高斯滤波器的差异？
Discrepancies in Gaussian filters?
我查看了许多自称是高斯核计算器的不同来源。然而，这些中的每一个似乎都对相同的输入给出了不同的答案。
这些是我查看的来源：
- http://dev.theomader.com/gaussian-kernel-calculator/
- http://www.embege.com/gauss/
- http://softwarebydefault.com/2013/06/08/calculating-gaussian-kernels/
第三个是唯一一个给我预期输出的（使用维基百科的公式并归一化）。
第一个自称为 "different" 高斯内核，所以我想它与我的预期不符是有道理的。
查看源代码，第一个在实现上与我预期的明显不同，尽管后两个在实现上看起来与我预期的非常相似。不过，我不确定我是否完全遵循了第二个来源中所做的事情。
这些都是"correct"吗？高斯核有很多吗"variations"？
看起来这些站点在显示指定过滤器参数选项的方式上略有不同，但如果过滤器参数指定一致，则它们是一致的（在 4 或 5 位有效数字内）。
主要区别在于第二个站点（即 http://www.embege.com/gauss/）需要选中 "normalize" 框，并输入标准差 平方 , 以与其他两个站点一致的方式计算高斯核。
如您所知，二维高斯模糊滤镜是根据
计算的
其中 x 和 y 是距内核中心的像素距离，sigma 是标准偏差。
计算高斯滤波器内核的第一步是 select 内核大小和标准偏差。内核大小 k 始终是一个奇数，3, 5, 7... 并给出一个二维高斯滤波器内核作为 k x k 矩阵。
第二个是使用距中心像素的像素 x 和 y 位移计算内核在距中心的每个像素位移处的值。最后对kernel的每个元素进行归一化，使得filter所有元素的和等于1.0.
例如，考虑来自第三个站点的 "rose" 示例，这是一个权重（标准差）为 5.5 的 3x3 高斯内核。第三页作者表示归一化后过滤值为
列表中的第一个站点，如果您输入 Sigma =5.5 和 Kernel Size =3，则得到：
0.10989 0.111716 0.10989
0.111716 0.113573 0.111716
0.10989 0.111716 0.1098
对于列表中的第二个站点，您需要输入 Resolution = 3x3，sigma squared = 30.25（5.5 的平方），同时选中 Normalize 框。
第二个站点的结果是
{
0.1098867834673961, 0.11171818781545209, 0.1098867834673961,
0.11171818781545209，0.11358011486860732，0.11171818781545209，
0.1098867834673961，0.11171818781545209，0.1098867834673961
}
我查看了许多自称是高斯核计算器的不同来源。然而，这些中的每一个似乎都对相同的输入给出了不同的答案。
这些是我查看的来源：
- http://dev.theomader.com/gaussian-kernel-calculator/
- http://www.embege.com/gauss/
- http://softwarebydefault.com/2013/06/08/calculating-gaussian-kernels/
第三个是唯一一个给我预期输出的（使用维基百科的公式并归一化）。
第一个自称为 "different" 高斯内核，所以我想它与我的预期不符是有道理的。
查看源代码，第一个在实现上与我预期的明显不同，尽管后两个在实现上看起来与我预期的非常相似。不过，我不确定我是否完全遵循了第二个来源中所做的事情。
这些都是"correct"吗？高斯核有很多吗"variations"？
看起来这些站点在显示指定过滤器参数选项的方式上略有不同，但如果过滤器参数指定一致，则它们是一致的（在 4 或 5 位有效数字内）。
主要区别在于第二个站点（即 http://www.embege.com/gauss/）需要选中 "normalize" 框，并输入标准差 平方 , 以与其他两个站点一致的方式计算高斯核。
如您所知，二维高斯模糊滤镜是根据
计算的其中 x 和 y 是距内核中心的像素距离，sigma 是标准偏差。
计算高斯滤波器内核的第一步是 select 内核大小和标准偏差。内核大小 k 始终是一个奇数，3, 5, 7... 并给出一个二维高斯滤波器内核作为 k x k 矩阵。
第二个是使用距中心像素的像素 x 和 y 位移计算内核在距中心的每个像素位移处的值。最后对kernel的每个元素进行归一化，使得filter所有元素的和等于1.0.
例如，考虑来自第三个站点的 "rose" 示例，这是一个权重（标准差）为 5.5 的 3x3 高斯内核。第三页作者表示归一化后过滤值为
列表中的第一个站点，如果您输入 Sigma =5.5 和 Kernel Size =3，则得到：
0.10989 0.111716 0.10989
0.111716 0.113573 0.111716
0.10989 0.111716 0.1098
对于列表中的第二个站点，您需要输入 Resolution = 3x3，sigma squared = 30.25（5.5 的平方），同时选中 Normalize 框。
第二个站点的结果是
{ 0.1098867834673961, 0.11171818781545209, 0.1098867834673961,
0.11171818781545209，0.11358011486860732，0.11171818781545209，
0.1098867834673961，0.11171818781545209，0.1098867834673961 }