CN112785512B - 一种高斯模糊图像处理的优化方法 - Google Patents

Abstract

本发明公开了一种高斯模糊图像处理的优化算法，包括：获取高斯模糊半径r；将待处理图像中各像素点分别作为中心像素，计算中心像素的高斯模糊值，中心像素的高斯模糊值计算方法为：确定目标图像；将目标图像中的像素点按照与中心像素之间的距离分成若干组，位于同一组的像素点与中心像素之间的距离相等，计算各组的加权系数；将所有组的加权系数与所对应组中像素点的灰度值做卷积运算，得到中心像素的高斯模糊值。本发明的高斯模糊图像处理的优化算法，把原有的计算方法中卷积运算的相当大的一部分浮点数乘除法运算已经转化为了整数加法运算，极大的减少了计算量，用在高端的控制模块中时，减少对资源的占用，即便在低端的控制模块中同样适用。

Description

一种高斯模糊图像处理的优化方法

技术领域

本发明属于图像处理技术领域，具体地说，涉及一种高斯模糊图像处理的优化算法。

背景技术

高斯模糊作为图像处理的一种视觉效果，现在已经广泛应用在各种行业，例如荧幕显示、视频处理等等，其本质是图像平滑技术，可呈现出类似于透过毛玻璃看图像视觉效果。

高斯模糊算法包含有大量的数据处理，实际上，随着高斯模糊视觉效果的增强，数据处理量是呈幂级数上升的。目前高斯模糊算法的计算公式如下：

其中f(x,y)为原图像，h(x,y)为加权阵列，g(x,y)为处理后的图像，L为加权阵列的维数(由模糊半径计算得来)。假设有一幅分辨率为1024*1024的图像，当加入半径为3的高斯模糊算法后，图像阵列和加权阵列会是一个7*7的阵列，其二维卷积长度为7*7＝49，整个图像的每一个像素点都需要进行这样的卷积，也就是计算量是1024*1024*49，此外，这么大的计算量包含大量的浮点数运算，总的计算量极大。

因此目前高斯模糊效果极少出现在非专业图像显示的电器设备中，例如家电设备、工控设备、穿戴设备等设备的显示，因为这类行业的主处理芯片无法处理如此大的计算量，即使可以处理也会极占用资源，影响设备对其他数据的处理能力。

发明内容

本发明针对现有技术中由于高斯模糊图像处理计算量大，处理时占用处理器资源大甚至处理性能较低的处理器无法高进行斯模糊图像处理的技术问题，提出了一种高斯模糊图像处理的优化算法，可以解决上述问题。

为实现上述发明目的，本发明采用下述技术方案予以实现：

一种高斯模糊图像处理的优化算法，包括：

获取高斯模糊半径r；

获取高斯模糊算子

获取系数A；

将待处理图像中各像素点分别作为中心像素，计算所述中心像素的高斯模糊值，中心像素的高斯模糊值计算方法为：

确定目标图像，以所述中心像素做为中心、r为半径范围内的所有像素点组成所述目标图像；

将所述目标图像中的像素点按照与所述中心像素之间的距离分成若干组，位于同一组的像素点与所述中心像素之间的距离相等，计算各组的加权系数

其中a_i为第i组中的像素点与中心像素之间的距离；

将所有组的加权系数与所对应组中像素点的灰度值做卷积运算，得到所述中心像素的高斯模糊值。

进一步的，将所有组的加权系数与所对应组中像素点的灰度值做卷积运算的方法为：

n为将所述目标图像中的像素点所分成的组数，为正整数，B_i为第i组中所有像素点的灰度值之和，z为中心像素的高斯模糊值。

进一步的，a_i的计算方法为：

a_i＝(x_i-x₀)²+(y_i-y₀)²；

(x_i,y_i)为第i组中任一像素点的位置，(x₀,y₀)为中心像素的位置。

进一步的，计算a_i时，设定x₀＝0，y₀＝0，则a_i＝x_i ²+y_i ²。

进一步的，第i组中任一像素点的位置(x_i,y_i)的确定方法为：

以该组的中心像素位置为原点，建立坐标系；

所述坐标系中的最小单位为一个像素，确定该组中的其他像素点的位置。

进一步的，r的取值范围为不大于6个像素。

进一步的，r的取值为3个像素。

进一步的，将所述目标图像所分的组中包括与所述中心像素的距离为零的一组，该组中包括所述中心像素一个元素。

进一步的，所述高斯模糊算子

其中，σ为所述目标图像的标准差。

进一步的，所述系数

其中，σ为所述目标图像的标准差。

与现有技术相比，本发明的优点和积极效果是：本发明的高斯模糊图像处理的优化算法，利用像素点的加权系数与距离中心像素的距离的关系，通过将高斯模糊半径内的所有像素点按照距离进行分组，高斯模糊运算时，位于同一组的所有像素点的加权系数相等，因此，每一组只需计算一次加权系数，将所有组的加权系数与所对应组中像素点的灰度值做一次卷积运算，即可得到中心像素的高斯模糊值。因此可以把原有的计算方法中卷积运算的相当大的一部分浮点数乘除法运算已经转化为了整数加法运算，可以极大的减少了计算量，用在高端的控制模块中时，减少对资源的占用，即便在低端的控制模块中同样适用。

结合附图阅读本发明的具体实施方式后，本发明的其他特点和优点将变得更加清楚。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提出的高斯模糊图像处理的优化算法的一种实施例中高斯模糊示意图；

图2是本发明提出的高斯模糊图像处理的优化算法的一种实施例的计算流程图；

图3是图2中中心像素的高斯模糊值计算方法的计算流程图；

图4是本发明提出的高斯模糊图像处理的优化算法的一种实施例中高斯模糊计算的权重系数分布图；

图5是本发明提出的高斯模糊图像处理的优化算法的一种实施例中位于同一组的各像素点与中心像素之间的距离矩阵；

图6是本发明提出的高斯模糊图像处理的优化算法的一种实施例中坐标确定示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明作进一步详细说明。

实施例一

高斯模糊就是将图像中每一个像素点的灰度值与该像素点周围的像素点的灰度值求平均，以此来使得图像看起来更加平滑。求平均所取的像素点的数量决定了图像的平滑效果，当取周围像素点越多，平滑的效果就越好，因此，需要采用高斯模糊半径衡量求平均所取的像素点数。例如，当模糊半径为1个像素时，代表中心像素点与周围距离为1个像素点的灰度求平均，也即，如图1所示，将待模糊的像素点(中心像素)和周围8个像素点的灰度值求平均。

为了解决现有的高斯模糊算法中采用二维卷积的方式计算量大的技术问题，本实施例提出了一种高斯模糊图像处理的优化算法，如图2、图3所示，包括：

获取高斯模糊半径r；高斯模糊半径r可以根据需要进行设定，高斯模糊半径越大，高斯模糊计算时参与计算的像素点越多，平滑效果越好。

将待处理图像中各像素点分别作为中心像素，计算中心像素的高斯模糊值，中心像素的高斯模糊值计算方法为：

确定目标图像，以中心像素做为中心、r为半径范围内的所有像素点组成目标图像；

将目标图像中的像素点按照与中心像素之间的距离分成若干组，位于同一组的像素点与中心像素之间的距离相等，计算各组的加权系数，如图5所示，为目标图像中的像素点与中心像素之间的距离矩阵，其中值为0的元素对应中心像素，由图5可知，距离为1的具有矩形圈出来的4个像素点，距离为5的具有4个像素点，一旦中心像素和高斯模糊半径r确定，目标图像及距离矩阵也相应确定，因此所能够分成的组数、每一组所包含的像素点数量也确定。将目标图像中的像素点所分的组数与高斯模糊半径r有关，高斯模糊半径r越大，参与计算的像素点数量越多，像素点与中心像素之间的距离值越多，相应分组越多。

将所有组的加权系数与所对应组中像素点的灰度值做卷积运算，得到中心像素的高斯模糊值。

如前面所提到，高斯模糊计算是通过将中心像素的灰度值与周围像素的灰度值求平均得到，一般不采用简单的线性平均。通过研究可以发现周围像素与中心像素的距离有关系，距离中心像素越近，该像素点与中心像素的相关性越高，本实施例中将周围像素点与中心像素的相关性用加权系数表征。加权系数的分布特性和高斯函数(也即正态分布)很类似，可以容易知道权重是非线性分布的，距离越近相关性越高，加权系数越大。

各组的加权系数与该组中像素点和中心像素之间的距离有关，因此，加权系数可以表示为g(a_i)，其中，a_i为第i组中的任一像素点与中心像素之间的距离。

如图4所示，对于二维图像的权重系数分布也是呈二维分布，其分布函数表达式也应该是二维形式：

σ为待处理图像的标准差，由此表达式可知，权重系数的幂次与像素点的位置(x，y)有关，因此，本实施例中定义高斯模糊算子

则第i组的加权系数可表示为

其中，a_i＝x²+y²，表示第i组中的像素点(x，y)与中心像素之间的距离，A为常系数。

本实施例中将所有组的加权系数与所对应组中像素点的灰度值做卷积运算的方法为：

n为将目标图像中的像素点所分成的组数，为正整数，B_i为第i组中所有像素点的灰度值之和，z为中心像素的高斯模糊值。

a_i的计算方法为：

a_i＝(x_i-x₀)²+(y_i-y₀)²；

(x_i,y_i)为第i组中任一像素点的位置，(x₀,y₀)为中心像素的位置。

在高斯模糊图像处理中，由于要分别为图像中的每个像素点计算高斯模糊值，高斯模糊值仅与高斯模糊半径以及高斯模糊半径范围内的像素点的灰度值及其与中心像素的距离有关，因此，为了减少计算量，简化计算方法，本实施例中计算a_i时，设定x₀＝0，y₀＝0，则a_i＝x_i ²+y_i ²。也即，本方法中通过将中心像素的位置设定为(0,0)，只需要知道像素点与中心像素的相对位置即可。可以减少两步减法步骤。

为了进一步减少计算量，如图6所示，第i组中任一像素点的位置(x_i,y_i)的确定方法为：

以该组的中心像素位置为原点，建立坐标系；

坐标系中的最小单位为一个像素，确定该组中的其他像素点的位置。

当遍历图像中的所有像素，分别计算图像中每个像素点的高斯模糊值时，分别以该像素点作为中心像素，且以该组的中心像素位置为原点，该组中的其他像素点的位置的坐标值均为整数，可以将距离计算简化为整数的计算，计算量非常小。

计算中心像素的高斯模糊值，需要将根据高斯模糊半径所确定的目标图像中的所有像素进行计算，因此包括中心像素本身，也即将目标图像所分的组中包括与中心像素的距离为零的一组，该组中包括中心像素一个元素。

以高斯模糊半径r取值3个像素为例，则目标图像中的像素点所分成的组数n为10，各组的加权系数分别为：

中心像素的高斯模糊值z的公式为：

因此，只需在计算加权系数时进行10次浮点运算即可，如此方法完成一幅分辨率为1024*1024的图像的高斯模糊计算量为1024*1024*10，其余运算为整数加法运算，其运算时资源占用率以及计算时间可以忽略，与现有技术中进行1024*1024*49次浮点运算相比，极大的简化了计算量。

通过定义高斯模糊算子

和系数A，至少对同一个目标图像而言，高斯模糊算子

和系数A是不变的，因此，可以先计算出高斯模糊算子

和系数A，再分别计算各组的加权系数，同样有利于减少计算量，不用在计算每组的加权系数时每次都要把共同的高斯模糊算子

和系数A再计算一遍。

从图4以及二维图像的权重系数分布函数可知，本实施例中的高斯模糊算子

其中，σ为目标图像的标准差。

同理的，从图4以及二维图像的权重系数分布函数可知，本实施例中的系数

由高斯模糊算子

的公式可知，算子是一个关于距离x²+y²的幂指数函数，距离中心像素较远的像素点计算就类似于泰勒展开式中的高阶无穷小，这些系数的计算其实对中心像素灰度的计算的影响已经非常小了，在实际应用中，一般把距离大于3σ的像素点计算可以忽略不计，所以本实施例中高斯模糊半径r的取值范围为不大于6个像素。

本实施例中高斯模糊半径r的取值优选为3个像素。

综上，本实施例的高斯模糊图像处理的优化算法的计算量显著减少，用在高端的控制模块中时，减少对资源的占用，即便在低端的控制模块中同样适用。将该方法应用于成本控制严格的电器设备中，可以解决目前电器设备的控制模块无法进行高斯模糊计算因而无法计算显示输出具有高斯模糊效果图像的技术问题，可以增加电器设备的图像显示多样化。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (8)

1.一种高斯模糊图像处理的优化方法，其特征在于，包括：

获取高斯模糊半径r；

将待处理图像中各像素点分别作为中心像素，计算所述中心像素的高斯模糊值，中心像素的高斯模糊值计算方法为：

确定目标图像，以所述中心像素做为中心、r为半径范围内的所有像素点组成所述目标图像；

将所述目标图像中的像素点按照与所述中心像素之间的距离分成若干组，位于同一组的像素点与所述中心像素之间的距离相等，计算各组的加权系数；

将所有组的加权系数与所对应组中像素点的灰度值做卷积运算，得到所述中心像素的高斯模糊值；

将所有组的加权系数与所对应组中像素点的灰度值做卷积运算的方法为：

n为将所述目标图像中的像素点所分成的组数，为正整数，B_i为第i组中所有像素点的灰度值之和，z为中心像素的高斯模糊值；

第i组中任一像素点的位置(x_i,y_i)的确定方法为：

以该组的中心像素位置为原点，建立坐标系；

所述坐标系中的最小单位为一个像素，确定该组中的其他像素点的位置。

2.根据权利要求1所述的高斯模糊图像处理的优化方法，其特征在于，第i组的加权系数为

其中a_i为第i组中的像素点与中心像素之间的距离，

为高斯模糊算子，A为常系数。

3.根据权利要求2所述的高斯模糊图像处理的优化方法，其特征在于，a_i的计算方法为：

a_i＝(x_i-x₀)²+(y_i-y₀)²；

(x_i,y_i)为第i组中任一像素点的位置，(x₀,y₀)为中心像素的位置。

4.根据权利要求3所述的高斯模糊图像处理的优化方法，其特征在于，计算a_i时，设定x₀＝0，y₀＝0，则a_i＝x_i ²+y_i ²。

5.根据权利要求1所述的高斯模糊图像处理的优化方法，其特征在于，r的取值范围为不大于6个像素。

6.根据权利要求1所述的高斯模糊图像处理的优化方法，其特征在于，将所述目标图像所分的组中包括与所述中心像素的距离为零的一组，该组中包括所述中心像素一个元素。

7.根据权利要求2所述的高斯模糊图像处理的优化方法，其特征在于，所述高斯模糊算子

其中，σ为所述目标图像的标准差。

8.根据权利要求2所述的高斯模糊图像处理的优化方法，其特征在于，所述常系数

其中，σ为所述目标图像的标准差。

Images