高斯(核)函数简介.pdf

该【高斯(核)函数简介 】是由【青山代下】上传分享，文档一共【6】页，该文档可以免费在线阅读，需要了解更多关于【高斯(核)函数简介 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。:..1函数的基本概念所谓径向基函数(RadialBasisFunction简称RBF),就是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数,可记作k(||x-xc||),其作用往往是局部的,即当x远离xc时函数取值很小。最常用的径向基函数是高斯核函数,形式为k(||x-xc||)=exp{-||x-xc||^2/(2*)^2)}其中xc为核函数中心,σ为函数的宽度参数,控制了函数的径向作用范围。高斯函数具有五个重要的性质,,高斯平滑滤波器无论在空间域还是在频率域都是十分有效的低通滤波器,,它们是:(1)二维高斯函数具有旋转对称性,,一幅图像的边缘方向是事先不知道的,因此,.(2),高斯滤波器用像素邻域的加权均值来代替该点的像素值,,因为边缘是一种图像局部特征,如果平滑运算对离算子中心很远的像素点仍然有很大作用,则平滑运算会使图像失真.(3),(噪声和细纹理).而所希望的图像特征(如边缘),既含有低频分量,,同时保留了大部分所需信号.(4)高斯滤波器宽度(决定着平滑程度)是由参数σ表征的,,高斯滤波器的频带就越宽,,可在图像特征过分模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷.(5)由于高斯函数的可分离性,,首先将图像与一维高斯函数进行卷积,,,所以这里就略去了。可以参看相关的书籍,仅给出matlab绘图的:..alf=3;n=7;%定义模板大小n1=floor((n+1)/2);%确定中心fori=1:na(i)=exp(-((i-n1).^2)/(2*alf^2));forj=1:nb(i,j)=exp(-((i-n1)^2+(j-n1)^2)/(4*alf))/(4*pi*alf);endendsubplot(121),plot(a),title('一维高斯函数')subplot(122),surf(b),title('二维高斯函数')二图像滤波1图像滤波的基本概念图像常常被强度随机信号(也称为噪声)(Salt&Pepper)噪声、脉冲噪声、(正脉冲噪声)或黑强度值(负脉冲噪声).与前两者不同,。图像滤波总体上讲包括空域滤波和频域滤波。频率滤波需要先进行傅立叶变换至频域处理然后再反变换回空间域还原图像,空域滤波是直接对图像的数据做空间变换达到滤波的目的。它是一种邻域运算,即输出图像中任何像素的值都是通过采用一定的算法,根据输入图像中对用像素周围一定邻域内像素的值得来的。如果输出像素是输入像素邻域像素的线性组合则称为线性滤波(例如最常见的均值滤波和高斯滤波),否则为非线性滤波(中值滤波、边缘保持滤波等)。线性平滑滤波器去除高斯噪声的效果很好,且在大多数情况下,对其它类型的噪声也有很好的效果。线性滤波器使用连续窗函数内像素加权和来实现滤波。特别典型的是,同一模式的权重因子可以作用在每一个窗口内,也就意味着线性滤波器是空间不变的,这样就可以使用卷积模板来实现滤波。如果图像的不同部分使用不同的滤波权重因子,且仍然可以用滤波器完成加权运算,那么线性滤波器就是空间可变的。,也就是说,在图像的任何位置上可以进行相同的运算而不考虑图像位置或空间的变化。2图像滤波的计算过程分析滤波通常是用卷积或者相关来描述,而线性滤波一般是通过卷积来描述的。他们非常类似,但是还是会有不同。下面我们来根据相关和卷积计算过程来体会一下他们的具体区别:卷积的计算步骤::..1)卷积核绕自己的核心元素顺时针旋转180度(2)移动卷积核的中心元素,使它位于输入图像待处理像素的正上方(3)在旋转后的卷积核中,将输入图像的像素值作为权重相乘(4)第三步各结果的和做为该输入像素对应的输出像素相关的计算步骤:(1)移动相关核的中心元素,使它位于输入图像待处理像素的正上方(2)将输入图像的像素值作为权重,乘以相关核(3)将上面各步得到的结果相加做为输出可以看出他们的主要区别在于计算卷积的时候,卷积核要先做旋转。而计算相关过程中不需要旋转相关核。例如:magic(3)=[816;357;492],旋转180度后就成了[294;753;618]三高斯平滑滤波器的设计高斯函数的最佳逼近由二项式展开的系数决定,换句话说,用杨辉三角形(也称Pascal三角形)的第n行作为高斯滤波器的一个具有n个点的一维逼近,例如,五点逼近为:,二维高斯滤波器能用两个一维高斯滤波器逐次卷积来实现,一个沿水平方向,,这种运算可以通过使用单个一维高斯模板,,,。为了计算方便,一般希望滤波器权值是整数。在模板的一个角点处取一个值,并选择一个K使该角点处值为1。通过这个系数可以使滤波器整数化,由于整数化后的模板权值之和不等于1,为了保证图像:..,*N离散高斯滤波器进行平滑,接着再用M*M离散高斯滤波器平滑的话,那么平滑结果就和用(N+M-1)*(N+M-1),在杨辉三角形中用第N行和第M行卷积形成了第N+M-,在matlab中可以通过2个不同的函数来实现conv2和imfliter。他们的调用方式如下:Img_n=conv2(Img,g,'same');和Img_n=imfilter(Img,g,'conv');这两种函数处理的结果是完全一样的。imfiler函数在默认的情况下,对图像的滤波计算用的是相关Img_n=imfilter(Img,g);%使用相关运算滤波下面是一个简单的例子展示了使用相同的高斯滤波核函数,相关运算和卷积运算对图像平滑的效果可以直接后边附的程序查看。由结果可以看出相关运算和卷积运算的在用于图像平滑滤波时效果差别不大。当模板大小N>50的时候。边界的系数已经非常小,对运算起到的作用和微乎其微,所以平滑的结果差别已经非常细微,肉眼几乎难以察觉。;用户目录我的图片Img=double(I);alf=3;n=10;%定义模板大小n1=floor((n+1)/2);%计算中心fori=1:nforj=1:nb(i,j)=exp(-((i-n1)^2+(j-n1)^2)/(4*alf))/(4*pi*alf);endend:..K=uint8(imfilter(Img,b));Img_n2=uint8(imfilter(Img,b,'conv'));J=(Img_n2)-Img_n;flag=mean(J(:))subplot(131),imshow(I);title('')subplot(132),imshow(Img_n);title('卷积运算图')subplot(133),imshow(K);title('相关运算图')figure(2),surf(b);怎样将高斯核表达式离散化?对于一个均值为零的高斯卷积核,知道其方差,怎样求出其离散表达形式,例如matlab中,输入:filter=fspecial('gaussian',3,1)会得到:filter=?~~~~~~~~~~~~~~~~~~~~~~~~~自己琢磨了一下,写了一个程序,与matlab的程序结果一致。sigma=3;%sigmadelta=1;%取值步长为1width=9;%卷积核尺寸filter=zeros(width,width);fori=-1*floor(width/2):floor(width/2)forj=-1*floor(width/2):floor(width/2)filter(i+1+floor(width/2),j+1+floor(width/2))=exp(-1*((i*delta)^2+(j*delta)^2)/(2*sigma^2))/(2*sigma^2);endendfiltersum=sum(sum(filter));:..~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~mynote:理解透了径向基函数的概念原理,以及其后对高斯核函数的matlab代码实现,就可以掌握连续滤波器函数->离散模板化的方法。