基本原理
在GF中,有一个引导图像I和一个需要过滤的图像,两者之间并非要完全不同,也就是说它们可以是相同的图像。w
k
k
k是为像素k构建的一个滤波窗口,q是输出像素的值。在这里,我们认为q和I在每个窗口满足线性变换,则公式表达为:
式中a
k
k
k,b
k
k
k为每个窗口中的线性系数,在不同的窗口中有不同的取值。同时由于▽q = a▽I,还可以保证滤波过程中q和I在边缘处保持一致。
它们的值是通过最小化成本函数E(a
k
k
k,b
k
k
k)获得的,该成本函数被定义如下:
式中,
ϵ
\epsilon
ϵ是用来约束较大的a
k
k
k的正则化参数,a
k
k
k,b
k
k
k的最佳值计算如下
在这里,式中的乘法运算为矩阵间的元素积运算,
μ
\mu
μ
k
k
k为滤波窗口的均值,|w|为每个窗口中所有点的数目,
g
‾
\overline{g}
g
k
k
k同样为g在不同窗口中计算得到的均值。
然而
ϵ
\epsilon
ϵ是固定的,这会引起在图像某些区域的处理出现不适应性。针对于像素处于图像边缘处或者平滑区域的不同,对于a
k
k
k,b
k
k
k的取值也不同,因此需要选择不同的
ϵ
\epsilon
ϵ。首先在平滑区域,为了使得到的视差图能够在该区域取得更好的平滑效果,就需要利用
ϵ
\epsilon
ϵ完成对a
k
k
k的较大约束,因此就需要根据窗口内信息自适应选择较大的
ϵ
\epsilon
ϵ;而边缘区域,我们需要保留视差图的边缘,所以a
k
k
k的取值则越偏大越好,此时
ϵ
\epsilon
ϵ选择越小越好。
具体步骤
步骤1:在每个局部小窗口中分别计算a
k
k
k和b
k
k
k。(在计算每个窗口的线性系数时,我们可以发现一个像素会被多个窗口包含,也就是每个像素都由多个线性函数所描述,所以就引出了步骤2)。
步骤2:在所有的局部窗口中对所有点的a
k
k
k和b
k
k
k求平均。