高斯滤波的快速实现方法

1. 介绍

二维高斯函数具有旋转对称性，处理后不会对哪一个方向上的边缘进行了过多的滤波，因此相对其他滤波器，具有无法比拟的优越性。但是传统Gauss滤波随着图像尺寸的增加，运算复杂度呈平方上涨，因此需要对其优化改进。下面，分别介绍传统型，分解型和递归迭代型三种实现方法。

2. 传统型

Gauss滤波首先需要构建一个Gauss滤波核，公式为：
在这里插入图片描述
Matlab代码实现：


dSigma =0.8;
fK1=1.0/(2*dSigma*dSigma);
fK2=fK1/pi;
iSize = 5;
step = floor(iSize/2 + 0.5);
for i = 1 : iSize
    x=i-step;
    fTemp=fK2*exp(-x*x*fK1);
    for j = 1 : iSize
        y=j-step;
        model(x+step,y+step)=fTemp*exp(-y*y*fK1);
    end
end
dSum = sum(sum(model));
model = model/dSum;                     %Gauss核数值归一化

在这里插入图片描述
　　接下来就是将输入图像和滤波核进行卷积操作。其实质就是对原始图像进行加权求和，把这个“和”赋给中心像素。对于一个2048*2048的图像，需要进行104734756次乘法运算，和104734756次加法运算，运算复杂度是很高的。

3. 分解型

我们可以把一个二维Gauss核分解为两个一维高斯核，然后先对行做一次一维卷积，再对这个卷积结果做一次一维列卷积，得到的结果完全一模一样，而开销会小很多。

一维高斯核函数:
在这里插入图片描述
Matlab代码实现：


dSigma =0.8;
fK1=1.0/(2*dSigma*dSigma);
fK2=fK1/pi;
iSize = 5;
step = floor(iSize/2 + 0.5);
for i = 1 : iSize
    x=i-step;
    fTemp=fK2*exp(-x*x*fK1);
    model(1,x+step) = fTemp;
end
dM = sum(model);
model = model / dM;