说明

1、本质上是数据光滑技术，可用于一维、二维甚至多维空间。

2、数据被高斯模糊处理后，数据倾向于周边附近的其他数据，各数据相同。

在图像领域，各个位置的像素值使用“周边邻居像素点加权平均”重新赋值。对于每个像素点，由于计算时均以当前像素点为中心，所以均值μ=0。使用时有2个超参数需要设置：高斯核大小和高斯函数标准差σ。高斯核大小表示“影响当前点的邻域范围”，而标准差表示“邻域中的其他像素点对当前点的影响力”。

实例

def gaussian_kernel(self):
kernel = np.zeros(shape=(self.kernel_size, self.kernel_size), dtype=np.float)
radius = self.kernel_size//2
for y in range(-radius, radius + 1):  # [-r, r]
for x in range(-radius, radius + 1):
# 二维高斯函数
v = 1.0 / (2 * np.pi * self.sigma ** 2) * np.exp(-1.0 / (2 * self.sigma ** 2) * (x ** 2 + y ** 2))
kernel[y + radius, x + radius] = v  # 高斯函数的x和y值 vs 高斯核的下标值
kernel2 = kernel / np.sum(kernel)
return kernel2