論文地址：https://www.researchgate.net/profile/Xiaoou_Tang/publication/236228168_Guided_Image_Filtering/links/54e999640cf27a6de1103c64.pdf
He, K. , J. Sun , and X. Tang . “Guided Image Filtering.” IEEE Transactions on Pattern Analysis & Machine Intelligence 2013:1397-1409.

摘要：在本文中，我們提出了一種新型的顯式圖像濾波器-引導(dǎo)濾波器。該引導(dǎo)濾波器由局部線性模型推導(dǎo)而來，通過考慮引導(dǎo)圖像的內(nèi)容來生成濾波輸出，引導(dǎo)圖像可以是輸入圖像本身，也可以是另一幅不同的圖像。引導(dǎo)濾波器可以像常用的雙邊濾波器一樣作為保持邊緣的平滑算子，但是在邊緣附近有更好的行為。它與消光拉普拉斯矩陣也有理論聯(lián)系，是比平滑算子更通用的概念，可以更好地利用制導(dǎo)圖像中的結(jié)構(gòu)。此外，該導(dǎo)引濾波器具有快速的非近似線性時(shí)間算法，其計(jì)算復(fù)雜度與濾波核的大小無關(guān)。我們證明了引導(dǎo)濾波器在很多計(jì)算機(jī)視覺和計(jì)算機(jī)圖形應(yīng)用中都是有效的，包括降噪，細(xì)節(jié)平滑/增強(qiáng)、HDR壓縮、圖像摳圖/羽化、去霧和聯(lián)合上采樣。

Guided Image Filtering

• 引導(dǎo)濾波定義
• 引導(dǎo)濾波與其他方向相比優(yōu)勢所在
• 引導(dǎo)濾波的主要特點(diǎn)及應(yīng)用
• 引導(dǎo)濾波的算法原理
• OpenCV-Python代碼實(shí)現(xiàn)
• 參考資料

引導(dǎo)濾波定義

即需要引導(dǎo)圖的濾波器，引導(dǎo)圖可以是單獨(dú)的圖像或者是輸入圖像，當(dāng)引導(dǎo)圖為輸入圖像時(shí)，引導(dǎo)濾波就成為一個(gè)保持邊緣的濾波操作，可以用于圖像重建的濾波。

引導(dǎo)濾波與其他方向相比優(yōu)勢所在

像高斯濾波等線性濾波算法所用的核函數(shù)相對于待處理的圖像是獨(dú)立無關(guān)的，也就意味著，對任意圖像都是采用相同的操作。但是，有時(shí)候我們是希望在濾波過程中可以加入引導(dǎo)圖像中的信息的，例如，在上色處理過程中，結(jié)果圖像的色度通道需要包含跟給定亮度通道一致的連續(xù)邊緣。

引導(dǎo)濾波的主要特點(diǎn)及應(yīng)用

1、引導(dǎo)濾波（導(dǎo)向?yàn)V波）是一種圖像濾波技術(shù)，通過一張引導(dǎo)圖I，對初始圖像p（輸入圖像）進(jìn)行濾波處理，使得最后的輸出圖像大體上與初始圖像P相似，但是紋理部分與引導(dǎo)圖I相似。其典型應(yīng)用有兩個(gè)：保邊圖像平滑，摳圖。

2、 引導(dǎo)濾波（導(dǎo)向?yàn)V波）的目的是，保持雙邊濾波的優(yōu)勢（有效保持邊緣，非迭代計(jì)算），而克服雙邊濾波的缺點(diǎn)（設(shè)計(jì)一種時(shí)間復(fù)雜度為 O(1) 的快速濾波器，而且在主要邊緣附近沒有梯度的變形）。

3、 引導(dǎo)濾波（導(dǎo)向?yàn)V波）不僅能實(shí)現(xiàn)雙邊濾波的邊緣平滑，而且在檢測到邊緣附近有很好的表現(xiàn)，可應(yīng)用在圖像增強(qiáng)、HDR壓縮、圖像摳圖及圖像去霧等場景。

引導(dǎo)濾波的算法原理

從圖中也可以看出，導(dǎo)向?yàn)V波的輸入為兩個(gè)，一個(gè)是真實(shí)的輸入p，另一個(gè)是引導(dǎo)輸入I。輸出為q，是p和I共同作用的產(chǎn)物。

噪聲和邊緣的區(qū)別，噪聲一般周圍的像素梯度變化較大，并且以其為中心，向四周的梯度大體相似。而邊緣出現(xiàn)了梯度的階躍，并且梯度最大的方向在邊緣的法線方向，其他方向遠(yuǎn)離法線方向逐漸變小。一般的濾波無法區(qū)分噪聲和邊緣，于是對其統(tǒng)一處理，因此很多情況下，濾波的同時(shí)，邊緣也被處理模糊了。

引導(dǎo)濾波算法也屬于可以保持邊緣的一種濾波算法。導(dǎo)向?yàn)V波之所以叫這個(gè)名字，大概是因?yàn)樗惴ㄔ谶M(jìn)行濾波時(shí)需要一幅引導(dǎo)圖像，引導(dǎo)圖像可以是另外單獨(dú)的圖像，也可以是輸入圖像本身，當(dāng)引導(dǎo)圖為輸入圖像本身時(shí)，引導(dǎo)濾波就成為一個(gè)保持邊緣的濾波操作。引導(dǎo)濾波可以用于降噪、細(xì)節(jié)平滑、HDR壓縮、摳圖、去霧以及聯(lián)合采樣等方面。

相關(guān)算法比較：
像高斯濾波等線性濾波算法所用的核函數(shù)相對于待處理的圖像是獨(dú)立無關(guān)的，也就意味著，對任意圖像都是采用相同的操作。但是，有時(shí)候我們是希望在濾波過程中可以加入引導(dǎo)圖像中的信息的，例如，在上色處理過程中[2]，結(jié)果圖像的色度通道需要包含跟給定亮度通道一致的連續(xù)邊緣。

方式1：通過引導(dǎo)圖像獲得約束條件，轉(zhuǎn)化為非齊次方程的求解問題，此方法設(shè)計(jì)到大型稀疏方程求解，所以會(huì)比較耗時(shí)。
方式2：直接利用引導(dǎo)圖像得到濾波核函數(shù)。例如在之前說的雙邊濾波[3]中，在某像素點(diǎn)的輸出為周邊像素與該點(diǎn)相似度相關(guān)的權(quán)重和，只是雙邊濾波所用的引導(dǎo)圖像是它本身；另外，在[4]中，引導(dǎo)圖像則是另外一幅圖像。
當(dāng)然這些方法也有缺點(diǎn)：一是可能引入梯度反轉(zhuǎn)偽影，二是計(jì)算量的快速優(yōu)化難度。在[5]中，作者證明了雙邊濾波可以是一種解決高斯親和矩陣時(shí)的雅克比插值，這就比原始優(yōu)化方法在速度上要優(yōu)化不少；針對這些缺點(diǎn)，引導(dǎo)濾波算法做出了改進(jìn)。

OpenCV-Python代碼實(shí)現(xiàn)

# -*- coding: utf-8 -*-import cv2 import numpy as npsrc_img_path = 'src_img.jpg' guided_img_path = 'guided_img.jpg'def my_guidedFilter_oneChannel(srcImg, guidedImg, rad=9, eps=0.01):srcImg = srcImg / 255.0guidedImg = guidedImg / 255.0img_shape = np.shape(srcImg)P_mean = cv2.boxFilter(srcImg, -1, (rad, rad), normalize=True)I_mean = cv2.boxFilter(guidedImg, -1, (rad, rad), normalize=True)I_square_mean = cv2.boxFilter(np.multiply(guidedImg, guidedImg), -1, (rad, rad), normalize=True)I_mul_P_mean = cv2.boxFilter(np.multiply(srcImg, guidedImg), -1, (rad, rad), normalize=True)var_I = I_square_mean - np.multiply(I_mean, I_mean)cov_I_P = I_mul_P_mean - np.multiply(I_mean, P_mean)a = cov_I_P / (var_I + eps)b = P_mean - np.multiply(a, I_mean)a_mean = cv2.boxFilter(a, -1, (rad, rad), normalize=True)b_mean = cv2.boxFilter(b, -1, (rad, rad), normalize=True)dstImg = np.multiply(a_mean, guidedImg) + b_meanreturn dstImg * 255.0def my_guidedFilter_threeChannel(srcImg, guidedImg, rad=9, eps=0.01):img_shape = np.shape(srcImg)dstImg = np.zeros(img_shape, dtype=float)for ind in range(0, img_shape[2]):dstImg[:, :, ind] = my_guidedFilter_oneChannel(srcImg[:, :, ind],guidedImg[:, :, ind], rad, eps)dstImg = dstImg.astype(np.uint8)return dstImgdef main():src_img = cv2.imread(src_img_path)guided_img = cv2.imread(guided_img_path)print(np.shape(src_img))print(np.shape(guided_img))dstimg = my_guidedFilter_threeChannel(src_img, guided_img, 9, 0.01)print(np.shape(dstimg))cv2.imwrite('output.jpg', dstimg)cv2.imshow('output', dstimg)cv2.waitKey(0)if __name__ == '__main__':main()import matplotlib.pyplot as pltsrc_img = plt.imread(src_img_path)guided_img = plt.imread(guided_img_path)output_img = plt.imread('output.jpg')plt.subplot(131)plt.imshow(src_img)plt.axis('off')plt.title('src')plt.subplot(132)plt.imshow(guided_img)plt.axis('off')plt.title('guided')plt.subplot(133)plt.imshow(output_img)plt.axis('off')plt.title('output')plt.show()

參考資料

https://blog.csdn.net/a6333230/article/details/79937339

https://blog.csdn.net/piaoxuezhong/article/details/78372787

https://blog.csdn.net/shan54321/article/details/80597439

https://blog.csdn.net/u013921430/article/details/99695647

總結(jié)

以上是生活随笔為你收集整理的[PAMI2013] Guided Image Filtering 导向滤波器以及OpenCV-Python代码实现的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。