如何在 3D 中进行高斯滤波答案

【问题标题】：How to do a Gaussian filtering in 3D如何在 3D 中进行高斯滤波
【发布时间】：2012-11-18 15:24:55
【问题描述】：

如何在第三维进行高斯平滑？

我有这个检测金字塔，票数累积在四个尺度上。在每个峰找到对象。

我已经在 2d 中对它们中的每一个进行了平滑处理，并且在我的论文中阅读到我需要使用 \sigma = 1 过滤第三维，我以前没有尝试过，我什至不确定这意味着什么。

我想出了如何在 Matlab 中做到这一点，并且在 opencv/c++ 中需要一些类似的东西。

Matlab 原始值： Matlab 平滑与 M0 = smooth3(M0,'gaussian'); ：

【问题讨论】：

附加平滑的目的是什么？每个金字塔级别是否有一些不同的信息？
如果您查看图像，会在四个尺度之一中找到峰值，因此我假设平滑是为了在所有尺度上找到全局峰值。它写在我的检测论文中，atm 我只是在所有尺度上找到峰值并验证哪个是最佳候选者，并希望与建议的方法进行比较。
3D 中的高斯平滑与 2D 中的高斯平滑相同。您对 3 个维度应用卷积滤波器，使得 G(x,y,z) = Q
我想了这么多，从matlab我发现smooth3d可以做到。关于如何在 OpenCV 中执行此操作的任何建议
如何绘制图像金字塔？

【解决方案1】：

高斯滤波器是可分离的。您在每个维度上应用一维过滤器，如下所示：

for (dim = 0; dim < D; dim++)
    tensor = gaussian_filter(tensor, dim);

我建议使用 OpenCV 在 C++ 中实现高斯滤波器（以及一般的图像处理）。

请注意，这是假设您的金字塔级别的大小都相同。您可以拥有自己的函数，在对第三维进行卷积时动态采样您的比例空间金字塔，但如果您有足够的内存，我相信将较粗级别扩大到与最精细级别相同的大小会更快.

【讨论】：

【解决方案2】：

很久以前（2008-2009 年）我开发了一个小型 C++ 模板库来应用一些简单的转换和卷积过滤器。该库的源代码可以在 Linderdaum 引擎中找到 - 它与引擎的其余部分无关，也不使用引擎的任何功能。许可证是 MIT，所以随心所欲。

在 Src/Linderdaum/Images/VolumeLib 中查看 Linderdaum 的源代码 (http://www.linderdaum.com)。*

准备内核的函数是 PrepareGaussianFilter() 和 MakeScalarVolumeConvolution() 应用过滤器。由于 I/O 是使用回调函数实现的，因此很容易使该库适应不同的数据源。

【讨论】：