Python-多目标图像分割和中心计算

1、用高斯模糊滤波函数处理原图像，获得图像模糊部分。

      高斯滤波是一种线性平滑滤波，对于除去高斯噪声有很好的效果。具体操作是：用一个模板（或称卷积、掩模）扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
      在图像处理中高斯滤波一般有两种实现方式：一种是用离散化窗口滑窗卷积，另一种是通过傅里叶变换。最常见的就是第一种滑窗实现，只有当离散化的窗口非常大，用滑窗计算量非常大的情况下会考虑基于傅里叶变换的方法。
      滤波器分为高通、低通、带通等类型；低通滤波器是像素能量低的通过，而对于像素能量高的部分将会采取加权平均的方法重新计算像素的值，将能量像素的值变成能量较低的值。

       对于图像而言其高频部分展现图像细节，经过低通滤波器之后整幅图像变成低频造成图像模糊，这就被称为高斯模糊；相反高通滤波是允许高频通过而过滤掉低频，这样将低频像素进行锐化操作，图像变的更加清晰，被称为高斯滤波。

      总之：高斯滤波是指用高斯函数作为滤波函数的滤波操作而高斯模糊是用高斯低通滤波器。高斯滤波在图像处理中常用来对图像进行预处理操作，噪声会造成很大的误差而误差在不同的处理操作中会累积传递，为了能够得到较好的图像，对图像进行预处理消除噪声也是针对数字图像处理的无奈之举。
       高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器，高斯滤波器对于服从正太分布的噪声非常有效.

1.1 一维高斯函数如下：

                                     (1)

 

1.2 二维高斯函数如下：