高斯平滑

定义

• 用高斯核对图像做卷积的低通滤波，抑制高频噪声并平滑细节。二维高斯核： $G(x,y;\sigma )=\frac{1}{2\pi {\sigma }^2}\exp \left(-\frac{x^2+y^2}{2{\sigma }^2}\right)$

直观理解

• 每个像素替换为邻域内像素的加权平均，越靠近中心权重越大、越远越小；σ 越大，平滑越强、细节越弱。

关键性质

• 低通滤波：衰减高频成分（噪声/细纹理），保留低频（大结构/缓变区域）。
• 可分离性：2D 高斯可分为先水平再垂直一维卷积，计算量从 O(k^2) 降到 O(2k)。
• 线性与平移不变；多次小 σ 平滑近似一次更大 σ 平滑（方差可加性）。

参数与实现

• σ（标准差）：控制平滑强度。典型 0.8~2；σ 越大，边缘越被软化。
• 核大小：常取 k ≈ 6σ+1（奇数），覆盖主要能量范围。
• 边界处理：reflect/replicate/constant，不同策略会影响边缘处响应。
• 与均值滤波的区别：高斯权重随距离衰减，保边性与视觉效果优于均值（盒）滤波。

在金字塔与特征中的作用

• 高斯金字塔：先高斯平滑再下采样，减少混叠（aliasing）；是尺度空间理论的基础。
• Canny 边缘：先高斯平滑降噪再做梯度与非极大值抑制。
• BRIEF/ORB：在描述子采样前轻度平滑，提高对噪声与微小位移的鲁棒性；ORB 的多层金字塔也依赖高斯平滑。
• DoG（差分高斯）近似 LoG，用于 SIFT 等尺度不变检测。

取舍与注意

• σ 太小：降噪不足；σ 太大：边缘被过度模糊、定位精度下降。
• 下采样前一定先平滑，否则易混叠；比例越大（如 2× 降采样），需要相应更强的预滤波。
• 对强噪声图像可先小 σ 多次；实时系统优先用分离卷积实现。
• 简短总结
  • 高斯平滑是“有物理意义的加权平均”降噪方法，是多尺度处理与稳定特征提取的基石；在构建图像金字塔和特征描述前几乎是标配步骤。