最后，至少要警告或澄清一句话。

我们说过，作为高斯滤波器的宽度，这是模糊平滑的方差。

上次我们谈到Sigma或Sigma平方作为噪声函数的方差时，增加了多少噪声。

在一种情况下，滤波器σ是空间中的宽度，与噪声一样，它是一个值的方差。噪声σ越大，就越有可能产生大的噪声值。

噪声信号越大，添加的噪声越大，模糊滤波器σ（sigma）越大，模糊程度就越大。

所以，你必须是一个合理的sigma，因为他们都使用正态分布。

但是一个超过了一个空间，一个超过了强度。

我们可以在这里展示这两个sigma，顺便说一下，在这里我使用的是从0到1的图像。如图：

在最上面的一行中，没有进行平滑过滤，我们在噪声中有一个0.2的sigma。

0.2对于范围只有0到1，或者-0.5到0.5，那么这是一个很大的噪音。

sigma为0.1噪音较小。

sigma为0.05的噪音更小。

但是我们可以用高斯来平滑这些噪音。

在sigma=0.2时，我们越平滑，红色线的噪音就越模糊。如图：

因此，对于同样数量的平滑，噪声越小，同样数量的平滑就越平滑。

这里的红色圈起来的图像是最平滑的。

但这是向你们展示这两个sigma，这两个高斯。

从上下文来看，它几乎总是清晰的，但是有人会说：“等一下，我认为信号越大，噪音就越大。

现在你告诉我Sigma越多，越模糊，我们拥有的噪音就越少。”

我回答：“sigma为2！”

这结束了有关过滤和噪音的文章。（以后发现有用的相关过滤和噪音的文章会继续补充）

我们将开始进一步新的内容的图像处理。

总结：

1.目前滤波这单元我们学到了，移动平均线和加权移动平均线的概念；

2.相关滤波：均匀权重（移动平均）、不均匀权重的（加权移动平均）。

3.加权移动平均思想最终优化为使用正态分布的高斯滤波器。

4.高斯滤波器针对不同维度有不同的公式。

奈斯