均值滤波器和高斯滤波器的频率域模型

均值滤波器和高斯滤波器的频率域模型

简单而言，图像细节对应于高频信号。图像的大尺度特征对应于低频信号。值得注意的是随机的图像噪声通常对应于高频信号。

矩形函数的频率域模型

空间域模型

二维矩形函数 \(f(t, z)\) 定义为：

\[ f(t, z) = \begin{cases} A, & -\frac{T}{2} \leq t \leq \frac{T}{2}, \quad -\frac{Z}{2} \leq z \leq \frac{Z}{2} \\ 0, & \text{otherwise} \end{cases} \]

其中 \(A\) 是幅度，\(T\) 和 \(Z\) 分别为 \(t\) 与 \(z\) 方向的宽度。若\(T > Z\)，则矩形在 \(t\) 方向上更长。

频率域模型

二维傅里叶变换定义为：

\[ F(\mu, \nu) = \iint f(t, z) \, e^{-j 2\pi (\mu t + \nu z)} \, dt \, dz \]

将定义域代入得：

\[ F(\mu, \nu) = \int_{-Z/2}^{Z/2} \int_{-T/2}^{T/2} A e^{-j 2\pi (\mu t + \nu z)} \, dt \, dz \]

由于积分可分离，写为：

\[ F(\mu, \nu) = A \left( \int_{-T/2}^{T/2} e^{-j 2\pi \mu t} \, dt \right) \left( \int_{-Z/2}^{Z/2} e^{-j 2\pi \nu z} \, dz \right) \]

对 \(t\) 积分：

\[ \int_{-T/2}^{T/2} e^{-j 2\pi \mu t} \, dt = \frac{e^{-j 2\pi \mu t}}{-j 2\pi \mu} \Big|_{-T/2}^{T/2} = \frac{e^{-j \pi \mu T} - e^{j \pi \mu T}}{-j 2\pi \mu} = \frac{\sin(\pi \mu T)}{\pi \mu} \]

整理为：

\[ \int_{-T/2}^{T/2} e^{-j 2\pi \mu t} \, dt = T \cdot \text{sinc}(\mu T) \]

对 \(z\) 积分：

\[ \int_{-Z/2}^{Z/2} e^{-j 2\pi \nu z} \, dz = \frac{e^{-j 2\pi \nu z}}{-j 2\pi \nu} \Big|_{-Z/2}^{Z/2} = \frac{e^{-j \pi \nu Z} - e^{j \pi \nu Z}}{-j 2\pi \nu} = \frac{\sin(\pi \nu Z)}{\pi \nu} \]

整理为：

\[ \int_{-Z/2}^{Z/2} e^{-j 2\pi \nu z} \, dz = Z \cdot \text{sinc}(\nu Z) \]

将两个积分结果相乘：

\[ F(\mu, \nu) = A \left[ T \cdot \text{sinc}(\mu T) \right] \left[ Z \cdot \text{sinc}(\nu Z) \right] = A T Z \cdot \text{sinc}(\mu T) \cdot \text{sinc}(\nu Z) \]

因此，二维矩形函数的傅里叶变换为：

\[ \boxed{ F(\mu, \nu) = A T Z \cdot \text{sinc}(\mu T) \cdot \text{sinc}(\nu Z) } \]

其中：

• \(A\) 控制整体幅度；
• \(T\) 与 \(Z\) 分别决定频谱在 \(\mu\) 与 \(\nu\) 方向的主瓣宽度；
• 频谱的形状由两个 \(\text{sinc}\) 函数控制，且主瓣宽度 \(\propto 1/T\)、\(1/Z\)；

其幅度谱为：

\[ |F(\mu, \nu)| = A T Z \cdot |\text{sinc}(\mu T)| \cdot |\text{sinc}(\nu Z)| \]

由于 \(T > Z\)，\(\text{sinc}(\mu T)\) 的主瓣宽度（零点间距为 \(1/T\)）比 \(\text{sinc}(\nu Z)\) 更窄，因此在频率域中谱在 \(\mu\) 方向更”收缩”（contracted）。

均值滤波器的频率域模型

空间域模型

二维均值滤波器的核 \(h(x, y)\) 可以看作一个矩形窗口函数：

\[ h(x, y) = \begin{cases} \frac{1}{M^2}, & -\frac{M-1}{2} \leq x, y \leq \frac{M-1}{2} \\ 0, & \text{otherwise} \end{cases} \]

它与矩形函数类似，只是进行了归一化（总能量为 1）。当核为方形时，\(T = Z = M\)；若为非方形（\(M_x \times M_y\)），则可类比为 \(T = M_x, Z = M_y\)。

频率域模型

离散二维傅里叶变换可表示为：

\[ H(u, v) = \frac{1}{M^2} \sum_{x=-\frac{M-1}{2}}^{\frac{M-1}{2}} \sum_{y=-\frac{M-1}{2}}^{\frac{M-1}{2}} e^{-j 2\pi (ux/M + vy/M)} \]

由于可分离性：

\[ H(u, v) = \left( \frac{1}{M} \sum_{x=-\frac{M-1}{2}}^{\frac{M-1}{2}} e^{-j 2\pi ux/M} \right) \left( \frac{1}{M} \sum_{y=-\frac{M-1}{2}}^{\frac{M-1}{2}} e^{-j 2\pi vy/M} \right) \]

每个一维求和结果为：

\[ \sum_{x=-\frac{M-1}{2}}^{\frac{M-1}{2}} e^{-j 2\pi ux/M} = \frac{\sin(\pi u)}{\sin(\pi u / M)} \]

因此：

\[ H(u, v) = \frac{1}{M^2} \cdot \frac{\sin(\pi u)}{\sin(\pi u / M)} \cdot \frac{\sin(\pi v)}{\sin(\pi v / M)} \]

其中\(\frac{\sin(\pi u)}{\sin(\pi u / M)}\) 是离散傅里叶变换中的 Dirichlet 核，它是连续 \(\text{sinc}\) 函数在离散情况下的对应物。它具有与连续 \(\text{sinc}\) 函数相似的性质：低通特性，周期性零点，主瓣和旁瓣结构，幅度随频率增加而衰减等。

与图像特征的联系

• 矩形函数的非方形性：当 \(T > Z\) 时，频谱在 \(\mu\) 方向更窄、在 \(\nu\) 方向更宽。这反映出空间域与频率域的反比关系（宽的函数 → 窄的谱）。

• 均值滤波器的方形性：标准均值滤波器通常为方形核（\(T = Z = M\)），其频率响应 \(H(u, v)\) 对称，主瓣宽度在 \(u\) 和 \(v\) 方向相同。若使用非方形核（\(M_x \times M_y\)），则：

  \[ H(u, v) \propto \text{sinc}(u M_x) \cdot \text{sinc}(v M_y) \]

  主瓣宽度分别为 \(1/M_x\) 与 \(1/M_y\)，这与矩形函数 \(f(t, z)\) 的频谱形状完全一致。

高斯滤波器的频率域模型

空间域定义

高斯滤波器的空间域核基于二维高斯函数，其定义为：

\[ h(x, y) = A e^{-\frac{x^2 + y^2}{2\sigma^2}} \]

其中：

• \((x, y)\) 为空间坐标；
• \(\sigma\) 为标准差，控制平滑程度；
• \(A\) 为归一化因子，确保滤波核的总和为 1。

通常取：

\[ A = \frac{1}{2\pi\sigma^2} \]

因此：

\[ h(x, y) = \frac{1}{2\pi\sigma^2} e^{-\frac{x^2 + y^2}{2\sigma^2}} \]

在离散情况下，核通常截取在有限窗口内并进行归一化。

频率域模型

(1) 二维傅里叶变换

二维傅里叶变换定义为：

\[ H(u, v) = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} h(x, y) \, e^{-j 2\pi (u x + v y)} \, dx \, dy \]

代入高斯核：

\[ H(u, v) = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} \frac{1}{2\pi\sigma^2} e^{-\frac{x^2 + y^2}{2\sigma^2}} e^{-j 2\pi (u x + v y)} \, dx \, dy \]

由于高斯函数在 \(x\) 与 \(y\) 方向上可分离，可写为：

\[ H(u, v) = \frac{1}{2\pi\sigma^2} \left( \int_{-\infty}^{\infty} e^{-\frac{x^2}{2\sigma^2}} e^{-j 2\pi u x} \, dx \right) \left( \int_{-\infty}^{\infty} e^{-\frac{y^2}{2\sigma^2}} e^{-j 2\pi v y} \, dy \right) \]

(2) 一维高斯函数的傅里叶变换

已知一维高斯函数 \(e^{-a x^2}\) 的傅里叶变换为：

\[ \int_{-\infty}^{\infty} e^{-a x^2} e^{-j 2\pi u x} \, dx = \sqrt{\frac{\pi}{a}} \, e^{-\frac{\pi^2 u^2}{a}} \]

这里 \(a = \frac{1}{2\sigma^2}\)，代入得：

\[ \int_{-\infty}^{\infty} e^{-\frac{x^2}{2\sigma^2}} e^{-j 2\pi u x} \, dx = \sqrt{2\pi\sigma^2} \, e^{-2\pi^2 \sigma^2 u^2} \]

同理：

\[ \int_{-\infty}^{\infty} e^{-\frac{y^2}{2\sigma^2}} e^{-j 2\pi v y} \, dy = \sqrt{2\pi\sigma^2} \, e^{-2\pi^2 \sigma^2 v^2} \]

(3) 合并结果

代入两方向积分结果：

\[ H(u, v) = \frac{1}{2\pi\sigma^2} \cdot \sqrt{2\pi\sigma^2} \, e^{-2\pi^2 \sigma^2 u^2} \cdot \sqrt{2\pi\sigma^2} \, e^{-2\pi^2 \sigma^2 v^2} \]

化简得：

\[ H(u, v) = e^{-2\pi^2 \sigma^2 (u^2 + v^2)} \]

(4) 引入截止频率参数 \(D_0\)

设截止频率参数定义为：

\[ D_0 = \frac{1}{\sigma} \]

代入上式得：

\[ H(u, v) = e^{-2\pi^2 \cdot \frac{1}{D_0^2} (u^2 + v^2)} = e^{-\frac{2\pi^2 (u^2 + v^2)}{D_0^2}} \]

为简化表示，通常将 \(2\pi^2\) 吸收进归一化项中，并定义径向频率距离：

\[ D(u, v) = \sqrt{u^2 + v^2} \]

则标准化形式为：

\[ \boxed{ H(u, v) = e^{-\frac{D(u, v)^2}{D_0^2}} } \]

该表达式表明 \(H(u, v)\) 在原点处最大，随 \(D(u, v)\) 增大而指数衰减。

特性分析

(1) 低通特性

• 当 \(D(u, v) = 0\) 时，\(H(0, 0) = 1\)；
• 随着 \(D(u, v)\) 增大，\(H(u, v)\) 快速衰减；
• 有效抑制高频噪声与纹理。

(2) 平滑性

• 高斯函数在空间域和频率域中均为高斯形式；
• 其响应平滑、无振铃效应（无旁瓣），不同于矩形窗口引起的 \(\text{sinc}\) 振荡。

(3) 可调性

• 参数 \(D_0 = \frac{1}{\sigma}\) 控制截止频率：
  • \(D_0\) 越大 → 滤波范围越宽 → 保留更多高频信息；
  • \(D_0\) 越小 → 滤波范围越窄 → 平滑效果更强。

因此，高斯滤波器是一种在频率域上具有理想平滑特性的低通滤波器，是图像去噪与模糊处理中常用的核函数。

使用高斯滤波核下噪声压制与导数计算的简化

图像梯度的近似

如何应在离散像素点间计算图像梯度？图像梯度的近似实现定义了水平和垂直方向的梯度 \(F_x\) 和 \(F_y\)：

水平梯度：

\[ F_x(i, j) = \frac{F(i+1, j) - F(i-1, j)}{2} \]

垂直梯度：

\[ F_y(i, j) = \frac{F(i, j+1) - F(i, j-1)}{2} \]

\(F(i, j)\) 表示图像在位置 \((i, j)\) 的像素值，可以是原始图像 \(I\) 或平滑后的图像 \(J\)。该式采用 中心差分法（central difference method） 近似一阶偏导数：

\[ \frac{\partial F}{\partial x} \approx \frac{F(i+1, j) - F(i-1, j)}{2}, \quad \frac{\partial F}{\partial y} \approx \frac{F(i, j+1) - F(i, j-1)}{2} \]

中心差分比前向差分或后向差分更准确，因为它同时利用两侧邻域的信息，能有效抵消一阶误差，在噪声存在时表现更稳定。

该梯度计算方法广泛应用于：

• 边缘检测（如 Sobel、Prewitt、Canny 算法）；
• 特征提取（如角点检测）；
• 与高斯滤波结合用于平滑后求梯度，抑制噪声干扰。

符号定义

符号	含义
\(I\)	原始图像（raw image）
\(G\)	高斯核（Gaussian kernel）
\(J = I \otimes G\)	高斯滤波后的图像（filtered image）

高斯核的定义为：

\[ G(x, y) = \frac{1}{2\pi\sigma^2} e^{-\frac{x^2 + y^2}{2\sigma^2}} \]

其中 \(\sigma\) 控制平滑程度。卷积 \(J = I \otimes G\) 的作用是：

• 抑制高频噪声；
• 保留低频结构；
• 为后续梯度计算提供平滑输入。

卷积的导数性质

卷积运算满足导数可交换性，即：

\[ \frac{\partial (G \otimes I)}{\partial x} = \frac{\partial G}{\partial x} \otimes I \]

\[ \frac{\partial (G \otimes I)}{\partial y} = \frac{\partial G}{\partial y} \otimes I \]

证明如下

设：

\[ J(x, y) = (G \otimes I)(x, y) = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} G(x - x', y - y') I(x', y') \, dx' \, dy' \]

对 \(x\) 求偏导：

\[ \frac{\partial J}{\partial x} = \frac{\partial}{\partial x} \left[ \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} G(x - x', y - y') I(x', y') \, dx' \, dy' \right] \]

根据积分与微分可交换性（假设函数连续可导）：

\[ \frac{\partial J}{\partial x} = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} \frac{\partial G(x - x', y - y')}{\partial x} I(x', y') \, dx' \, dy' \]

定义 \(G_x = \frac{\partial G}{\partial x}\)，则：

\[ \frac{\partial J}{\partial x} = G_x \otimes I \]

同理：

\[ \frac{\partial J}{\partial y} = G_y \otimes I \]

高斯核的导数

已知：

\[ G(x, y) = \frac{1}{2\pi\sigma^2} e^{-\frac{x^2 + y^2}{2\sigma^2}} \]

其偏导数为：

\[ \frac{\partial G}{\partial x} = G(x, y) \left( -\frac{x}{\sigma^2} \right) \]

\[ \frac{\partial G}{\partial y} = G(x, y) \left( -\frac{y}{\sigma^2} \right) \]

由此得到高斯梯度滤波器（Gradient of Gaussian, GoG）：

• \(G_x\) 对应水平方向的边缘响应；
• \(G_y\) 对应垂直方向的边缘响应。

导数核同样平滑、连续且无振铃效应，比简单的差分算子更抗噪。

综合应用流程

梯度计算：

\[ J_x = \frac{\partial J}{\partial x} = G_x \otimes I \]

\[ J_y = \frac{\partial J}{\partial y} = G_y \otimes I \]

等价于先求高斯核导数再卷积原图。

边缘提取： 计算梯度幅值与方向：

\[ |\nabla J| = \sqrt{J_x^2 + J_y^2} \]

\[ \theta = \tan^{-1}\left( \frac{J_y}{J_x} \right) \]

总结

项目	说明
实现	使用中心差分法近似图像梯度：\(F_x, F_y\)
符号	\(I\)：原始图像，\(J = G \otimes I\)：高斯平滑结果
性质	卷积与导数可交换：\(\frac{\partial J}{\partial x} = G_x \otimes I\)
优势	抗噪性强，梯度连续，适用于边缘检测

核心结论：

\[ \boxed{ \frac{\partial (G \otimes I)}{\partial x} = \left( \frac{\partial G}{\partial x} \right) \otimes I, \quad \frac{\partial (G \otimes I)}{\partial y} = \left( \frac{\partial G}{\partial y} \right) \otimes I } \]

这一定律为高斯梯度滤波、Canny 算子等边缘检测算法提供了理论基础。