我知道高斯、方差、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% 确定。
我只想知道 sigma 或 variance
在高斯平滑中的作用。我的意思是,对于相同的窗口大小,增加 sigma
的值会发生什么……为什么会发生?
如果有人提供一些关于它的优秀文献,那将非常有帮助。 (我已经尝试了一些但找不到我要找的东西)
主要混淆:
高频->细节(例如噪声),
低频-> 图像的概览。
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而变得更详细但情况恰恰相反,当我们增加 sigma
,图像变得更加模糊。
最佳答案
我觉得应该分以下几步来做,首先从信号处理的角度:
- 高斯滤波器是一种低通滤波器。顾名思义,低通滤波器通过低频 - 保持低频。因此,当我们在频域中查看图像时,最高频率出现在边缘(强度变化很大的地方,每个强度值对应一个特定的可见频率)。
- sigma在高斯滤波器中的作用是控制变化 围绕它的平均值。因此,随着 Sigma 变大,均值附近允许的方差越大,而随着 Sigma 变小,均值附近允许的方差越小。
- 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一个内核。法律存在于内核。它们的总和必须为零。
现在把所有东西放在一起!当我们对图像应用高斯滤波器时,我们正在进行低通滤波。但是正如您所知,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) 的 sigma 较小,因此它具有最陡峭的拾取。因此,更多的权重将集中在中心,而周围的权重则更少。
在自然图像统计意义上!该研究领域的科学家表明,我们的视觉系统在对图像的响应中是一种高斯滤波器。看个例子看看广阔的场景!不要注意特定的点!所以你会看到一个广阔的场景,里面有很多东西。但细节不清楚!现在看到那个看到的特定点。您会看到以前看不到的更多详细信息。这就是 Sigma 出现在这里。当你增加 sigma 时,你正在寻找广阔的场景而不注意细节退出。当您降低该值时,您将获得更多详细信息。
我认为维基百科比我更有帮助,Low Pass Filters , Guassian Blur
关于opencv - 高斯平滑的方差 (sigma) 影响,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/23007064/