（三）对图像进行Gauss高斯平滑处理

图像在采集、传输和转换过程中都容易受环境的影响，这在图像中就表现为噪声，这些噪声会致使图像质量降低或者干扰我们提取原本想要的图像信息，所以需要通过滤波技术来去除这些图像中的噪声干扰。 常见的噪声有：椒盐（脉冲）噪声和高斯噪声。椒盐噪声是在图像上随机出现黑色白色像素即或明或暗的噪声点，用非线性滤波方法可去除。高斯噪声的幅值服从高斯分布（正态分布），用线性滤波方法可去除。 常用的滤波方法有：线性滤波（方框滤波、均值滤波、高斯滤波）和非线性滤波（中值滤波和双边滤波）。

均值滤波是一种简单典型的线性滤波算法。方法的思想是对当前像素，选择一个模板，该模板为此像素邻近的几个像素组成，用模板的均值替代当前像素的值。其原理如下式所示： 式中，(x,y)为像素点，g(x, y)为(x,y)的新灰度值，M 为模板 S 包含的像素点个数，模板 S 可以是四邻域或八邻域，分别如下图所示，f (x, y)为(x, y)的原灰度值。 均值滤波的优点是方法简单，计算速度快，缺点是降低噪声的同时使图像产生模糊，尤其是在边缘和细节部分。

高斯滤波可消除正态分布的高斯噪声，属于线性滤波。一维的高斯函数如式所示， 在二维中，一个各向同性（即圆对称）的高斯的形式如式所示： 式中，(x, y)为点坐标，δ为标准差。对高斯函数进行离散化，即可得到高斯滤波 器的模板系数。高斯函数具有五个性质，这使得高斯滤波也具有这些性质。

中值滤波属于非线性图像平滑滤波方法，该算法是对当前像素，选择一个模板，此模板为其邻近几个像素组成，中值滤波是一种类似于卷积的邻域运算，但不是加权求和，而是对模板的像素按灰度级进行排序，然后选择中间值作为输出像素值。 算法表达式为： 上式中， f (x -i, y-i)为输入像素灰度值，g(x, y)为输出像素灰度值，W 为滑动模板窗口，可以是方形、圆形等。

高斯平滑处理(Gaussian Smoothing)后的图像虽然肉眼上看会模糊，但是图像处理时有去除高频噪声的功能。 图像平滑是局部图像预处理的一种技术。图像经过灰度化、二值处理之后，可能存在有噪音，或者图像的不平稳性导致图像处理过程中有干扰对图像本质理解的频率信息，我们需要将这些噪音、频率信息等干扰处理掉，需要用到平滑处理。高斯平滑是对图片应用一个高斯滤波器（Gaussian Filter），来起到模糊图片和消除噪声的效果。 图中的左侧图片中的噪点就是图片中的高频部分，通过高斯滤波器抑制图片中的高频部分，而让低频部分顺利通过。 高斯滤波器是一种线性平滑滤波，适用于消除高斯噪声，广泛的应用在图像处理的减燥过程；其主要原理就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和领域内的其他像素值经过加权平均后得到。 其具体操作是：用一个模板（卷积）扫描图像中的每一个像素，用模板确定的领域内像素的加权平均灰度值去替代模板中心像素点的值。下图左侧展示了一个kernel_size = 5的Gaussian Filter，55是高斯分布的中心点，341是网格中所有值的和。驾驶网格矩阵为Q，图片为I，新图片为I’，则： Opencv中，利用高斯平滑去除高频噪点的同事，实现边缘保持，为下一步边缘检测做好准备。