高斯平滑演算法

❶ 高斯數學1十到100的公式

（1+100）×100÷2＝5050。

高斯求和

德國著名數學家高斯幼年時代聰明過人，上學時，有一天老師出了一道題讓同學們計算：1＋2＋3＋4＋…＋99＋100。

老師出完題後，全班同學都在埋頭計算，小高斯卻很快算出答案等於5050。原來小高斯通過細心觀察發現：

1＋100＝2＋99＝3＋98＝…＝49＋52＝50+51

1～100正好可以分成這樣的50對數，每對數的和都相等。於是，小高斯把這道題巧算為：

（1+100）×100÷2＝5050。

(1)高斯平滑演算法擴展閱讀：

高斯的故事：

高斯是一對普通夫婦的兒子。他的母親是一個貧窮石匠的女兒，雖然十分聰明，但卻沒有接受過教育，近似於文盲。在她成為高斯父親的第二個妻子之前，她從事女傭工作。他的父親曾做過園丁，工頭，商人的助手和一個小保險公司的評估師。當高斯三歲時便能夠糾正他父親的借債帳目的事情，已經成為一個軼事流傳至今。他曾說，他能夠在腦袋中進行復雜的計算。

小時候高斯家裡很窮，且他父親不認為學問有何用，但高斯依舊喜歡看書，話說在小時候，冬天吃完飯後他父親就會要他上床睡覺，以節省燃油，但當他上床睡覺時，他會將蕪菁的內部挖空，裡面塞入棉布卷，當成燈來使用，以繼續讀書。

當高斯12歲時，已經開始懷疑元素幾何學中的基礎證明。當他16歲時，預測在歐氏幾何之外必然會產生一門完全不同的幾何學，即非歐幾里德幾何學。他導出了二項式定理的一般形式，將其成功的運用在無窮級數，並發展了數學分析的理論。

等差數列公式

等差數列公式an=a1+(n-1)d

前n項和公式為：Sn=na1+n(n-1)d/2

若公差d=1時：Sn=(a1+an)n/2

若m+n=p+q則：存在am+an=ap+aq

若m+n=2p則：am+an=2ap

以上n均為正整數。和Sn，首相a1，末項an，公差d，項數n。

❷ 什麼是高斯演算法

高斯小時候非常淘氣，一次老師去開會他和同學們鬧騰。老師回來後大發雷霆，命令他們全班所有人都開始算1+2+3+4+5+6+……+100的得數。全班只有高斯想出來的（1＋100）＋（2＋99）＋（3＋98）……＋（50＋51）…………一共有50個101，所以50·101就是1加到一百的得數。後來人們把這種簡便演算法稱作高斯演算法。

就是：（首項+末項）*項數/2

❸ canny演算法的演算法的實現步驟

Canny邊緣檢測演算法可以分為以下5個步驟： 應用高斯濾波來平滑圖像，目的是去除雜訊 找尋圖像的強度梯度（intensity gradients） 應用非最大抑制（non-maximum suppression）技術來消除邊誤檢（本來不是但檢測出來是） 應用雙閾值的方法來決定可能的（潛在的）邊界 利用滯後技術來跟蹤邊界 1. 圖像平滑（去雜訊）
任何邊緣檢測演算法都不可能在未經處理的原始數據上很好地工作，所以第一步是對原始數據與高斯 mask 作卷積，得到的圖像與原始圖像相比有些輕微的模糊（blurred）。這樣，單獨的一個像素雜訊在經過高斯平滑的圖像上變得幾乎沒有影響。以下為一個5X5高斯濾波器（高斯核，標准差delta=1.4），其中A為原始圖像，B為平滑後的圖像。


2. 尋找圖像中的強度梯度
Canny演算法的基本思想是找尋一幅圖相中灰度強度變化最強的位置。所謂變化最強，即指梯度方向。平滑後的圖像中每個像素點的梯度可以由Sobel運算元（一種卷積運算）來獲得（opencv中有封裝好的函數，可以求圖像中每個像素點的n階導數）。首先，利用如下的核來分別求得沿水平（x）和垂直（y）方向的梯度G_X和G_Y。
K_{GX} = [-1 0 1 ; -2 0 2 ; -1 0 1], K_{GY} = {1 2 1 ; 0 0 0 ; -1 -2 -1}
之後便可利用公式來求得每一個像素點的梯度度量值（gradient magnitude，可能翻譯得不準確）。
，有時為了計算簡便，也會使用G_X和G_Y的無窮大范數來代替二范數。把平滑後的圖像中的每一個點用G代替，可以獲得如下圖像。從下圖可以看出，在變化劇烈的地方（邊界處），將獲得較大的梯度度量值G，對應的顏色為白色。然而，這些邊界通常非常粗，難以標定邊界的真正位置。為了做到這一點（參考非極大抑制Non-maximum suppression一節），還必須存儲梯度方向，其公式如下圖所示。也就是說在這一步我們會存數兩塊數據，一是梯度的強度信息，另一個是梯度的方向信息。

3. 非極大抑制Non-maximum suppression
這一步的目的是將模糊（blurred）的邊界變得清晰（sharp）。通俗的講，就是保留了每個像素點上梯度強度的極大值，而刪掉其他的值。對於每個像素點，進行如下操作：
a) 將其梯度方向近似為以下值中的一個（0,45,90,135,180,225,270,315）（即上下左右和45度方向）
b) 比較該像素點，和其梯度方向正負方向的像素點的梯度強度
c) 如果該像素點梯度強度最大則保留，否則抑制（刪除，即置為0）
為了更好的解釋這個概念，看下圖。

圖中的數字代表了像素點的梯度強度，箭頭方向代表了梯度方向。以第二排第三個像素點為例，由於梯度方向向上，則將這一點的強度（7）與其上下兩個像素點的強度（5和4）比較，由於這一點強度最大，則保留。處理後效果如下圖所示。

上圖中，可以想像，邊界處的梯度方向總是指向垂直於邊界的方向，即最後會保留一條邊界處最亮的一條細線。
4.雙閾值（Double Thresholding）
經過非極大抑制後圖像中仍然有很多雜訊點。Canny演算法中應用了一種叫雙閾值的技術。即設定一個閾值上界和閾值下界（opencv中通常由人為指定的），圖像中的像素點如果大於閾值上界則認為必然是邊界（稱為強邊界，strong edge），小於閾值下界則認為必然不是邊界，兩者之間的則認為是候選項（稱為弱邊界，weak edge），需進行進一步處理。經過雙閾值處理的圖像如下圖所示

上圖中右側強邊界用白色表示，弱邊界用灰色表示。
5.利用滯後的邊界跟蹤
這里就不細作解釋了。大體思想是，和強邊界相連的弱邊界認為是邊界，其他的弱邊界則被抑制。
以上內容均翻譯自參考文獻【4】
上一個網路版本：
圖像中的邊緣可能會指向不同的方向，所以 Canny 演算法使用 4 個 掩模（mask） 檢測水平、垂直以及對角線方向的邊緣。原始圖像與每個 mask 所作的卷積都存儲起來。對於每個點我們都標識在這個點上的最大值以及生成的邊緣的方向。這樣我們就從原始圖像生成了圖像中每個點亮度梯度圖以及亮度梯度的方向。以下兩個公式分別求取高斯濾波後圖像的梯度幅值及其方向的表達式。這一步，也叫稱為非極大抑制（Non-maximum suppression）。


3. 在圖像中跟蹤邊緣
較高的亮度梯度比較有可能是邊緣，但是沒有一個確切的值來限定多大的亮度梯度是邊緣多大又不是，所以 Canny 使用了滯後閾值。
滯後閾值（Hysteresis thresholding） 需要兩個閾值，即高閾值與低閾值。假設圖像中的重要邊緣都是連續的曲線，這樣我們就可以跟蹤給定曲線中模糊的部分，並且避免將沒有組成曲線 的雜訊像素當成邊緣。所以我們從一個較大的閾值開始，這將標識出我們比較確信的真實邊緣，使用前面導出的方向信息，我們從這些真正的邊緣開始在圖像中跟蹤 整個的邊緣。在跟蹤的時候，我們使用一個較小的閾值，這樣就可以跟蹤曲線的模糊部分直到我們回到起點。
一旦這個過程完成，我們就得到了一個二值圖像，每點表示是否是一個邊緣點。
一個獲得亞像素精度邊緣的改進實現是在梯度方向檢測二階方向導數的過零點，它在梯度方向的三階方向導數滿足符號條件。
滯後閾值也可以用於亞像素邊緣檢測。

❹ 高斯濾波的演算法原理

高斯濾波實質上是一種信號的濾波器，其用途是信號的平滑處理，人們知道數字圖像用於後期應用，其雜訊是最大的問題，由於誤差會累計傳遞等原因，很多圖像處理教材會在很早的時候介紹Gauss濾波器，用於得到信噪比SNR較高的圖像（反應真實信號）。與此相關的有Gauss-Laplace變換，其實就是為了得到較好的圖像邊緣，先對圖像做Gauss平滑濾波，剔除雜訊，然後求二階導矢，用二階導的過零點確定邊緣，在計算時也是頻域乘積=>空域卷積。
濾波器就是建立的一個數學模型，通過這個模型來將圖像數據進行能量轉化，能量低的就排除掉，雜訊就是屬於低能量部分。
若使用理想濾波器，會在圖像中產生振鈴現象。採用高斯濾波器的話，系統函數是平滑的，避免了振鈴現象。

❺ Matlab邊緣檢測問題

用mesh語句似乎可以，具體也不了解你的情況，感覺怪怪的，發一段我以前些的程序，用羅伯特運算元寫的，把運算元一改就是sobel了。兩種邊緣檢測近似演算法奉上：
clc
close all
clear all
%%%生成高斯平滑濾波模板%%%
%%%%%%%%%%%%%%%%%%%%%%%%%
hg=zeros(3,3); %設定高斯平滑濾波模板的大小為3*3
delta=0.5;
for x=1:1:3
for y=1:1:3
u=x-2;
v=y-2;
hg(x,y)=exp(-(u^2+v^2)/(2*pi*delta^2));
end
end
h=hg/sum(hg(:));
%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%讀入圖像%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%

f = imread('1111.tif'); % 讀入圖像文件
f=rgb2gray(im2double(f));
imshow(f)
title('原始圖像');
[m,n]=size(f);
ftemp=zeros(m,n);
rowhigh=m-1;
colhigh=n-1;
%%%高斯濾波%%%
for x=2:1:rowhigh-1
for y=2:1:colhigh-1
mod=[f(x-1,y-1) f(x-1,y) f(x-1,y+1); f(x,y-1) f(x,y) f(x,y+1);f(x+1,y-1) f(x+1,y) f(x+1,y+1)];
A=h.*mod;
ftemp(x,y)=sum(A(:));
end
end
f=ftemp
figure,imshow(f)
title('通過高斯濾波器後的圖像');

% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% %%%利用roberts運算元進行邊緣檢測%%%
% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
sx=[-1 -2 -1;0 0 0;1 2 1];
sy=[-1 0 1;-2 0 2;-1 0 1];
for x=2:1:rowhigh-1
for y=2:1:colhigh-1
mod=[f(x-1,y-1) f(x-1,y) f(x-1,y+1); f(x,y-1) f(x,y) f(x,y+1);f(x+1,y-1) f(x+1,y) f(x+1,y+1)];
fsx=sx.*mod;
fsy=sy.*mod;
ftemp(x,y)=sqrt((sum(fsx(:)))^2+(sum(fsy(:)))^2);
end
end
fr=im2uint8(ftemp);
figure,imshow(fr)
title('用roberts運算元邊緣檢測的原始圖像');

%%%域值分割%%%
TH1=60; %設定閾值
for x=2:1:rowhigh-1
for y=2:1:colhigh-1
if (fr(x,y)>=TH1)&((fr(x,y-1) <= fr(x,y)) & (fr(x,y) > fr(x,y+1)) )
fr(x,y)=200;
elseif(fr(x,y)>=TH1)&( (fr(x-1,y) <=fr(x,y)) & (fr(x,y) >fr(x+1,y)))
fr(x,y)=200;
else fr(x,y)=50;
end
end
end
figure,imshow(fr)
title('用roberts運算元邊緣檢測並細化後的圖像');
%%%%%%%%%%%%%%%%%%%%%%%%%%
利用第一種近似演算法進行邊緣檢測%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%3*3的sobel運算元%%%%%%%%
sx=[-1 -2 -1;0 0 0;1 2 1];
sy=[-1 0 1;-2 0 2;-1 0 1];
%sx=[0 1 2;-1 0 1;-2 -1 0];
%sy=[-2 -1 0;-1 0 1;0 1 2];
for x=2:1:rowhigh-1
for y=2:1:colhigh-1
mod=[f(x-1,y-1) f(x-1,y) f(x-1,y+1); f(x,y-1) f(x,y) f(x,y+1);f(x+1,y-1) f(x+1,y) f(x+1,y+1)];
fsx=sx.*mod;
fsy=sy.*mod;
ftemp(x,y)=abs(sum(fsx(:)))+abs(sum(fsy(:)));
end
end
fs=im2uint8(ftemp);
figure,imshow(fs)
title('用第一種近似演算法進行邊緣檢測的原始圖像');
%%%域值分割%%%
TH2=200; %設定閾值
for x=2:1:rowhigh-1
for y=2:1:colhigh-1
if (fs(x,y)>=TH2)&((fs(x,y-1) <= fs(x,y)) & (fs(x,y) > fs(x,y+1)) )
fs(x,y)=200;
elseif(fs(x,y)>=TH2)&( (fs(x-1,y) <=fs(x,y)) & (fs(x,y) >fs(x+1,y)))
fs(x,y)=200;
else fs(x,y)=50;
end
end
end
figure,imshow(fs)
title('採用第一種近似演算法進行邊緣檢測後的圖像');

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%利用第二種近似演算法進行邊緣檢測%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%3*3的sobel運算元%%%%%%%%
sx=[-1 -2 -1;0 0 0;1 2 1];
sy=[-1 0 1;-2 0 2;-1 0 1];
%sx=[0 1 2;-1 0 1;-2 -1 0];
%sy=[-2 -1 0;-1 0 1;0 1 2];
for x=2:1:rowhigh-1
for y=2:1:colhigh-1
mod=[f(x-1,y-1) f(x-1,y) f(x-1,y+1); f(x,y-1) f(x,y) f(x,y+1);f(x+1,y-1) f(x+1,y) f(x+1,y+1)];
fsx=sx.*mod;
fsy=sy.*mod;
ftemp(x,y)=max(abs(sum(fsx(:))),abs(sum(fsy(:))));
end
end
fs=im2uint8(ftemp);
figure,imshow(fs)
title('用第二種近似演算法進行邊緣檢測的原始圖像');
%%%域值分割%%%
TH2=200; %設定閾值
for x=2:1:rowhigh-1
for y=2:1:colhigh-1
if (fs(x,y)>=TH2)&((fs(x,y-1) <= fs(x,y)) & (fs(x,y) > fs(x,y+1)) )
fs(x,y)=200;
elseif(fs(x,y)>=TH2)&( (fs(x-1,y) <=fs(x,y)) & (fs(x,y) >fs(x+1,y)))
fs(x,y)=200;
else fs(x,y)=50;
end
end
end
figure,imshow(fs)
title('採用第二種近似演算法進行邊緣檢測後的圖像');