我最近读到，在对图像进行下采样之前，应该使用高斯内核对其进行模糊处理。这样，下采样图像比仅从 NxN 块中挑选单个像素或对块进行平均要好。在这个网站和谷歌搜索后，我没有得到任何确切的答案。
但是有关于如何选择进行模糊的问题。阅读这些帖子的答案，我了解到必须根据采样定理进行下采样。没有模糊的下采样会导致混叠效果。
如果您能提供一些图像示例，我将不胜感激。Ans，我会很感激所有类型的答案，部分的，直观的，严谨的，任何东西。
谢谢！
一般来说，图像“不应该使用高斯核来模糊”。
然而，对于许多基本的图像处理需求来说，这可能是一个安全的选择，当您想要控制下采样丢失的信息时，平滑几乎是强制性的。
模糊（通常，并非总是）是低通滤波的另一个词。当图像包含高频内容（快速变化）时，没有模糊的下采样会产生视觉上奇怪的、令人讨厌的混叠伪影或摩尔纹图案。wikipedia Aliasing上有一个例子：原文
和下采样，以相同的大小表示：
右下角的波纹是粗心的蛮力下采样产生的低频伪影。模糊会削弱图像清晰度，使砖块之间的边界变暗，并减少明显的锯齿方面。
选择合适的模糊滤镜在图像处理中有着悠久的历史。由于“理论”连续图像的不同原因，高斯形状长期以来一直被认为是最优的。另外，它在空间和频域上都是递减和对称的。在时域中，这意味着较远的像素影响较小。在频域中，频率从低到高单调降低。
由于大多数图像都是离散化的，因此实际情况有所不同。由于高斯卷积过去计算量很大，因此早期的近似滤波器设计为具有短支持，例如从帕斯卡三角形中借来的。后来，设计了快速递归实现（Deriche、Shen 等）
我猜问题 1) 得到了回答。对于问题 2) 简单平均对窗口中的所有像素赋予相同的权重。因此，相对于较近的像素，较远的像素具有同等的重要性，这在图像表现出弱平稳性（如趋势、边缘和纹理）的区域中并不是最佳的。
根据（数字）采样定理，信号应该在被（下）采样之前适当地进行带宽限制。
一个实用的数字滤波器大致限制了信号的带宽，并使其充分适用于具有可容忍混叠的下采样。
高斯核非常适合作为低通滤波器，因为它具有许多不错的特性。高斯函数在数学上是易于处理的。它有足够的频率衰减。它的时域占用空间小。它几乎没有明显的人工制品。因此，在大多数典型的图像处理应用程序中，它是一种程序员的选择。