图像处理之高斯模糊

  - created by gloomyfish

高斯模糊是一种两维的卷积模糊操作，在图像完成高斯模糊相对于均值模糊来说，

计算量会增加，但是高斯模糊可以实现一些特殊效果，特别是在图像噪声(非椒盐

噪声)消去方面，更是有着非常好的效果。一维高斯公式如下：

其中x是制定[-n,n]范围的整数，sigma代表标准方差。通常取值为1.

一维高斯函数Java代码如下：

private float[] get1DKernalData(int n, float sigma) {      float sigma22 = 2*sigma*sigma;      float Pi2 = 2*(float)Math.PI;      float sqrtSigmaPi2 = (float)Math.sqrt(Pi2) * sigma ;      int size = 2*n + 1;      int index = 0;      float[] kernalData = new float[size];      for(int i=-n; i<=n; i++) {          float distance = i*i;          kernalData[index] = (float)Math.exp((-distance)/sigma22)/sqrtSigmaPi2;          System.out.println("\t" + kernalData[index]);          index++;      }      return kernalData;  }  

假设输入 n= 1, sigma = 1时，输出的Kernel数据为：

0.24197073, 0.3989423,0.24197073

两维的高斯分布函数为：

对应的Java实现代码为：

public float[][] get2DKernalData(int n, float sigma) {      int size = 2*n +1;      float sigma22 = 2*sigma*sigma;      float sigma22PI = (float)Math.PI * sigma22;      float[][] kernalData = new float[size][size];      int row = 0;      for(int i=-n; i<=n; i++) {          int column = 0;          for(int j=-n; j<=n; j++) {              float xDistance = i*i;              float yDistance = j*j;              kernalData[row][column] = (float)Math.exp(-(xDistance + yDistance)/sigma22)/sigma22PI;              column++;          }          row++;      }            for(int i=0; i<size; i++) {          for(int j=0; j<size; j++) {              System.out.print("\t" + kernalData[i][j]);          }          System.out.println();          System.out.println("\t ---------------------------");      }      return kernalData;  }  

当n=1, sigma=1时对应输出的Kernel数据为：

    0.058549833   0.09653235     0.058549833

    0.09653235     0.15915494     0.09653235

    0.058549833   0.09653235     0.058549833

一个2D高斯分布的图可以表示如下：

高斯过滤在图像处理是一种低通滤波，会除去图像的细节而保持整体不变化，在图像美化和特效

方面，高斯过滤有这很多应用。高斯模糊不同于均值模糊！

 

本文实现完整的高斯模糊算法包括下面几个步骤：

1. 生成高斯操作数即Kernel Data

2. 从图像中读取像素，利用第一步的操作数，完成卷积。

3. 发现图像处理前后的最大像素值peak得出rate

4. 完成归一化操作，返回处理后像素数组

关键程序解析：

利用操作数完成卷积的代码参看以前的Blog文章《图像处理之理解卷积》

完成归一化操作的算法非常简单, 主要是利用第三步计算出来的rate

    // normalization      float rate = inMax/outMax;      System.out.println("Rate = " + rate);      for(int row=0; row<height; row++) {          for(int col=0; col<width; col++) {              index = row * width + col;              int rgb1 = tempoutPixels[index];  int red = (rgb1 >> 16) & 0xff;  int green = (rgb1 >> 8) & 0xff;  int blue = rgb1 & 0xff;  red = (int)(rate * red);  green = (int)(rate * green);  blue = (int)(rate * blue);  outPixels[index] = (rgb1 & 0xff000000) | (red << 16) | (green << 8) | blue;          }      }  

高斯模糊效果如下：

 - 左边为原图                                                                                                                                                            - 右边为高斯模糊之后效果，发现皱纹和手部滑了

等等现在还不最cool的效果，高斯模糊之后如果与原图像叠加会出现一种Glow的

效果，好像灯光打在图像上一样，Glow处理之后的运行效果如下：

原图：

实现Glow Filter之后的图像：

实现Glow算法只是高斯模糊输出像素值叠加原来的像素值。

int index = 0;  for ( int y = 0; y < height; y++ ) {      for ( int x = 0; x < width; x++ ) {          int rgb1 = outPixels[index];          int r1 = (rgb1 >> 16) & 0xff;          int g1 = (rgb1 >> 8) & 0xff;          int b1 = rgb1 & 0xff;            int rgb2 = inPixels[index];          int r2 = (rgb2 >> 16) & 0xff;          int g2 = (rgb2 >> 8) & 0xff;          int b2 = rgb2 & 0xff;            r1 = PixelUtils.clamp( (int)(r1 + a * r2) );          g1 = PixelUtils.clamp( (int)(g1 + a * g2) );          b1 = PixelUtils.clamp( (int)(b1 + a * b2) );            inPixels[index] = (rgb1 & 0xff000000) | (r1 << 16) | (g1 << 8) | b1;          index++;      }  }