项目上对图像处理需要用到点高斯算法，网上找到一篇对原理及部分问题分析讲解的还不错的文章，分享一下，后付自己的一段代码
- 理论 -
高斯分布函数可表示为一个一维的函数G(x)
或者一个二维的函数G(x,y)
在这些函数中， X和Y代表了相对于原始中心点(center tap)像素的偏移(pixel offsets)值。也就是说，他们距离中心多少像素。这里的center tap，通常翻译为“中心抽头”，它在电学中的概念是：在整个次级线圈的中心拉出的一段导线上，它相对于另外两边的抽头电压居中，而为0，两边的电压就是一正一负。在这里，我们也可以做相似的理解。即，它表示，以某个像素为中心进行取样，假设它的坐标为(x,y)，那么周围四个点的坐标就是(x-1,y)(x+1,y)(x,y-1)(x,y+1)。对于整个分布来说，我们也可以用一个平均参数来实施位移，从而取代center tap的作用。但这样的模糊不符合我们的要求，我们希望我们的分布是基于中心的。
函数中的σ，即“西格玛”。在统计学中，它常用来表示“标准差”。高斯模糊的标准差，表示模糊的延伸距离。它的缺省值一般设为1，你可以提高它，来获得更强的效果。
函数中的e是欧拉数(Euler's number)，它的值一般取2.7。你可以到/s/blog_54ab9583010007u5.html看看精确到小数点后10000位的e。
这个函数的结果，就是以x(在一个方向上)，或者(x,y)(在两个方向上)，为中心的加权(weight)值，或者说该点在多大程度上影响模糊后的像素。
那么，它能获得什么样的结果呢？当σ 值取1时，我们可以得到：
G(0) = 0.3989422804
G(1) = G(-1) = 0.2419707245
G(2) = G(-2) = 0.0539909665
G(3) = G(-3) = 0.0044318484
......
这些结果有什么意义呢？
当x = 0时，表示这一点就是原始中心点(center tap), 这个点需要保留0.39(39%)的颜色
当x = 1以及x = -1时, 即有一个像素的位移时, 这一点需要保留0.24的颜色值
当x = 2以及x = -2时, 即有两个像素的位移时, 这一点需要保留0.05的颜色值
......
我们可以进行任意次这样的计算。 采样越高，精度越高。
相信现在你已经大致了解高斯模糊的原理了。
- 实际应用 -
当然，理论只是基于理想环境下的计算。在一次Bloom shader的测试中，我发现了两个问题：
1、模糊后的画面，其发光度和亮度大都比原始图像要低，画面显得很暗
2、上述的采样点(tap)的标准差是随意的吗？或者说，它有什么要求(或限制)？
以下各段，我将以一维高斯分布为例
首先解决明度问题。假设你有一个全白的单通道采样贴图，那么它所有的像素值都为1。经过第一次(水平方向)的高斯模糊运算之后，每个像素的值的总和，是所有高斯采样的加权总合。对于一个5 × 5的分布，标准差为1时，有：
ΣHBlur = G(0) + G(-1) + G(1) + G(-2) + G(2)
即
ΣHBlur = 0.9908656625
看起来似乎是正确的，其实不然。为了使明度不变，这个结果必须绝对是1。
基于此结果，在第二次运算后，它的值进一步下降为：ΣHVBlur = 0.9818147611
这就是说，我们必须增强加权值，通过确定的一个商，以取得正确的结果。答案非常简单，缺少了这个商，我们当然不能得到1：ΣHBlur^-1.
AugFactor = 1 / ΣHBlur
AugFactor = 1.009218543
如果我们再用这个增量，乘以该点的加权以及两个方向(水平、垂直)的运算，ΣHVBlur的值就是1了！
其次是标准差的问题。我使用的解决方案并不太“官方”，但是它确实有效。我们假设一个5 × 5的模糊必须有一个其值为1的标准差。现在我们知道，在一个5 × 5的分布中，距离中心最远的采样点，其加权值最小。其它尺寸的采样分布(比如7× 7)，计算出各点的加权值也有这一规律(函数已经有了，你可以简单证明一下)。
要做的是，只调整标准差，以获取最后的采样点加权值，该值越接近这一结果越好。
σ = 1 -> G(2)aug = 0.054488685
σ = 1.745 -> G(3)aug = 0.054441945
σ = 2.7 -> G(4)aug = 0.054409483
这些都是我反复调试出的最接近的结果。所有这些权重增加，他们的和总是1。因此，寻找最佳标准差，最主要的是：尽可能多提取出模糊的采样数，而不产生偏差。
- 一维复合运算 | 二维单一运算 -
为什么会有一维和二维这两个函数呢？因为我们有两种选择：
1、使用一维函数的两次;一次横向，然后(以横向模糊的结果)再做一次垂直运算 ；
2、用二维函数，只需要一步就能完成。
你也许会问，既然有了二维函数，用它不就行了，何必要用一维函数进行两次计算，那多麻烦呀！我的第一反应是，这也许是因为早期Shader模型施加的一些限制。在做了更多的研究之后，我发现有一个更好的解释，来说明为什么要分开运算。
假设n是模糊的线性尺寸(或者说在水平/垂直方向的采样点数量)，而p是整个画面的像素总数，那么：
在一维函数中，你要做2np次纹理采样
在一维函数中，你要做n²p次纹理采样
这意味着，如果你对一个512×512尺寸的图像做7×7采样的模糊，一位维函数需要做367万次搜索，而如果用二维函数，那么要完成这幅图像需要1284万次,是前者的3.5倍！
把一个二维坐标的点分解为两个一维的线性矢量是完全可能的，因为高斯模糊是一个可分割的卷积运算。具体的内容你可以到这里看看：http://nuttybar.drama.uga.edu/pipermail/dirgames-l/2002-December/020874.html
所以，为了追求更快的速度、更高的效率，我宁可放弃二维函数。
以下是自己C语言实现的一个gaussian函数
/**
* 高斯模糊算法
*
* @Author : Lei Guoting
* @Date : -07-04
*
* @Param inPixels 原始图片Pixels
* @Param outPixels 处理后输出图片Pixels
* @Circle 自定义结构体，定义一个需要被高斯模糊处理的园的位置大小
* @AndroidBitmapInfo 原始图片Bitmap信息
*/
void gaussian(void** inPixels,void** outPixels,Circle tGassCir,AndroidBitmapInfo bitmapInfo)
{
uint32_t x,y;
uint32_t tx,ty;
uint8_t *tInPixel, *tOutPixel;
double tR = 0.0,tG = 0.0,tB = 0.0,tCount = 0.0;
double ar = 8,dif,gauss;
int range = ar * 3;
int startx,endx,starty,endy;
int m;
int sx,sy;
uint32_t top,left,right,bottom;
LOGD("filter @gaussian center.x=%d,center.y=%d",tGassCir.center.x,tGassCir.center.y);
top = tGassCir.center.y - tGassCir.r;
bottom = tGassCir.center.y + tGassCir.r;
left = tGassCir.center.x - tGassCir.r;
right = tGassCir.center.x + tGassCir.r;
if(top < 0){
top = 0;
}
if(bottom > bitmapInfo.height - 1){
bottom = bitmapInfo.height - 1;
}
if(left < 0){
left = 0;
}
if(right > bitmapInfo.width - 1){
right = bitmapInfo.width - 1;
}
//The dimension of X
LOGD("filter @gaussian begin..");
LOGD("top=%d,bottom=%d,left=%d,right=%d",top,bottom,left,right);
Point tDo[(bottom - top +1) * (right - left +1)];
uint32_t tDoLen = 0;
for(y = top; y <= bottom; y ++){
for(x = left; x <= right; x ++){
/*
if(sqrt(pow((x - tGassCir.center.x),2) + pow((y - tGassCir.center.y),2)) > tGassCir.r){
continue;
}
*/
if(sqrt((x - tGassCir.center.x) * (x - tGassCir.center.x) + (y - tGassCir.center.y) * (y - tGassCir.center.y)) > tGassCir.r){
continue;
}
Point p = {x,y};
tDo[tDoLen] = p;
tDoLen ++;
tOutPixel = (uint8_t* )*outPixels + (y * bitmapInfo.width + x) * 4;
startx = (x < range ? -x : -range);
endx = ((bitmapInfo.width <= x + range) ? (bitmapInfo.width - x - 1) : range);
//x dimension
tR = tG = tB = tCount = 0.0;
for(m = startx; m <= endx; m ++){
tInPixel = (uint8_t* )*inPixels + (y * bitmapInfo.width + (x + m)) * 4;
dif = m*m;
gauss = exp(-dif/(2*ar*ar));
tR += gauss * *(tInPixel + 0);
tG += gauss * *(tInPixel + 1);
tB += gauss * *(tInPixel + 2);
tCount += gauss;
}
*(tOutPixel + 0) = tR / tCount;
*(tOutPixel + 1) = tG / tCount;
*(tOutPixel + 2) = tB / tCount;
}
}
//y dimension
uint32_t ind = 0;
Point p;
for(ind = 0; ind < tDoLen; ind ++){
p = tDo[ind];
tOutPixel = (uint8_t* )*outPixels + (p.y * bitmapInfo.width + p.x) * 4;
starty = (p.y < range ? -p.y : -range);
endy = ((bitmapInfo.height <= p.y + range) ? (bitmapInfo.height - p.y - 1) : range);
tR = tG = tB = tCount = 0.0;
for(m = starty; m <= endy; m ++){
tInPixel = (uint8_t* )*outPixels + ((p.y + m) * bitmapInfo.width + p.x) * 4;
dif = m*m;
gauss = exp(-dif/(2*ar*ar));
tR += gauss * *(tInPixel + 0);
tG += gauss * *(tInPixel + 1);
tB += gauss * *(tInPixel + 2);
tCount += gauss;
}
*(tOutPixel + 0) = tR / tCount;
*(tOutPixel + 1) = tG / tCount;
*(tOutPixel + 2) = tB / tCount;
}
LOGD("filter @gaussian end!");
}
typedef struct{
uint32_t x;
uint32_t y;
}Point;
typedef struct{
Point center;
int r;
}Circle;
gaussian加权的时候为了尽量快一点时间，稍微省略了点。
效果图:
