方差(sigma)对高斯光滑的影响
skm*_*skm 9 opencv image-processing computer-vision
我知道高斯,varaince,图像模糊,我认为我理解高斯模糊的方差概念,但我仍然不是100%肯定.
我只是想知道sigma or variance高斯平滑的作用.我的意思是,通过增加sigma相同窗口大小的值来发生什么...以及它为什么会发生？
如果有人提供一些关于它的好文献,那将是非常有帮助的.(我已经尝试了一些,但找不到我要找的东西)
主要困惑:
更高的频率 - >细节(例如噪音),
较低的频率 - >图像的概述.
通过增加sigma,我们允许一些更高的频率....所以我们应该随着频率的增加得到更详细但情况相反,当我们增加时sigma,图像变得更加模糊.
Had*_*adi 15
我认为应该从以下步骤完成,首先从信号处理的角度来看:
- 高斯滤波器是低通滤波器.低通滤波器,因为它们的名字意味着通过低频 - 保持低频.因此,当我们在频域中观察图像时,最高频率发生在边缘中(强度发生高变化且每个强度值对应于特定可见频率的位置).
- sigma在高斯滤波器中的作用是控制其平均值附近的变化.因此,随着西格玛变得越大,平均值允许的方差越大,并且随着西格玛变得越小,平均值周围允许的方差越小.
- 空间域中的过滤是通过卷积完成的.它只是意味着我们在图像中的每个像素上应用内核.内核存在法律.他们的总和必须为零.
现在把所有在一起!当我们对图像应用高斯滤波器时,我们正在进行低通滤波.但是你知道这发生在离散域(图像像素)中.所以我们必须量化我们的高斯滤波器以制作高斯核.在量化步骤中,由于高斯滤波器(GF)具有小的西格玛,因此它具有最陡的选择.因此,在中心聚焦的权重越多,围绕它的权重越小.
在自然形象统计的意义上!这一研究领域的科学家们表明,我们的视觉系统是对图像反应的一种高斯滤波器.比如看看一个广阔的场景吧!不注意具体点!所以你看到一个广阔的场景,里面有很多东西.但细节不清楚!现在看一下看到的具体点.你会看到之前没有的更多细节.这是Sigma出现在这里.当你增加西格玛时,你正在寻找广阔的场景,而不关注细节出口.当你减少价值时,你会得到更多细节.
- 图像中的边缘以更高的频率（空间强度的快速变化）显示自己，也显示噪声（图像中的噪声意味着强度的不需要的变化）。较低的频率意味着强度没有太大变化。我说过，当你增加“西格玛”时，你会得到一个广泛的概览，因为细节消失了；我们得到一个模糊的图像。那种快速的变化（高频）变得更加平滑。当我们减少“西格玛”时，我们会得到更多细节。 (2认同)
- 我建议您在 matlab 或 opencv 中尝试通过高斯滤波器进行平滑处理。绘制它的 fft 以查看平滑前后频域发生了什么。 (2认同)
- 非常感谢@hadi 的解释。我不会谈论西格玛，它是标准差显示的扩散。如果你展开一个圆锥体..向这个圆锥体峰添加更多点，它将失去其原始形状..意味着将模糊或平滑原始峰。西格玛显示峰值处的变化或扩散..更多的扩散..平滑该峰值（广泛的概述，没有细节或清晰的峰值）..更少的扩散..更少的平滑..没有扩散..没有平滑..（清晰的峰值是锥体细节） (2认同)
