高斯滤波简介
图像为什么要滤波？
- 消除图像在数字化过程中产生或者混入的噪声。
- 提取图片对象的特征作为图像识别的特征模式。
滤波器该如何去理解?
滤波器可以想象成一个包含加权系数的窗口或者说一个镜片，当使用滤波器去平滑处理图像的时候，就是把通过这个窗口或者镜片去看这个图像。
滤波器分为很多种，有方框滤波、均值滤波、高斯滤波等。
高斯滤波是一种线性平滑滤波，适用于消除高斯噪声。
高斯噪声
首先，噪声在图像当中常表现为一引起较强视觉效果的孤立像素点或像素块。简单来说，噪声的出现会给图像带来干扰，让图像变得不清楚。 高斯噪声就是它的概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。高斯白噪声的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。
高斯滤波器是根据高斯函数的形状来选择权值的线性平滑滤波器。
高斯函数
σ的大小决定了高斯函数的宽度。
高斯核
理论上，高斯分布在所有定义域上都有非负值，这就需要一个无限大的卷积核。实际上，仅需要取均值周围3倍标准差内的值，以外部份直接去掉即可。 高斯滤波的重要两步就是先找到高斯核然后再进行卷积。所以这个时候需要知道它怎么来？又怎么用？ 举个栗子： 假定中心点的坐标是（0,0），那么取距离它最近的8个点坐标，为了计算，需要设定σ的值。假定σ=1.5，则模糊半径为1的高斯核如下所示：
这个时候我们我们还要确保这九个点加起来为1（这个是高斯核的特性），这9个点的权重总和等于0.4787147，因此上面9个值还要分别除以0.4787147，得到最终的高斯核。
高斯滤波计算
有了高斯核，那么高斯滤波的计算便有了依据。
举个栗子：假设现有9个像素点，灰度值（0-255）的高斯滤波计算如下：
将这9个值加起来，就是中心点的高斯滤波的值。
高斯滤波步骤总结
- 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。
- 将输入图像的像素值作为权重，乘以相关核。
- 将上面各步得到的结果相加做为输出，简单来说就是根据高斯分布得到高斯核然后做卷积相加的一个过程。
