精华内容
下载资源
问答
  • 上一篇已经介绍了二项分布和泊松分布。 这一篇中将介绍均匀分布、指数分布以及正态分布。 3、均匀分布(uniform) 若随机变量X的密度函数为 则称随机变量X服从区间[a,b]上的均匀分布。记作X~U(a,b). 图像如...

    上一篇已经介绍了二项分布和泊松分布

    这一篇中将介绍均匀分布指数分布以及正态分布

    3、均匀分布(uniform)

             若随机变量X的密度函数

    则称随机变量X服从区间[a,b]上的均匀分布。记作X~U(a,b).

    图像如下图所示:

     

     

     

     

     

     

     

     

     

     

     

     

     

    均匀分布的分布函数

    图像如下图所示:

     

     

     

     

     

     

     

     

     

     

     

     

     

    均匀分布的数学期望E(X)=1/(2*(b+a)),方差为D(X)=1/(12*(b-a)2)。

    4、指数分布

            如果随机变量X的密度函数

    其中λ>0为常数,则称随机变量X服从参数为λ的指数分布。密度函数的图象如下图所示:

     

     

     

     

     

     

     

     

     

     

     

     

     

    指数分布的分布函数为:

     

    数学期望E(X)=1/λ,方差为D(X)=1/λ2。指数分布的分布函数图象如下图所示:

     

     

     

     

     

     

     

     

     

     

     

     

     

    可以看到λ的值越大,曲线的斜率变化越快。

     

    5、正态分布

            如果连续型随机变量X的密度函数为

    其中,-∞<x<+∞,且-∞<μ<+∞,σ为参数。则称随机变量X服从参数为(μ,σ2)的正态分布,记作X~N(μ,σ2)

    若μ=0,σ=1,则称N(0,1)为标准正态分布。

    正态分布有几个特点:

    ①μ变化而σ不变时,图像沿着X轴移动,图像的形状不改变。如图:

     

     

     

     

     

     

     

     

     

     

     

     

     

    ②μ不变而σ改变时,图像的位置不变,但形态发生改变。σ越大图像就越胖。

     

     

     

     

     

     

     

     

     

     

     

     

     

    ③曲线在x=μ-σ和x=μ+σ处有拐点

    转载于:https://www.cnblogs.com/elaron/archive/2012/10/23/2735696.html

    展开全文
  • 一维高斯分布

    万次阅读 2017-12-03 09:44:06
    棣莫弗在求二项分布的渐近公式中得到。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯高斯研究了它的性质。故名高斯模糊。 高斯滤波实际上是一种低通滤波器,也就是说,低波通过,高波滤去。对于...

    高斯模糊是数字图像模板处理法的一种。其模板是根据二维正态分布(高斯分布)函数计算出来的。 

            正态分布最早由A.棣莫弗在求二项分布的渐近公式中得到。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯和高斯研究了它的性质。故名高斯模糊。

    高斯滤波实际上是一种低通滤波器,也就是说,低波通过,高波滤去。对于图像来讲,就是在低频的部分通过,对于高频的地方滤去。对图像的边缘等细节部分进行模糊,这是由高斯模糊的公式的性质决定的。这点,经常在数字图像处理中利用,以在图像仿真图像重打样等领域进行利用。

            一维正态分布的函数定义:


    σ是标准差,在这里又叫做高斯半径。σ2表示的意思就是方差。f(x)是概率,μ是均值,即期望。即这个公式表示的意思在μ附近的概率。离μ越近,即σ越小,其概率越大;离μ越远,即σ越大,其概率越小。σ的取值范围是[0.1~250]。

    型随机变量的分布,第一参数μ是遵从正态分布的随机变量的均值,第二个参数σ2是此随机变量的方差,所以正态分布记作N(μ,σ2 )。 遵从正态分布的随机变量的概率规律为取  μ邻近的值的概率大  ,而取离μ越远的值的概率越小;σ越小,分布越集中在μ附近,σ越大,分布越分散。正态分布的密度函数的特点是:关于μ对称,在μ处达到最大值,在正(负)无穷远处取值为0,在μ±σ处有拐点。它的形状是中间高两边低  ,图像是一条位于x轴上方的钟形曲线。当μ=0,σ2 =1时,称为标准正态分布,记为N(0,1)。

            两个常数的意义:μ-期望,σ^2 方差。

            下面我们解决第一个疑问:高斯模糊滤镜中的半径是什么?答案是高斯半径就是公式中的σ。

            高斯曲线的图形和半径的含义如下图(来自Adobe SDK中技术支持专家的文档)所示:



    可见高斯半径(σ)对曲线形状的影响,σ越小,曲线越高越尖,σ越大,曲线越低越平缓。对二维图像来说,是一个钟形曲面,高斯半径越小,曲面越高越尖越陡峭;高斯半径越大,曲面越低越平缓。因此高斯半径越小,则模糊越小,高斯半径越大,则模糊程度越大。我们将看到ps对高斯半径的范围定义是【0.1~250】。当半径为0.1时,高斯模板在计算后只有中间像素为1,其他像素均=0(实际上只是趋近0),即图像不会有变化。

             第二个疑问,高斯模板大小和高斯半径的关系?这是一个一直困扰我们的误解。因为我们的思维进入了物理实现的误区。在物理实现中,高斯模板有界,从而使我们忽略了这个问题的真正答案:高斯模板在逻辑上是无边界的。也就是说高斯模板本质上是逻辑上无穷拓展曲面的一个近似。因此,模板大小我们应该认为它是无穷大的。只不过在计算的时候,因为在远处趋近0,因此在某个阈值之下我们不再考虑这些值,这个阈值就是模板边界。



    展开全文
  • 棣莫弗在求二项分布的渐近公式中得到。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯高斯研究了它的性质。故名高斯模糊。 一维正态分布的函数定义: 型随机变量的分布,第一参数μ是遵从正态...

       最近有感于部分网友对高斯模糊滤镜的研究,现总结如下。高斯模糊是数字图像模板处理法的一种。其模板是根据二维正态分布(高斯分布)函数计算出来的。

            正态分布最早由A.棣莫弗在求二项分布的渐近公式中得到。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯和高斯研究了它的性质。故名高斯模糊。

           一维正态分布的函数定义:

           

            型随机变量的分布,第一参数μ是遵从正态分布的随机变量的均值,第二个参数σ2是此随机变量的方差,所以正态分布记作N(μ,σ2 )。 遵从正态分布的随机变量的概率规律为取  μ邻近的值的概率大  ,而取离μ越远的值的概率越小;σ越小,分布越集中在μ附近,σ越大,分布越分散。正态分布的密度函数的特点是:关于μ对称,在μ处达到最大值,在正(负)无穷远处取值为0,在μ±σ处有拐点。它的形状是中间高两边低  ,图像是一条位于x轴上方的钟形曲线。当μ=0,σ2 =1时,称为标准正态分布,记为N(0,1)。

            两个常数的意义:μ 期望, σ^2  方差。

            下面我们解决第一个疑问:高斯模糊滤镜中的半径是什么?答案是高斯半径就是公式中的σ。

            高斯曲线的图形和半径的含义如下图(来自Adobe SDK中技术支持专家的文档)所示:

             

            可见高斯半径(σ)对曲线形状的影响,σ越小,曲线越高越尖,σ越大,曲线越低越平缓。因此高斯半径越小,则模糊越小,高斯半径越大,则模糊程度越大。我们将看到ps对高斯半径的范围定义是【0.1~250】。当半径为0.1时,高斯模板在计算后只有中间像素为1,其他像素均=0(实际上只是趋近0),即图像不会有变化。

               第二个疑问,高斯模板大小和高斯半径的关系?这是一个一直困扰我们的误解。因为我们的思维进入了物理实现的误区。在物理实现中,高斯模板有界,从而使我们忽略了这个问题的真正答案:高斯模板在逻辑上是无边界的。也就是说高斯模板本质上是逻辑上无穷拓展曲面的一个近似。因此,模板大小我们应该认为它是无穷大的。只不过在计算的时候,因为在远处趋近0,因此在某个阈值之下我们不再考虑这些值,这个阈值就是模板边界。

             下面,二维高斯曲面的公式:

             

             即:g(x,y)= (  1 / (2*pi*σ^2)  )  *   exp(   -(x^2+y^2)/(2*σ^2)  ) ;

             根据这个公式,我们可以计算出不同半径下的高斯模板,实际上模板是无穷大的,只是在中心较远处,他们会趋近0.例如,我们计算出r=0.7时的一个归一化后的高斯模板:

     //  guass radius=0.700000
     0.000000     0.000000     0.000000     0.000000     0.000000     0.000000     0.000000     0.000000     0.000000    
     0.000000     0.000000     0.000001     0.000012     0.000033     0.000012     0.000001     0.000000     0.000000    
     0.000000     0.000001     0.000093     0.001976     0.005481     0.001976     0.000093     0.000001     0.000000    
     0.000000     0.000012     0.001976     0.042189     0.117046     0.042189     0.001976     0.000012     0.000000    
     0.000000     0.000033     0.005481     0.117046     0.324724     0.117046     0.005481     0.000033     0.000000    
     0.000000     0.000012     0.001976     0.042189     0.117046     0.042189     0.001976     0.000012     0.000000    
     0.000000     0.000001     0.000093     0.001976     0.005481     0.001976     0.000093     0.000001     0.000000    
     0.000000     0.000000     0.000001     0.000012     0.000033     0.000012     0.000001     0.000000     0.000000    
     0.000000     0.000000     0.000000     0.000000     0.000000     0.000000     0.000000     0.000000     0.000000

     

             在网络上众所周知流传的高斯3*3模板实际上是对高斯曲面的一个整数除法形式的近似:

             1 2 1

             2 4 2              /16

             1 2 1

             实际验证,我们发现这个3*3模板实际上是对高斯半径为0.849 的一个近似,当r=0.849时,其3*3归一模板为:

               guass radius=0.849000
               0.062467   0.125000   0.062467  
               0.125000   0.250131   0.125000   
               0.062467   0.125000   0.062467  

             我们可以在Matlab中用如下语句绘制高斯曲面:

     % 绘制高斯模糊曲面! --------------------
    r = 0.849 ;  % 高斯半径(从0.1到250)
    x =- 3 : 0.2 : 3 ;
    y = x;
    [X,Y] = meshgrid(x,y);
    Z = exp( - (X. ^ 2 + Y. ^ 2 ). / ( 2 * r * r)) / ( 2 * pi * r * r);
    mesh(X,Y,Z)

     

            效果如下图:

            

            在数字信号处理中,高斯模糊算法是一种滤波器,它的时域和频域曲线如下所示:

            

            从频域曲线看出,高斯模糊本质上一种低通滤波器。体现在图像处理上,图像的边缘等灰度变化剧烈的地方对应高频信息,将被滤除。

            最后,我们给出计算高斯模糊模板的C语言代码,请注意,由于高斯模板是对称的,实际上我们只需要计算出大约1/4模板即可。但这里的代码我们没有做这样的优化。我们输出的模板是(2*N+1)*(2N+1),高斯半径用r表示。计算结果将输出到文件中。

    #include  < math.h >
    #include  < stdio.h >
    #define  N       3                               /* box size : (2N+1)*(2N+1) */
    void  main()
    {
         double  a[ 2 * N + 1 ][ 2 * N + 1 ];
         double  r = 0.6 ;                                /*  gauss radius [ 0.1,  250 ]  */
         double  A = 1 / ( 2 * M_PI * r * r);
         for (i =- 1 * N;i <= N;i ++ )
        {
             for (j =- 1 * N;j <= N;j ++ )
            {
                a[i + N][j + N] = A * exp(( - 1 ) * (i * i + j * j) /  ( 2 * r * r));
            }
        }
    }

     

    展开全文
  • 众包实验,其中,英国广播公司(BBC)电视节目的观看者(“人群”)提交了不倒翁硬币数量的估计值(在第1部分)中显示,服从对数正态分布∧ (m,s2)。 硬币估计实验是适用于众包解决方案的广泛图像分析对象...
  • 对Photoshop高斯模糊滤镜的算法总结

    千次阅读 2009-07-15 16:07:00
    最近有感于部分网友对高斯模糊滤镜的研究,现...棣莫弗在求二项分布的渐近公式中得到。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯高斯研究了它的性质。故名高斯模糊。 一维正态分布的函数定义: 

    最近有感于部分网友对高斯模糊滤镜的研究,现总结如下。高斯模糊是数字图像模板处理法的一种。其模板是根据二维正态分布(高斯分布)函数计算出来的。 
            正态分布最早由A.棣莫弗在求二项分布的渐近公式中得到。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯和高斯研究了它的性质。故名高斯模糊。

            一维正态分布的函数定义:

           

            型随机变量的分布,第一参数μ是遵从正态分布的随机变量的均值,第二个参数σ2是此随机变量的方差,所以正态分布记作N(μ,σ2 )。 遵从正态分布的随机变量的概率规律为取  μ邻近的值的概率大  ,而取离μ越远的值的概率越小;σ越小,分布越集中在μ附近,σ越大,分布越分散。正态分布的密度函数的特点是:关于μ对称,在μ处达到最大值,在正(负)无穷远处取值为0,在μ±σ处有拐点。它的形状是中间高两边低  ,图像是一条位于x轴上方的钟形曲线。当μ=0,σ2 =1时,称为标准正态分布,记为N(0,1)。

            两个常数的意义:μ-期望,σ^2 方差。

            下面我们解决第一个疑问:高斯模糊滤镜中的半径是什么?答案是高斯半径就是公式中的σ。

            高斯曲线的图形和半径的含义如下图(来自Adobe SDK中技术支持专家的文档)所示:

            

           

            可见高斯半径(σ)对曲线形状的影响,σ越小,曲线越高越尖,σ越大,曲线越低越平缓。对二维图像来说,是一个钟形曲面,高斯半径越小,曲面越高越尖越陡峭;高斯半径越大,曲面越低越平缓。因此高斯半径越小,则模糊越小,高斯半径越大,则模糊程度越大。我们将看到ps对高斯半径的范围定义是【0.1~250】。当半径为0.1时,高斯模板在计算后只有中间像素为1,其他像素均=0(实际上只是趋近0),即图像不会有变化。

             第二个疑问,高斯模板大小和高斯半径的关系?这是一个一直困扰我们的误解。因为我们的思维进入了物理实现的误区。在物理实现中,高斯模板有界,从而使我们忽略了这个问题的真正答案:高斯模板在逻辑上是无边界的。也就是说高斯模板本质上是逻辑上无穷拓展曲面的一个近似。因此,模板大小我们应该认为它是无穷大的。只不过在计算的时候,因为在远处趋近0,因此在某个阈值之下我们不再考虑这些值,这个阈值就是模板边界。

             下面,二维高斯曲面的公式(x,y代表像素的模板坐标,模板中心位置为原点):

     

             


             即:g(x,y)= (  1 / (2*pi*σ^2)  )  *   exp(   -(x^2+y^2)/(2*σ^2)  ) ;

             根据这个公式,我们可以计算出不同半径下的高斯模板,实际上模板是无穷大的,只是在中心较远处,他们会趋近0.例如,我们计算出r=0.7时的一个归一化后的高斯模板:

    高斯模板(guass radius=0.700000)

     

             在网络上众所周知流传的高斯3*3模板实际上是对高斯曲面的一个整数除法形式的近似:

             1 2 1

             2 4 2    /16

             1 2 1

             实际验证,我们发现这个3*3模板实际上是对高斯半径约为0.849时的一个近似,当r=0.849时,其3*3归一模板为(在MATLAB中,输入h=fspecial('gaussian', 3, 0.849);即可得到这个模板):

               (guass radius=0.849000)
               0.062467   0.125000   0.062467  
               0.125000   0.250131   0.125000   
               0.062467   0.125000   0.062467

              然后我们可以用Matlab中的imfilter来对图像进行高斯模糊的处理:

              img = imread('c:/demo.bmp');
              h = fspecial('gaussian', 3, 0.849);
              img2 = imfilter(img, h);
              subplot(121), imshow(img); title('原图')
              subplot(122), imshow(img2); title('高斯模糊后')
       

              效果如下:

              

              我们可以在Matlab中用如下语句绘制高斯曲面:


    %绘制高斯模糊曲面!--------------------
    r
    =0.849%高斯半径(从0.1到250)
    x
    =-3:0.2:3;
    y
    =x;
    [X,Y]
    =meshgrid(x,y);
    Z
    =exp(-(X.^2+Y.^2)./(2*r*r))/(2*pi*r*r);
    mesh(X,Y,Z)

             效果如下图: 

                    

            在数字信号处理中,高斯模糊算法是一种滤波器,它的时域和频域曲线如下所示:

              

            从频域曲线看出,高斯模糊本质上一种低通滤波器。体现在图像处理上,图像的边缘等灰度变化剧烈的地方对应高频信息,将被滤除。

            最后,我们给出计算高斯模糊模板的C语言代码,请注意,由于高斯模板是对称的,实际上我们只需要计算出大约1/4模板即可。但这里的代码我们没有做这样的优化。我们输出的模板是(2*N+1)*(2N+1),高斯半径用r表示。


    #include <math.h>
    #include 
    <stdio.h>
    #define N       3                     /* 模板大小:(2N+1) * (2N+1) */
    void main()
    {
        
    double a[2*N+1][2*N+1];    /* 高斯模板 */
        
    double r=0.6;                     /* 高斯半径:[ 0.1, 250] */
        
    double A=1/(2*M_PI*r*r);
        
    int i,j;
        for(i=-1*N;i<=N;i++)
            
    for(j=-1*N;j<=N;j++)
                a[i
    +N][j+N]=A*exp((-1)*(i*i+j*j)/ (2*r*r));
     
    }

             同时,作为比较,我们给出在Matlab中生成高斯模板的代码(fspecial的代码局部,其中p3是第三个参数即高斯半径):


      case 'gaussian' % Gaussian filter

         siz   
    = (p2-1)/2;  %注:p2即模板边长,默认值为33
         std   
    = p3;        %注:p3即高斯半径,默认为为0.5
         
         [x,y] 
    = meshgrid(-siz(2):siz(2),-siz(1):siz(1));
         arg   
    = -(x.*+ y.*y)/(2*std*std);

         h     
    = exp(arg);
         h(h
    <eps*max(h(:))) = 0;

         sumh 
    = sum(h(:));  %注:模板归一化
         
    if sumh ~= 0,
           h  
    = h/sumh;
         end;

     

    展开全文
  • 8.1.1 二项分布的随机数据的产生 8.1.2 正态分布的随机数据的产生 8.1.3 常见分布的随机数产生 8.2 概率密度计算 8.2.1 通用函数概率密度值 8.2.2 专用函数概率密度值 8.3 累积概率分布 8.3.1 通用...
  • 8.1.1 二项分布的随机数据的产生 8.1.2 正态分布的随机数据的产生 8.1.3 常见分布的随机数产生 8.2 概率密度计算 8.2.1 通用函数概率密度值 8.2.2 专用函数概率密度值 8.3 累积概率分布 8.3.1 通用...
  • 本书侧重于函数的实战应用,共分12章,前10章分别介绍了数学函数、统计函数、日期时间函数、文本函数、逻辑函数、查找引用函数、财务函数、信息函数以及数据库三角函数在实战中的应用;第11 章介绍了函数与...
  • 1、高斯分布(正态分布) 2、异常检测算法 3、评价的好坏,以及的选取 4、选择使用什么样的feature(单元高斯分布) 5、多元高斯分布 6、单元多元高斯分布特点 7、程序运行结果 一、线性回归 全部代码 1...
  • 第1章 声明初始化 基本类型 1.1 我该如何决定使用哪种整数类型? 1.2 为什么不精确定义标准类型的大小? 1.3 因为C语言没有精确定义类型的大小,所以我一般都用typedef定义int16int32。然后根据实际的机器...
  • 《你必须知道的495个C语言问题》

    热门讨论 2010-03-20 16:41:18
    这导致空间浪费而且无法与外部数据文件进行“进制”读写。能否关掉填充,或者控制结构域的对齐方式? 27  2.14 为什么sizeof返回的值大于结构大小的期望值,是不是尾部有填充? 28 2.15 如何确定域在结构中的...
  • 这导致空间浪费而且无法与外部数据文件进行“进制”读写。能否关掉填充,或者控制结构域的对齐方式? 27  2.14 为什么sizeof返回的值大于结构大小的期望值,是不是尾部有填充? 28 2.15 如何确定域在结构中的...
  • 中文版Excel.2007图表宝典 2/2

    热门讨论 2012-04-06 19:01:36
    10.4 创建频率分布直方图/273 10.4.1 使用FREQUENCY函数/273 10.4.2 使用AnalysisToolPak创建一个频率分布/275 10.4.3 使用可调整的Bin创建直方图/276 10.5 绘制正态曲线/277 10.6 用标准偏差绘制Z-Score模型/...

空空如也

空空如也

1 2
收藏数 21
精华内容 8
关键字:

二项分布和正态分布图像