Який зв’язок між сигмою та радіусом? Я читав, що сигма еквівалентна радіусу, не бачу, як сигма виражається в пікселях. Або "радіус" - це лише назва сигми, не пов'язане з пікселями?
Тут грають три речі. Дисперсія, ( ), радіус та кількість пікселів. Оскільки це двовимірна гауссова функція, має сенс говорити про матрицю коваріації \ boldsymbol {\ Sigma} . Хоч як би це не було, ці три поняття слабко пов'язані між собою. Σσ2Σ
Перш за все, 2-D гаусса задається рівнянням:
г( z )= 1( 2 π)2|Σ |-------√е-12( z - μ)ТΣ- 1 ( z - μ )
Де - вектор стовпця, що містить координати і на вашому зображенні. Отже, , а - вектор стовпця, що кодує середнє значення вашої гауссової функції, у напрямках та . x y z = [ x y ] μ x y μ = [ μ x μ y ]zхуz = [ xу]мкхуμ = [ мкхмку]
Приклад:
Тепер скажемо, що ми встановлюємо коваріаційну матрицю , і . Я також встановлю кількість пікселів на х . Крім того, моя "сітка", де я оцінюю цей PDF, збирається від до , як і . Це означає, що у мене є роздільна здатність сітки . Але це абсолютно довільно. За допомогою цих налаштувань я отримаю зображення функції щільності ймовірності зліва. Тепер, якщо я зміню 'дисперсію', (справді коваріація), така, щоΣ = [ 1001]μ = [ 00]100100-1010ху10 - ( - 10 )100= 0,2Σ = [ 9009] а все інше залишиться однаковим, я отримую зображення праворуч.
Кількість пікселів досі однакова для обох, х , але ми змінили дисперсію. Припустимо, замість цього ми робимо той же експеримент, але натомість використовуємо х пікселів, але я все-таки працював від до . Тоді моя сітка має роздільну здатність . Якщо я використовую ті ж коваріани, що і раніше, я отримую це:1001002020- 101010 - ( - 10 )20= 1
Ось як ви повинні зрозуміти взаємодію між цими змінними. Якщо ви хочете код, я можу розмістити його і тут.
Як вибрати сигму?
Вибір дисперсії / коваріації-матриці вашого гауссового фільтра залежить від застосування. Немає правильної відповіді. Це як запитати, яку пропускну здатність слід вибрати для фільтра. Знову ж таки, це залежить від вашої заявки. Зазвичай ви хочете вибрати гауссовий фільтр таким, що ви знімаєте значну кількість високочастотних компонентів на зображенні. Одне, що ви можете зробити, щоб отримати хороший показник, - обчислити 2D DFT вашого зображення і накласти його коефіцієнти на 2D-зображення гаусса. Це підкаже, які кооперативи зазнають серйозних санкцій.
Наприклад, якщо ваше гауссове зображення має коваріацію настільки широкою, що охоплює багато високочастотних коефіцієнтів вашого зображення, то вам потрібно зменшити його елементи коваріації.