滑。
接下來的問題就是,既然每個點都要取周邊畫素的平均值,那麼應該如何分配權重呢?
如果使用簡單平均,顯然不是很合理,因為影象都是連續的,越靠近的點關係越密切,越遠離的點關係越疏遠。因此,加權平均更合理,距離越近的點權重越大,距離越遠的點權重越小。
二、正態分佈的權重
正態分佈顯然是一種可取的權重分配模式。
在圖形上,正態分佈是一種鐘形曲線,越接近中心,取值越大,越遠離中心,取值越小。
計算平均值的時候,我們只需要將"中心點"作為原點,其他點按照其在正態曲線上的位置,分配權重,就可以得到一個加權平均值。
三、高斯函式
上面的正態分佈是一維的,影象都是二維的,所以我們需要二維的正態分佈。
正態分佈的密度函式叫做"高斯函式"(Gaussian function)。它的一維形式是:
其中,μ是x的均值,σ是x的方差。因為計算平均值的時候,中心點就是原點,所以μ等於0。
根據一維高斯函式,可以推導得到二維高斯函式:
有了這個函式 ,就可以計算每個點的權重了。
四、權重矩陣
假定中心點的座標是(0,0),那麼距離它最近的8個點的座標如下:
更遠的點以此類推。
為了計算權重矩陣,需要設定σ的值。假定σ=1.5,則模糊半徑為1的權重矩陣如下:
這9個點的權重總和等於0.4787147,如果只計算這9個點的加權平均,還必須讓它們的權重之和等於1,因此上面9個值還要分別除以0.4787147,得到最終的權重矩陣。
五、計算高斯模糊
有了權重矩陣,就可以計算高斯模糊的值了。
假設現有9個畫素點,灰度值(0-255)如下:
每個點乘以自己的權重值:
得到
將這9個值加起來,就是中心點的高斯模糊的值。
對所有點重複這個過程,就得到了高斯模糊後的影象。如果原圖是彩色圖片,可以對RGB三個通道分別做高斯模糊。
六、邊界點的處理
如果一個點處於邊界,周邊沒有足夠的點,怎麼辦?
一個變通方法,就是把已有的點拷貝到另一面的對應位置,模擬出完整的矩陣。
七、參考文獻
(完)