高斯模糊的算法

　　通常，图像处理软件会提供"模糊"（blur）滤镜，使图片产生模糊的效果。

　　"模糊"的算法有很多种，其中有一种叫做"高斯模糊"（Gaussian Blur）。它将正态分布（又名"高斯分布"）用于图像处理。

　　本文介绍"高斯模糊"的算法，你会看到这是一个非常简单易懂的算法。本质上，它是一种数据平滑技术（data smoothing），适用于多个场合，图像处理恰好提供了一个直观的应用实例。

　　一、高斯模糊的原理

　　所谓"模糊"，可以理解成每一个像素都取周边像素的平均值。

　　上图中，2是中间点，周边点都是1。

　　"中间点"取"周围点"的平均值，就会变成1。在数值上，这是一种"平滑化"。在图形上，就相当于产生"模糊"效果，"中间点"失去细节。

　　显然，计算平均值时，取值范围最大，"模糊效果"越强烈。

　　上面分别是原图、模糊半径 3 像素、模糊半径 10 像素的效果。模糊半径越大，图像就越模糊。从数值角度看，就是数值越平滑。

　　接下来的问题就是，既然每个点都要取周边像素的平均值，那么应该如何分配权重呢？

　　如果使用简单平均，显然不是很合理，因为图像都是连续的，越靠近的点关系越密切，越远离的点关系越疏远。因此，加权平均更合理，距离越近的点权重越大，距离越远的点权重越小。

　　二、正态分布的权重

　　正态分布显然是一种可取的权重分配模式。

　　在图形上，正态分布是一种钟形曲线，越接近中心，取值越大，越远离中心，取值越小。

　　计算平均值的时候，我们只需要将"中心点"作为原点，其他点按照其在正态曲线上的位置，分配权重，就可以得到一个加权平均值。

　　三、高斯函数

　　上面的正态分布是一维的，图像都是二维的，所以我们需要二维的正态分布。

　　正态分布的密度函数叫做"高斯函数"（Gaussian function）。它的一维形式是：

　　其中，μ是x的均值，σ是x的方差。因为计算平均值的时候，中心点就是原点，所以μ等于0。

　　根据一维高斯函数，可以推导得到二维高斯函数：

　　有了这个函数 ，就可以计算每个点的权重了。

　　四、权重矩阵

　　假定中心点的坐标是（0,0），那么距离它最近的 8 个点的坐标如下：

　　更远的点以此类推。

　　为了计算权重矩阵，需要设定σ的值。假定σ=1.5，则模糊半径为 1 的权重矩阵如下：

　　这 9 个点的权重总和等于0.4787147，如果只计算这 9 个点的加权平均，还必须让它们的权重之和等于1，因此上面 9 个值还要分别除以0.4787147，得到最终的权重矩阵。

　　五、计算高斯模糊

　　有了权重矩阵，就可以计算高斯模糊的值了。

　　假设现有 9 个像素点，灰度值（0-255）如下：

　　每个点乘以自己的权重值：

　　得到

　　将这 9 个值加起来，就是中心点的高斯模糊的值。

　　对所有点重复这个过程，就得到了高斯模糊后的图像。如果原图是彩色图片，可以对 RGB 三个通道分别做高斯模糊。

　　六、边界点的处理

　　如果一个点处于边界，周边没有足够的点，怎么办？

　　一个变通方法，就是把已有的点拷贝到另一面的对应位置，模拟出完整的矩阵。

　　七、参考文献

　　* How to program a Gaussian Blur without using 3rd party libraries