PhotoShop算法实现进阶-模糊滤镜-高斯滤波（二十三）

PhotoShop算法实现进阶-模糊滤镜-高斯滤波（二十三）

[email protected]

http://blog.csdn.net/kezunhai

高斯模糊（Gaus Blur）采用二维高斯模板对图像进行模糊处理，用于图像模糊化（去除细节和噪声），它的处理效果给人一种更佳柔和的感觉。

一维高斯：

二维高斯：

理论上，高斯分布在所有定义域上都有非负值，这就需要一个无限大的卷积核。实际上，仅需要取均值周围3倍标准差内的值，以外部份直接去掉即可。 如下图为一个标准差为1.0的整数值高斯核：

在有些场合，可以用下面的模块来对高斯核进行近似：

本文实现算法根据用户输入的核尺寸和方差来计算高斯核，实现高斯滤波，高斯核创建算法如下：

// 创建高斯核
// kSize:卷积核的大小3、5、7等（3×3、5×5、7×7）
// sigma:方差
void PhotoShop::CreateGaussKernel(float **pdKernel, int kSize, float sigma)
{
	float dDis;  //数组中一点到中心点距离
	float dCenter = (kSize-1)/2;

	float dSum = 0;
	float dValue;

	int i, j; 

	//生成高斯数据
	for ( i=0; i<kSize; i++)
	{
		for ( j=0; j<kSize; j++)
		{
			dDis = fabsf(i-dCenter) + fabsf(j-dCenter);  // 用和来近似平方和的开方
			dValue = exp(-dDis*dDis/(2*sigma*sigma+DBL_EPSILON));
			pdKernel[i][j] = dValue;
			dSum+=dValue;
		}
	}

	//归一化
	for ( i=0; i<kSize; i++)
	{
		for ( j=0; j<kSize; j++)
		{
			pdKernel[i][j] /= (dSum+DBL_EPSILON);
		}
	}
}

高斯滤波算法：

void PhotoShop::GaussianBlur(cv::Mat &img, cv::Mat &dst, int kSize, float sigma)
{
	int height = img.rows;
	int width = img.cols;
	int chns = img.channels();

	int i, j, k,p, q;

	// 分配高斯核空间
	float **pKernel = new float*[kSize];
	for ( i=0; i<kSize; i++)
	{
		pKernel[i] = new float[kSize];
		ZeroMemory(pKernel[i], kSize*sizeof(float));
	}
	CreateGaussKernel(pKernel, kSize, sigma);  // 创建高斯核

	if ( dst.empty())
		dst.create(height, width, img.type());

	float sum = 0;
	int border = (kSize-1)/2;

	for ( i =border; i<height-border; i++)
	{
		unsigned char* dstData = (unsigned char*)dst.data + dst.step*i;
		for ( j=border; j<width-border; j++)
		{
			for ( k=0; k<chns; k++)
			{
				sum = 0;
				for ( p = -border; p<=border; p++)
				{
					for ( q = -border; q<=border; q++)
					{
						sum += getPixel(img, i+p, j+q, k)*pKernel[p+border][q+border];
					}
				}

				dstData[j*chns+k] = saturate_cast<uchar>(sum+0.5);
			}	// for k
		}
	} // for i
}

算法测试：

高斯滤波由于其线性和良好的去噪效果，在很多算法中得到了广泛的应用，如Canny算子的预处理就采用了高斯滤波，OpenCV中的Sobel算子的实现也采用高斯滤波作为预处理步骤，还是闻名古今的SIFT算子采用了高斯金字塔和高斯差分来进行候选特征点的提取，有兴趣的朋友可以进一步深入了解高斯滤波的应用。

作者：kezunhai 出处：http://blog.csdn.net/kezunhai 欢迎转载或分享，但请务必声明文章出处。