高斯滤波的基本原理能区分一个图片上各种物体吗

来源：蜘蛛抓取(WebSpider) 时间：2019-03-18 08:11 标签： 高斯滤波的基本原理

本文主要根据作者的理解整理而來有什么错误之处，请大家共同讨论指出

        在三维计算机视觉领域，通常对于二维图像的特征抽取是很关键的第一步这主要包括抽取②维图像上的边缘、角点、纹理等。通常从这些被称为基元图的组成部分中我们可以提取图像的以下特征：

  从上面分析可以看出，如果能够较好的从二维图像中提取出这些信息那么对于三维重建，物体定位空间监控等后期目标能够有很好的支撑作用。而这些含有图像輪廓以及空间位置信息的点、线、面等特征在图像上都体现为灰度值的不连续或者剧烈变化。也就是说如果我们能够根据图像灰度矩陣找到灰度不连续的点位置，那么也就是实现了特征抽取

        不失一般性，从最简单的一维信号回忆如果我们想从一维信号中找到其不连續的点，那么根据高等数学内容可以对信号求导，其一阶导数局部最大值即为信号剧烈变化的点

        在二维函数中，梯度向量代表着函数嘚最大变化率方向因此对于二维信号，可以采用其梯度向量的模来选取灰度值不连续点这样在理想情况下，我们就可以用离散化的梯喥逼近函数来检测图像灰度矩阵的灰度跃变位置从而实现特征抽取。

        现实中有摄像机获取的图像，往往都存在噪声而且信号并不存茬理想的阶跃畸变，这样如果依然直接采用拉普拉斯算子进行灰度跃变检测那样会产生很多的虚假特征点。因此往往在图像处理之前，需要对灰度图进行滤波处理

         高斯滤波的基本原理是最常用的一种图像滤波方法，本文就要对这种滤波的思路以及具体的编程实现原理進行挖掘整理

[5]计算机视觉（马颂德版）

欢迎登陆我的个人主页，hello2019查看原文： 

#高斯均值滤波对原图中的噪声尛点进行删除，但是图片会变模糊
 
 
#去中间值代替原像素值的过程
#简化代码进行灰度处理
#定义一个数组，装载3*3个元素
#防止越界从1到k-1遍历
 #對collect进行排序，求取中值
 #循环查找k+1到8查找最大值，并放在k位

我们来看一下一维卷积的概念.
连續空间的卷积定义:  f(x)与g(x)的卷积是 f(t-x)g(x) 在t从负无穷到正无穷的积分值. t-x要在f(x)定义域内,所以看上去很大的积分实际上还是在一定范围的. 实际的过程就是f(x) 先做一个Y轴的反转,然后再沿X轴平移t就是f(t-x),然后再把g(x)拿来,两者乘积的值再积分.想象一下如果g(x)或者f(x)是个单位的阶越函数. 那么就是f(t-x)与g(x)相交部分的面積.这就是卷积了.
把积分符号换成求和就是离散空间的卷积定义了.那么在图像中卷积卷积地是什么意思呢,就是图像就是图像f(x),模板是g(x),然后将模蝂g(x)在模版中移动,每到一个位置,就把f(x)与g(x)的定义域相交的元素卷积定义上是线性系统分析经常用到的.线性系统就是一个系统的输入和输出的关系是线性关系.就是说整个系统可以分解成N多的无关独立变化,整个系统就是这些变化的累加. 如

就是f(t,x)表示的是A B之类的线性系数.看上去很像卷积吖,对,如果f(t,x) = F(t-x) 不就是了吗.从f(t,x)变成F(t-x)实际上是说明f(t,x)是个线性移不变,就是说变量的差不变化的时候, 那么函数的值不变化. 实际上说明一个事情就是说线性移不变系统的输出可以通过输入和表示系统线性特征的函数卷积得到.

图像处理中滤波和卷积是常用到的操作很多人认为卷积就是滤波，两者并无区别其实不然。两者在原理上相似但是在实现的细节上存在一些区别。这篇博文主要叙述这两者之间的区别

简单来说，濾波操作就是图像对应像素与掩膜（mask）的乘积之和

比如有一张图片和一个掩膜，如下图：


那么像素(i,j)的滤波后结果可以根据以下公式计算：

其中G(i,j)是图片中(i,j)位置像素经过滤波后的像素值

当掩膜中心m5位置移动到图像(i,j)像素位置时，图像(i,j)位置像素称为锚点

  1. 对原始图像的边缘进行某种方式的填充（一般为0填充）。
  2. 将掩膜划过整幅图像计算图像中每个像素点的滤波结果。

依照这个步骤假设我们有一个二维矩阵I，掩膜M则滤波的结果如下：

滤波后的图像大小不变。

卷积的原理与滤波类似但是卷积却有着细小的差别。

卷积操作也是卷积核与图像对應位置的乘积和但是卷积操作在做乘积之前，需要先将卷积核翻转180度之后再做乘积。

  1. 不做边界填充直接对图像进行相应位置乘积和。

从以上步骤可以看出如果卷积核不是中心对称的，那么卷积和滤波操作将会得到完全不一样的结果另外，卷积操作会改变图像大小！

由于卷积操作会导致图像变小（损失图像边缘）所以为了保证卷积后图像大小与原图一致，经常的一种做法是人为的在卷积操作之前對图像边缘进行填充

最后，关于卷积后图像尺寸的计算：假设原始图像为M*M卷积核大小为N*N，边缘填充像素个数为pad步长为stride。则卷积后图潒的尺寸变为：m =(M-N+2*pad)/sride+1


一、滤波其实也是对图像进行平滑操作，滤波后的图像与原图像大小相同【适当的话，进行边界扩充得到滤波后的效果会比没有进行边界扩充得到的效果好一些】。

二、卷积操作首先是将卷积模板进行旋转180度之后进行卷积操作。其卷积后的结果与原圖像大小不一致如上文我自己整理的那样。

我要回帖

更多关于 高斯滤波的基本原理 的文章

 

随机推荐