Gaussian Smoothing Filter 高斯平滑滤波器 一、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）所污染．一些常见的噪声有椒盐（Salt & Pepper）噪声、脉冲噪声、高斯噪声等．椒盐噪声含有随机出现的黑白强度值．而脉冲噪声则只含有随机的白强度值（正脉冲噪声）或黑强度值（负脉冲噪声）．与前两者不同，高斯噪声含有强度服从高斯或正态分布的噪声．研究滤波就是为了消除噪声干扰。 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。任何不是像素加权运算的滤波器都属于非线性滤波器．非线性滤波器也可以是空间不变的，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。 二、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) =[8 1 6;3 5 7;4 9 2]，旋转180度后就成了[2 9 4;7 5 3;6 1 8]
高斯滤波器理解 先给出高斯函数的图形。 高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效。一维零均值高斯函数为： g(x)=exp( -x^2/(2 sigma^2) 其中，高斯分布参数Sigma决定了高斯函数的宽度。对于图像处理来说，常用二维零均值离散高斯函数作平滑滤波器。 高斯函数具有五个重要的性质，这些性质使得它在早期图像处理中特别有用．这些性质表明，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，且在实际图像处理中得到了工程人员的有效使用．高斯函数具有五个十分重要的性质，它们是： （1）二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的．一般来说，一幅图像的边缘方向是事先不知道的，因此，在滤波前是无法确定一个方向上比另一方向上需要更多的平滑．旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向． （2）高斯函数是单值函数．这表明，高斯滤波器用像素邻域的加权均值来代替该点的像素值，而每一邻域像素点权值是随该点与中心点的距离单调增减的．这一性质是很重要的，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）高斯函数的傅立叶变换频谱是单瓣的．正如下面所示，这一性质是高斯函数付立叶变换等于高斯函数本身这一事实的直接推论．图像常被不希望的高频信号所污染(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，又含有高频分量．高斯函数付立叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染，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，而且σ和平滑程度的关系是非常简单的．σ越大，高斯滤波器的频带就越宽，平滑程度就越好．通过调节平滑程度参数σ，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，较大尺寸的高斯滤波器可以得以有效地实现．二维高斯函数卷积可以分两步来进行，首先将图像与一维高斯函数进行卷积，然后将卷积结果与方向垂直的相同一维高斯函数卷积．因此，二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长． ========================== 高斯函数在图像滤波中的应用 1函数的基本概念 所谓径向基函数(Radial Basis Function 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*σ)^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。 2函数的表达式和图形 matlab绘图的代码 alf=3; n=7;%定义模板大小 n1=floor((n+1)/2);%确定中心 for i=1:n a(i)= exp(-((i-n1).^2)/(2*alf^2)); for j=1:n b(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf))/(4*pi*alf); end end subplot(121),plot(a),title('一维高斯函数' ) subplot(122),surf(b),title('二维高斯函数' )
燕山大学 课程设计说明书 题目：几种平滑滤波器的作用与对比试验设计 学院（系）：电气工程学院 年级专业： 学号： 学生姓名： 指导教师： 教师职称：
目录 第一章平滑滤波器 (1) 第二章处理程序和处理结果 (3) 第三章比较差异 (7) 第四章总结 (9) 参考文献 (9)
第一章平滑滤波器 滤波的本义是指信号有各种频率的成分，滤掉不想要的成分，即为滤掉常说 的噪声，留下想要的成分，这即是滤波的过程。 所谓目的：一是抽出对象的特征作为图像识别的特征模式；另一个是为适应图像处理的要求，消除图像数字化时所混入的噪声。 各类图像处理系统在图像的采集、获取、传送和转换(如成像、复制扫描、传输以及显示等)过程中，均处在复杂的环境中，光照、电磁多变，所有的图像均不同程度地被可见或不可见的噪声干扰。噪声源包括电子噪声、光子噪声、斑点噪声和量化噪声。如果信噪比低于一定的水平，噪声逐渐变成可见的颗粒形状，导致图像质量的下降。除了视觉上质量下降，噪声同样可能掩盖重要的图像细节，在对采集到的原始图像做进一步的分割处理时，我们发现有一些分布不规律的椒盐噪声，为此采取相应的对策就是对图像进行必要的滤波降噪处理。图像的噪声滤波器有很多种，常用的有线性滤波器，非线性滤波器。采用线性滤波如邻域平滑滤波，对受到噪声污染而退化的图像复原，在很多情况下是有效的。但大多数线性滤波器具有低通特性，去除噪声的同时也使图像的边缘变模糊了。而另一种非线性滤波器如中值滤波，在一定程度上可以克服线性滤波器所带来的图像模糊问题，在滤除噪声的同时，较好地保留了图像的边缘信息。这些滤波都是通过平滑滤波器来实现的。 平滑滤波是低频增强的空间域滤波技术。它的目的有两类：一类是模糊；另一类是消除噪音。所谓平滑滤波是指对一些不平滑的信号做处理，使它变平滑。那什么是不平滑呢，就是在示波器上看起伏不平的信号，最典型的就是交流整流后的脉动信号。这些随时间起伏不平变化的信号成分在频率上代表一些高频率的成分，上升下降越快，则表示频率越高。平滑滤波就是要把它们弄平，把它们弄得不再随时间变化，或者是变化很小，这种不随时间再变化，或者随时间变化很小的信号就是频率非常低的信号，使它们成为低频信号，在整流滤波上，就基本上直流信号，其中只含有非常少的成分随时间变化。所以平滑滤波与低通滤波说法差别不大，平滑滤波大多用在整流滤波上，一般可以理解成一个概念的不同描述方法。 图像在传递过程中，由于噪声主要集中在高频部分，为去除噪声改善图像质量，滤波器采用低通滤波器H(u ，v)来抑制高频成分，通过低频成分，然后再进行逆傅立叶变换获得滤波图像，就可达到平滑图像的目的 根据任务要求在此选择研究理想低通滤波器、Butterworth 低通滤波器、高斯低通滤波器三种滤波器来实现要求。 1.理想低通滤波器 设傅立叶平面上理想低通滤波器离开原点的截止频率为D0，则理想低通滤波器的传递函数： 1 (,)(,)0 (,)D u v D H u v D u v D ≤?=?>?
基于MATLAB的带噪图像的高斯滤波 摘要：图像常常被强度随机信号（也称为噪声）所污染．一些常见的噪声有椒盐（Salt & Pepper）噪声、脉冲噪声、高斯噪声等．椒盐噪声含有随机出现的黑白强度值．而脉冲噪声则只含有随机的白强度值（正脉冲噪声）或黑强度值（负脉冲噪声）．与前两者不同，高斯噪声含有强度服从高斯或正态分布的噪声．研究滤波就是为了消除噪声干扰。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。任何不是像素加权运算的滤波器都属于非线性滤波器．非线性滤波器也可以是空间不变的，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。 关键词：图像,高斯滤波,去噪,MATLAB 1.引言 20世纪20年代,图像处理首次得到应用。上个世纪60年代中期,随着计算机科学的发展和计算机的普及,图像处理得到广泛的应用。60年代末期,图像处理技术不断完善,逐渐成为一个新兴的学科。图像处理中输入的是质量低的图像,输出的是改善质量后的图像。为了改善图像质量,从图像中提取有效信息,必须对图像进行去噪预处理。根据噪声频谱分布的规律和统计特征以及图像的特点,出现了多种多样的去噪方法。经典的去噪方法有：空域合成法,频域合成法和最优
高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效。一维零均值高斯函数为： g(x)=exp( -x^2/(2 sigma^2) 其中，高斯分布参数Sigma决定了高斯函数的宽度。对于图像处理来说，常用二维零均值离散高斯函数作平滑滤波器。 高斯函数具有五个重要的性质，这些性质使得它在早期图像处理中特别有用．这些性质表明，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，且在实际图像处理中得到了工程人员的有效使用．高斯函数具有五个十分重要的性质，它们是： （1）二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的．一般来说，一幅图像的边缘方向是事先不知道的，因此，在滤波前是无法确定一个方向上比另一方向上需要更多的平滑．旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向． （2）高斯函数是单值函数．这表明，高斯滤波器用像素邻域的加权均值来代替该点的像素值，而每一邻域像素点权值是随该点与中心点的距离单调增减的．这一性质是很重要的，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）高斯函数的傅立叶变换频谱是单瓣的．正如下面所示，这一性质是高斯函数付立叶变换等于高斯函数本身这一事实的直接推论．图像常被不希望的高频信号所污染(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，又含有高频分量．高斯函数付立叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染，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，而且σ和平滑程度的关系是非常简单的．σ越大，高斯滤波器的频带就越宽，平滑程度就越好．通过调节平滑程度参数σ，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，较大尺寸的高斯滤波器可以得以有效地实现．二维高斯函数卷积可以分两步来进行，首先将图像与一维高斯函数进行卷积，然后将卷积结果与方向垂直的相同一维高斯函数卷积．因此，二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长． ========================== 高斯函数在图像滤波中的应用 1函数的基本概念 所谓径向基函数(Radial Basis Function 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*σ)^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。 2函数的表达式和图形 matlab绘图的代码 alf=3; n=7;%定义模板大小 n1=floor((n+1)/2);%确定中心 for i=1:n a(i)= exp(-((i-n1).^2)/(2*alf^2));
椭圆低通滤波器
线性平滑滤波器 1.3 指数型低通滤波器(ELPF) I1=imread('eight.tif'); %读取图像 I2=im2double(I1); I3=imnoise(I2,'gaussian',0.01); I4=imnoise(I3,'salt & pepper',0.01); figure,subplot(1,3,1); imshow(I2) %显示灰度图像 title('原始图像'); %为图像添加标题 subplot(1,3,2); imshow(I4) %加入混合躁声后显示图像
title('加噪后的图像'); s=fftshift(fft2(I4));%将灰度图像的二维不连续Fourier 变换的零频率成分 移到频谱的中心 [M,N]=size(s); %分别返回s的行数到M中，列数到N中n1=floor(M/2); %对M/2进行取整 n2=floor(N/2); %对N/2进行取整 d0=40; for i=1:M for j=1:N d=sqrt((i-n1)^2+(j-n2)^2); %点（i,j）到傅立叶变换中心的距离 h=exp(log(1/sqrt(2))*(d/d0)^2); s(i,j)=h*s(i,j); %ILPF滤波后的频域表示 end end s=ifftshift(s); %对s进行反FFT移动 s=im2uint8(real(ifft2(s))); %对s进行二维反离散的Fourier变换后，取 复数的实部转化为无符号8位整数 subplot(1,3,3); %创建图形图像对象 imshow(s); %显示ILPF滤波后的图像 title('ELPF滤波后的图像（d=40）'); 运行结果： 1.4 梯形低通滤波器(TLPF) I1=imread('eight.tif'); %读取图像 I2=im2double(I1); I3=imnoise(I2,'gaussian',0.01);
基于FPGA的GMSK调制之高斯滤波器设计 先生成一个50kbps码率的源（带宽为25KHz），码元1编码成7FFFH（+1）发送，码元0编码成80000H（-1）发送。利用SystemView制作一个采样频率为500KHz 的低通高斯滤波器，把生成的21阶滤波器系数做成.coe文件（如IIR filter 的datasheet要求）加载到IP Core中生成所需低通滤波器。 最后将码元通过高斯滤波器进行滤波。 SystemView生成的高斯滤波器时域波形图： SystemView生成的高斯滤波器频域波形图：
功能仿真波形如下。连续发送的码元为1011101001010101，最后通过高斯滤波后得到的平滑的波形如下，与原始码元型号一一对应。
布局布线后仿真的波形如下。可以看到有明显的毛刺。 Verilog程序： module gmsktop(CLK,clk_50,RST,RDY,dout); input CLK;//主时钟信号，500KHz input clk_50;//50KHz时钟信号 input RST; //input ND; output RDY; output[33:0] dout; wire ND,RFD; wire[15:0] source; sent_source sent_source(clk_50,RST,ND,RFD,source); gsfir gsfir(ND,RDY,CLK,RST,RFD,source,dout); endmodule module sent_source(clk_50,RST,ND,RFD,source); input clk_50;//50KHz时钟信号 input RST;//复位信号，高电平有效 input RFD;
高斯平滑滤波器 SYxxxxxxx XX 一、实验名称：实现高斯平滑滤波器 选择几个不同的σ（ 至少5个）对一幅图像进行滤波，观测不同的值对图像的平滑程度（注意σ取值与窗函数大小的关系）。并说明如何为一幅图像选择合适的σ值。 二、高斯平滑滤波器实现原理 1、高斯（核）函数 高斯核函数一种最常用的径向基函数,形式为 22(||||)exp{||||/2*}c k x x x xc σ-=-- (1) 图1 其中x c 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。所谓径向基函数 (Radial Basis Function 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x c 之间欧氏距离的单调函数 , 可记作 k(||x -x c ||), 其作用往往是局部的 , 即当x 远离x c 时函数取值很小。 高斯函数具有五个重要的性质，这些性质使得它在早期图像处理中特别有用．这些性质表明，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，且在实际图像处理中得到了工程人员的有效使用．高斯函数具有五个十分重要的性质，它们是： （1）二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的．一般来说，一幅图像的边缘方向是事先不知道的，因此，在滤波前是无法确定一个方向上比另一方向上需要更多的平滑．旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向． （2）高斯函数是单值函数．这表明，高斯滤波器用像素邻域的加权均值来
代替该点的像素值，而每一邻域像素点权值是随该点与中心点的距离单调增减的．这一性质是很重要的，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）高斯函数的付立叶变换频谱是单瓣的．正如下面所示，这一性质是高斯函数付立叶变换等于高斯函数本身这一事实的直接推论．图像常被不希望的高频信号所污染(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，又含有高频分量．高斯函数付立叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染，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，而且σ和平滑程度的关系是非常简单的．σ越大，高斯滤波器的频带就越宽，平滑程度就越好．通过调节平滑程度参数σ，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，大高斯滤波器可以得以有效地实现．二维高斯函数卷积可以分两步来进行，首先将图像与一维高斯函数进行卷积，然后将卷积结果与方向垂直的相同一维高斯函数卷积．因此，二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长． 2、高斯平滑滤波器的设计——直接法 离散高斯分布: 22()2[,].i j g i j ce σ+-= 222 ()2[,] .i j g i j e c σ+- = 例如，选ó2=2，n=7，在[0,0]处的值等于产生数组(1)，左上角值定义为1并取整，见数组(2)： （1） （2） 数组(2)即为一个7*7的高斯模板 三、实验 1.分析σ大小与窗口大小的关系 选取不同参数σ的高斯滤波模板，平滑的效果是有差别的，实际上σ越大，
%%%%%%%%%%%%%% 添加高斯噪音并用低通滤波器进行滤除[filename pathname]=uigetfile; img=imread(strcat(pathname,filename)); figure(1); subplot(221); imshow(img); imgSave=img; [m n k]=size(img); delta=0.1; u=0; sizeimg=size(img); GaussNoise=randn(sizeimg); %载入数据在0~1之间的double类型，后面比较好处理 img=im2double(img); img=img+delta*GaussNoise+u; %为了显示结果，可以将数据转变回来，也可以不进行这不操作img=uint8(255*img); subplot(222); imshow(img); title('gaussion noise:delta=0.1,mean=0'); imgNoise=imgSave; imgNoise=imnoise(imgNoise,'gaussian',0.01); subplot(223); imshow(imgNoise); title('imnoise to add gaussian noise'); %%%%%%%%% 对图像做高斯滤波 img=rgb2gray(img); [m,n,k]=size(img); imgfft=fftshift(fft2(double(img))); sigma=50; for i=1:m for j=1:n r=sqrt((i-round(m/2))^2+(j-round(n/2))^2); g=exp(r^2/(2*sigma^2)*(-1)); %g=0.5; for t=1:k imgfft(i,j,k)=imgfft(i,j,k)*g; end; end; end; imgifft=ifft2(ifftshift(imgfft));
import cv2 import math import numpy as np import matplotlib.pyplot as plt #高斯平滑滤波器（高斯低通滤波器）与均值滤波器区别不大，只不过是将均值改为正态函数作为权值 img = cv2.imread("E:/test1.pgm",0) #建立一个代用的空数组（我们用他们来存储处理后的图片） img_1 = np.zeros((256, 256),np.uint8) img_2 = np.zeros((256, 256),np.uint8) img_3 = np.zeros((256, 256),np.uint8) #建立一个代用的空数组（我们在滤波时使用的是加过一圈黑框的图片） arr_1 = np.zeros((258, 258),np.uint8) arr_2 = np.zeros((260, 260),np.uint8) arr_3 = np.zeros((262, 262),np.uint8) for x in range(0, 256): for y in range(0, 256): arr_1[x + 1, y + 1] = img[x, y] for x in range(0, 256): for y in range(0, 256): arr_2[x + 2, y + 2] = img[x, y] for x in range(0, 256): for y in range(0, 256): arr_3[x + 3, y + 3] = img[x, y] #在进行滤波处理之前要先产生高斯平滑滤波器 gauss_1 = np.zeros((3, 3)) gauss_2 = np.zeros((5, 5)) gauss_3 = np.zeros((7, 7)) mysum = 0 for x in range(0, 3): for y in range(0, 3): gauss_1[x, y] = (1/ (3* np.pi))* math.exp(-1*(math.pow(x - 1.5, 2)+ math.pow(y - 1.5, 2))/ 3) mysum = mysum + gauss_1[x, y] for x in range(0, 3): for y in range(0, 3): gauss_1[x, y] = gauss_1[x, y]/mysum mysum = 0 for x in range(0, 5): for y in range(0, 5): gauss_2[x, y] = (1/ (3* np.pi))* math.exp(-1*(math.pow(x - 2.5, 2)+ math.pow(y - 2.5, 2))/ 3) mysum = mysum + gauss_2[x, y]
方法一: clc; a=imread('yuan.bmp'); %读取图像矩阵 figure(1); imshow(a);%显示原始图像 b=double(a);%对图像矩阵进行处理 %disp(b); [m,n]=size(b); tem=[1 1 2 1 1;1 2 4 2 1;2 4 8 4 2;1 2 4 2 1;1 1 2 1 1];%高斯5*5的模板。for i=3:m-2 %不处理边缘的像素点。 for j=3:n-2 t=0; for x=1:5 for y=1:5 t=t+tem(x,y)*b(i-3+x,j-3+y);%对每一个点进行线性叠加。 end end t=t/52;%乘以系数。也就是平滑度 if t>255 %不能大于255，也不能小于0 t=255; elseif t<0 t=0; end b(i,j)=t; end end figure(2); disp(b); b=uint8(b);%复原，没有这一项处理，最后显示的就是一张空白。imshow(b);%显示处理后的图像。
以上程序是仿照c++程序写的，搞了几天，才有结果的，在显示图像的时候老是出现问题，不是黑图，就是白图，原来是范围的问题，读出；来的矩阵范围太小，转化为更大的，转化后再转化回来。下面是关于数据范围的说明，希望有帮助。imshow和image: 图像的显示是最为重要的，用imshow和image都可以显示图像，但是有一定的区别。用的不对，就会象我最初一样，老是出错，或者得到一张空白图或者是彩色图显示成颗粒状、反相黑白图等等。image是用来显示附标图像，即显示的图像上有x,y坐标轴的显示，可以看到图像的像素大小。imshow 只是显示图像。它们都可以用subplot来定位图像显示的位置，用colormap来定义图像显示用的颜色查找表，比如用colormap(pink)，可以把黑白图像显示成带粉红色的图像，很有趣的。在这里最值得注意的是要显示的图像像素矩阵的数据类型。显示真彩色图像像素三维矩阵X，如果是uint8类型，要求矩阵的数据范围为0-255，如果是double型，则其数据范围为0-1，要不就会出错或者出现空白页。类型转换很简单，如果你原来的数值是uint8,在运算中转换为double 后，实际要显示的数值没有改变的话，只要用uint8(X)就可转换为uint8型，如果不想转换频繁，也可在显示时用X/255来转换为符合0-1double类型范围要求的数值显示。如果显示索引图像(二维矩阵)，因为不同数据类型对应颜色查找表colormap的基点不同，会有所区别，如果不对的话，会出现很多意外的显示效果的。如果索引图像像素数值是double型,则它的取值范围为1-length(colormap),数值起点为1，则矩阵中数值为1的对应colormap中第一行数据,如果索引图像像素数值是uint8，则取值范围为0-255，数值起点为0，则矩阵中数值为0的对应colormap中第一行数据，所以索引图像这两个数据类型之间的转换，要考虑到+1或-1。直接用uint8或double转换则会查找移位，产生失真情况。uint16数据类型与uint8类似，取值范围为0-65536。 方法二; %图像高斯平滑滤波处理 img=imread('1.jpg'); f=rgb2gray(img); subplot(1,2,1); imshow(f);
四种低通滤波器： 一、理想低通滤波器 I=imread('bb.jpg'); T=rgb2gray(I); figure(1); subplot(1,2,1),imshow(uint8(I)); title('原图像'); subplot(1,2,2),imshow(uint8(T)); title('理想低通滤波所得图像'); [f1,f2]=freqspace(size(T),'meshgrid'); H=ones(size(T)); r=sqrt(f1.^2+f2.^2); H(r>0.1)=0; Y=fft2(double(T)); Y=fftshift(Y); Ya=Y.*H; Ya=ifftshift(Ya); I=ifft2(Ya); figure(2); surf(H,'Facecolor','interp','Edgecolor','none','Facelighting','phong'); title('频谱图');
二、巴特沃斯低通滤波器 I=imread('bb.jpg'); T=rgb2gray(I); figure(1); subplot(1,2,1),imshow(uint8(I)); title('原图像'); subplot(1,2,2),imshow(uint8(T)); title('巴特沃斯低通滤波所得图像'); [f1,f2]=freqspace(size(T),'meshgrid'); D=0.3; r=f1.^2+f2.^2; n=4; for i=1:size(T,1) for j=1:size(T,2) t=r(i,j)/(D*D); H(i,j)=1/(t^n+1); end end Y=fft2(double(T)); Y=fftshift(Y); Ya=Y.*H; Ya=ifftshift(Ya); I=real(ifft2(Ya)); figure(2); surf(H,'Facecolor','interp','Edgecolor','none','Facelighting','phong'); title('频谱图');
基于高斯滤波器的图像平滑处理 图像平滑处理的原因：在采集，传输及处理图像的过程中往往会存在一定程度的噪声干扰，噪声恶化了图像的质量，使得图像模糊，淹没了特征，给图片分析带来困难。图像平滑是一种实用的图像处理技术，能消除图像采集，传输及处理过程中的噪声，高斯平滑处理是一种常用的平滑处理方法。 基本思想：高斯滤波是将输入数组的每一个像素点与高斯内核卷积将卷积和当作输出像素值。高斯核相当于对输出像素的邻域赋予不同的权值，输出像素点所在位置的权值最大。 基本原理：平滑要使用滤波器一般使用线性滤波器，其统一形式如下 其中h称为滤波器的核函数也就是权值 使用3*3的高斯核 则计算公式如下： g(x,y)={f(x-1,y-1)+f(x-1,y+1)+f(x+1,y-1)+f(x+1,y+1)+[f(x-1,y)+f(x,y-1)+f(x+1,y)+f(x,y+1)]*2+f(x,y)*4}/16; 其中，f(x,y)为图像中(x,y)点的灰度值，g(x,y)为该点经过高斯滤波后的值。 OpenCV平滑处理函数：void cvSmooth(const CvArr* src,CvArr* dst,int smoothtype=CV_GAUSSIAN,int param1,int param2 ,
Double param3,double param4) 代码： //#include "stdafx.h" #include
低通无源滤波器仿真与分析 、滤波器定义 所谓滤波器( filter )，是一种用来消除干扰杂讯的，对输入或输出的信号中特定频率的频点或该频点以外的频率进行有效滤除的，就是滤波器，其功能就是得到一个特定频率或消除一个特定频率。一般可实为一个可实现的线性时不变系统。 二、滤波器的分类 常用的滤波器按以下类型进行分类。 1) 按所处理的信号： 按所处理的信号分为和两种。 2) 按所通过信号的频段 按所通过信号的频段分为低通、高通、带通和带阻滤波器四种。低通滤波器：它允许信号中的低频或直流分量通过，抑制高频分量或干扰和噪声。 高通滤波器：它允许信号中的高频分量通过，抑制低频或直流分量。带通滤波器：它允许一定频段的信号通过，抑制低于或高于该频段的信号、干扰和噪声。 带阻滤波器：它抑制一定频段内的信号，允许该频段以外的信号通过。 3) 按所采用的元器件 按所采用的分为无源和两种。 ：仅由(R、L 和C)组成的滤波器，它是利用电容和电感元件的随频率的变化而变化的构成的。这类滤波器的优点是：电路比较简单，不需要直流电源供电，可靠性高；是：通带内的信号有能量损耗，负载效应比较明显，使用电感元件时容易引起电磁感应，当电感L 较大时滤波器的和重量都比较大，在低频域不适用。 有源滤波器：由无源元件(一般用R和C)和(如集成运算放大器) 组成。这类滤波器的优点是：通带内的信号不仅没有能量损耗，而且还可以放大，负载效应不明显，多级相联时相互影响很小，利用级联的简单方法很容易构成高阶滤波器，并且滤波器的体积小、重量轻、不需要磁屏蔽(由于不使用电感元件) ；缺点是：通带范围受有源器件(如集成运算放大器)的带宽限制，需要直流电源供电，可靠性不如无源滤波器高，在、高频、大功率的场合不适用。 4) 按照阶数来分 通过传递函数的阶数来确定滤波器的分类。 三、网络的频率响应 在时域中，设输入为 x(t) ，输出为 y(t ) ，滤波器的脉冲响应函数为 h(t ) 。转换到频域，激励信号为 X(j ) ，经过一个线性网络得到的响应信号为 Y( j )
基于高斯滤波器的人脸识别方法 曲金帅[1]，赵明玺[1]，范菁[1]，何远斐[1] 云南省高校无线传感器网络重点实验室，云南昆明，650031 摘要：人脸识别是根据某些标识对人进行身份识别，来达到监督、管理和识别目的的一种技术。近年来对这项技术进行了广泛而深入的研究，Gabor变换因其良好的时频局部化特性，能够提供最为实质的人脸特征、削弱噪声的干扰、减少计算量，因此将小波变换应用于人脸识别与检测具有良好的发展前景。由于人脸变化的诸多不确定因素，以及外部环境如光照等对成像系统的影响，使得人脸定位与识别具有极高的难度。另外人脸识别存在动态性和复杂性的特点，给数据处理带来诸多不便，限制了人脸识别的效率，本文借鉴了Gabor滤波和高斯滤波及人工神经网络的人脸识别的两种算法，并通过MATLAB编程实现了对其算法的验证，对实验数据计算得出了两个主要指标灵敏度和阳性预测值。结果前一种算法对人脸数较少的处理效果更好，后一种算法适合处理人脸数较多的图像。 关键词：人脸识别、Gabor滤波器、高斯滤波器 Face recognition method based on Gaussian filter Qu Jinshuai1，Chen Nan1，Fan Jing1，He Yuanfei[1] University Key Laboratory of Wireless Sensor Networks in Yunnan Province, Yunnan University of Nationalities，Kunming 650031, Yunnan, P.R.China ABSTRACT:Face recognition is based on the identification of some person identification, to achieve a technical oversight , management and identification purposes . In recent years, the technology has been extensive and in-depth research , Gabor transform its good time-frequency localization features to provide the most substantial facial features, and weaken the interference noise , reduce the computation , so the wavelet transform is applied Face recognition and detection has good prospects for development. Due to many uncertainties affecting the face changes , as well as the external environment , such as light and other imaging systems , making the face location and recognition with a high degree of difficulty. In addition there is a dynamic and complex recognition of the characteristics of data processing inconvenience to limit the recognition efficiency , the paper draws on two Gabor filtering and Gaussian filtering algorithms and artificial neural networks face recognition , MATLAB programming through its algorithm to validate the experimental data of the two main indicators calculated sensitivity and positive predictive value . Results Before an algorithm for face fewer treatment better, after a few more algorithm processing facial image fit. Keywords : face recognition , Gabor filters, Gaussian filter 基金项目“云南民族地区水质监测无线网状传感器网络跨层机制研究”（国家自然科学基金60963026）；“基于3S的云南泥石流监测异构无线传感器网络融合机制研究”（国家自然科学基金61163061）；“异构无线传感器网络安全可信协议及密钥算法研究”（云南省应用基础科学研究计划项目2011FZ174）. 第一作者简介曲金帅（1989-），男，硕士研究生,主要研究方向：无线传感器网络E-mail:864693787@https://www.doczj.com/doc/9d13248262.html,. 通信作者：赵明玺（1983-），男，博士研究生，讲师.主要研究方向：信号处理，模式识别.