4. 高斯滤波：高斯核生成、高斯滤波原理、与均值滤波对比、sigma参数选择
好，咱们接着聊滤波。上一节讲了均值滤波，那个东西简单粗暴，但问题也不少。这一节我重点说说高斯滤波——说实话，这是我在实际项目里用得最多的滤波方法，没有之一。
4.1 高斯核是怎么生成的？
先别急着看公式，咱们先想一个问题：为什么要有高斯核？
均值滤波的核，每个权重都一样。比如3x3的核，每个系数都是1/9。这合理吗？你想想看，离中心点近的像素，和离得远的像素，对当前点的影响应该一样吗？
显然不一样。离得越近，相关性越强。高斯核就是基于这个直觉设计的。
高斯核的数学表达式长这样：
G(x, y) = (1 / (2 * π * σ²)) * exp(-(x² + y²) / (2 * σ²))看着有点吓人？别怕。我拆开给你看：
- x, y：是核内每个位置到中心点的偏移量
- σ (sigma)：控制权重的衰减速度
- exp(...)：指数函数，保证离中心越远权重越小
举个例子，生成一个3x3的高斯核，σ=1.0：
import numpy as np
def gaussian_kernel(size, sigma):
kernel = np.zeros((size, size))
center = size // 2
for i in range(size):
for j in range(size):
x = i - center
y = j - center
kernel[i, j] = np.exp(-(x**2 + y**2) / (2 * sigma**2))
# 归一化，让所有权重之和为1
kernel /= kernel.sum()
return kernel
print(gaussian_kernel(3, 1.0))
输出结果大概是这样的：
[[0.075, 0.124, 0.075],
[0.124, 0.204, 0.124],
[0.075, 0.124, 0.075]]
看到了吗？中心点的权重0.204，是角落0.075的近3倍。这就是高斯核的核心思想——中心点说了算，但邻居也有发言权，只是声音越来越小。
4.2 高斯滤波的原理
原理其实特别简单。和均值滤波一样，也是滑动窗口。区别就在于：
- 均值滤波：窗口内所有点取平均，一视同仁
- 高斯滤波：窗口内加权平均，中心点权重最大
说白了，高斯滤波就是带权重的均值滤波。
具体操作步骤：
- 确定核大小（比如5x5）和σ值
- 生成对应的高斯核
- 把核放在数据上，逐点做加权平均
- 滑动到下一个位置，重复
代码实现也很直观：
def gaussian_filter_1d(data, kernel):
half = len(kernel) // 2
result = np.zeros_like(data)
for i in range(half, len(data) - half):
window = data[i - half : i + half + 1]
result[i] = np.sum(window * kernel)
return result
# 一维信号示例
data = [1, 3, 2, 8, 5, 7, 6, 4, 9, 2]
kernel = gaussian_kernel(3, 1.0)[1] # 取中间一行作为一维核
filtered = gaussian_filter_1d(data, kernel)
print("原始:", data)
print("滤波后:", filtered)
关键点： 高斯滤波不会像均值滤波那样产生「阶梯效应」。因为它给中心点更大的权重，所以能更好地保留原始数据的趋势。我在处理温度传感器数据时，这个特性特别有用。
4.3 与均值滤波的对比
我直接给你一张对比表，一目了然：
| 对比项 | 均值滤波 | 高斯滤波 |
|---|---|---|
| 权重分配 | 所有点权重相同 | 中心点权重大，边缘小 |
| 平滑效果 | 均匀平滑，容易模糊 | 平滑更自然，保留边缘 |
| 计算复杂度 | 低，只需求和 | 稍高，需要加权计算 |
| 对异常值敏感度 | 高，一个异常值拉偏整体 | 较低，中心权重高有缓冲 |
| 适用场景 | 噪声均匀、要求速度的场景 | 需要保留细节、噪声非均匀 |
我记得有一次做加速度计的数据处理。均值滤波把运动峰值都给抹平了，换成高斯滤波后，峰值保留得明显好很多。嗯，这就是权重分配带来的差异。
4.4 sigma参数怎么选？
这是高斯滤波里最核心的问题。σ选大了，滤波效果强但细节丢失；选小了，细节保留但噪声滤不干净。
我个人的经验法则：
- σ = 0.5 ~ 1.0：轻度滤波，适合噪声较小的场景
- σ = 1.0 ~ 2.0：中度滤波，大多数场景的默认选择
- σ = 2.0 ~ 4.0：强滤波，适合噪声严重的信号
- σ > 4.0：极强滤波，基本把细节全抹平了
还有一个实用公式：核大小 ≈ 6σ + 1。为什么？因为高斯分布99.7%的能量集中在±3σ范围内。核太小会截断有效信息，核太大又浪费计算资源。
举个例子：
sigma = 1.5
kernel_size = int(6 * sigma + 1) # 结果是10，取奇数就是11
print(f"推荐核大小: {kernel_size}")
4.5 实际项目中的避坑指南
最后分享几个我踩过的坑：
- 边界处理：高斯滤波在数据边界会出问题。我习惯用「镜像填充」——把边界外的数据镜像反射进来，效果比补零好得多。
- 整数运算优化：在嵌入式平台上，浮点运算很慢。我会把高斯核放大成整数，用移位操作代替除法。比如把核乘以256，最后结果右移8位。
- 不要盲目用大核：我曾经为了追求平滑效果，用了15x15的核。结果一个数据点要算225次乘法，系统直接卡死。后来改成5x5 + 多次迭代，效果更好，速度更快。
好了，高斯滤波就讲到这里。下一节咱们聊聊中值滤波——那个对付「椒盐噪声」的神器。