图像模糊可以削弱图像频谱的高频部门

1、itkDiscreteGaussianImageFilter 离散高斯

该类通过图像与离散高斯算子（内核）的可分离卷积来模糊图像。

如果 SetUseImageSpacing 关闭（false），则方差或标准差 (sigma) 将被评估为像素单位；如果 SetUseImageSpacing 开启（true，默认值），则方差或标准差 (sigma) 将被评估为物理单位。 方差可以在每个维度上独立设置。

常用的成员函数：

• Set/GetSigma()：设置用于平滑的高斯的标准差，Sigma以图像间距为单位进行测量
• Set/GetSigmaArray()：保留 SetSigmaArray 以实现接口向后兼容性
• SetVariance()：离散高斯核的方差，为每个维度独立设置方差，每个维度的默认值为 0.0，如果 UseImageSpacing为 true，则单位是图像的物理单位，如果 UseImageSpacing 为 false，则单位为像素
• Set/GetUseImageSpacing()：设置/获取过滤器是否在计算中使用输入图像的间距，参数为bool，true（On）：考虑图像间距信息并指定现实世界单位中的高斯方差；false（Off）：忽略图像间距并以体素单位指定高斯方差，默认为On
• SetUseImageSpacingOn/Off()：同上
• Set/GetMaximumKernelWidth()：设置内核最大宽度像素值，即使MaximumError需要，默认值为 32 像素
• Set/GetMaximumError()：调整离散内核的大小，以便内核截断产生的误差不大于 MaximumError， 每个维度的默认值为 0.01
• Set/GetInputBoundaryCondition()：设置/获取边界条件
• Set/GetRealBoundaryCondition()：设置/获取边界条件
• Set/GetFilterDimensionality()：设置平滑维度数，默认为图像维度，可以设置为小于图像Dimension，平滑所有小于FilterDimensionality的尺寸，例如，只需平滑3D数据的切片而不在 Z 轴上平滑，则将 FilterDimensionality 设置为 2
• GetKernelRadius()：获取每个方向上可分离核的半径
• GetKernelSize()：获取每个方向上可分离核的大小，公式：KernelSize[i] = KernelRadius[i] * 2 + 1
• GetKernelVarianceArray()：获取方差，可选择根据像素间距进行调整

示例代码：

#include "itkImage.h"
#include "itkDiscreteGaussianImageFilter.h"typedef itk::Image<float, 3> FloatImageType;bool discreteGaussianImageFilter(FloatImageType* image, FloatImageType* outputImage)
{const double gaussianVariance = 2.0;const int maxKernelWidth = 32;typedef itk::DiscreteGaussianImageFilter<FloatImageType, FloatImageType> DiscreteGaussianFilterType;typename DiscreteGaussianFilterType::Pointer discreteGauFilter = DiscreteGaussianFilterType::New();discreteGauFilter->SetInput(image);discreteGauFilter->SetVariance(gaussianVariance);discreteGauFilter->SetMaximumKernelWidth(32);discreteGauFilter->SetUseImageSpacing(true);try{discreteGauFilter->Update();}catch (itk::ExceptionObject& ex){//读取过程发生错误std::cerr << "Error: " << ex << std::endl;return false;}outputImage = discreteGauFilter->GetOutput();return true;
}

itkDiscreteGaussianImageFilter和itkRecursiveGaussianImageFilter都是都是用于图像滤波的高斯滤波器。

相同之处：在于都可以通过设置标准差参数来控制滤波的效果。

不同之处：

• itkDiscreteGaussianImageFilter：是通过离散卷积的方式来计算高斯滤波，使用离散的高斯核进行像素值的加权平均，在实现上是基于卷积操作的，基于卷积的方法可以保留图像中的边缘信息，并且滤波时不会引入额外的图像数据依赖，其结果近似于连续高斯滤波，该类需要进行完整的离散卷积计算，计算成本较高，可以通过设置像素距离和变换到频率域等参数来调整滤波器的行为
• itkRecursiveGaussianImageFilter使用递归的高斯核进行滤波，将二维高斯滤波分解成一维高斯滤波的连续求和，从而实现递归滤波的方法，由于它可以在空间域上利用中间结果进行优化，递归滤波的方法可以有效地减少计算量，并且在处理大图像时具有更高的效率，然而，递归滤波方法在滤波过程中会引入额外的图像数据依赖，因此可能会导致边界像素的变化，主要通过设置标准差来控制高斯核的大小和强度。

2、itkBinomialBlurImageFilter 二项式模糊

该类可以对图像的每个维度执行可分离的模糊。

二项式模糊由每个图像维度上的最近邻平均值组成，沿每个维度来计算一个最接近的邻域平均，理论上，经过n 次迭代后的最终结果接近高斯卷积。

常用的成员函数：

• Set/GetRepetitions()：设置/获取重复过滤的次数

示例代码：

#include "itkImage.h"
#include "itkBinomialBlurImageFilter.h"typedef itk::Image<float, 3> FloatImageType;bool binomialBlurImageFilter(FloatImageType* image, FloatImageType* outputImage, int repetitions)
{typedef itk::BinomialBlurImageFilter<FloatImageType, FloatImageType> BinomialBlurFilterType;typename BinomialBlurFilterType::Pointer binmialBlurFilter = BinomialBlurFilterType::New();binmialBlurFilter->SetInput(image);binmialBlurFilter->SetRepetitions(repetitions);try{binmialBlurFilter->Update();}catch (itk::ExceptionObject& ex){//读取过程发生错误std::cerr << "Error: " << ex << std::endl;return false;}outputImage = binmialBlurFilter->GetOutput();return true;
}

3、itkSmoothingRecursiveGaussianImageFilter

该类通过与实现为IIR滤波器的高斯核进行卷积来计算图像的平滑度。

该滤波器是使用递归高斯滤波器实现的，对于多分量图像，过滤器独立地作用于每个分量。

常用的成员函数：

• Set/GetSigma()：设置/获取用于平滑的高斯的标准差，Sigma以图像间距为单位进行测量，可以使用 SetSigma方法在每个轴上设置相同的值，或者如果需要沿每个轴使用不同的值，则可以使用 SetSigmaArray
• Set/GetSigmaArray()：设置/获取每个轴向的Sigma值
• Set/GetNumberOfWorkUnits()：设置/获取要创建的工作单元的数量
• Set/GetNormalizeAcrossScale()：设置/获取用于在尺度空间上标准化高斯的标志，此方法不会影响该过滤器的输出
• NormalizeAcrossScaleOn/Off()：同上

示例代码：

#include "itkImage.h"
#include "itkSmoothingRecursiveGaussianImageFilter.h"typedef itk::Image<float, 3> FloatImageType;bool smoothingRecursiveGaussianImageFilter(FloatImageType* image, FloatImageType* outputImage, double sigma)
{typedef itk::SmoothingRecursiveGaussianImageFilter<FloatImageType, FloatImageType> SmoothingRecGauFilterType;typename SmoothingRecGauFilterType::Pointer smoothingFilter = SmoothingRecGauFilterType::New();smoothingFilter->SetInput(image);smoothingFilter->SetSigma(sigma);//const itk::FixedArray<double, 3U> sigmaArry;//smoothingFilter->SetSigmaArray(sigmaArry);try{smoothingFilter->Update();}catch (itk::ExceptionObject& ex){//读取过程发生错误std::cerr << "Error: " << ex << std::endl;return false;}outputImage = smoothingFilter->GetOutput();return true;
}

此类与itkRecursiveGaussianImageFilter滤波器相比，它们都是用于对图像进行高斯平滑处理的滤波器，区别在于实现方式。

• itkRecursiveGaussianImageFilter滤波器是使用递归的方式计算高斯卷积，通过将二维高斯核分解为一维核进行计算，可以有效地减少计算量和内存使用，递归高斯滤波器具有线性计算复杂度，适用于平滑大尺寸图像。

• itkSmoothingRecursiveGaussianImageFilter滤波器是基于itkRecursiveGaussianImageFilter滤波器进行改进的，主要是在高斯平滑的过程中引入了一个缩放因子，用于控制滤波器的平滑程度，可以灵活地调节滤波器的参数，使得滤波结果更符合需求。

因此，itkSmoothingRecursiveGaussianImageFilter滤波器相对于itkRecursiveGaussianImageFilter滤波器而言，更加灵活，可以得到更多种类的平滑结果。