【改进引导滤波器】各向异性引导滤波器，利用加权平均来实现最大扩散，同时保持图像中的强边缘，实现强各向异性滤波，同时保持原始引导滤波器的低低计算成本（Matlab代码实现）

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章

---

💥1 概述

摘要：
引导滤波器及其后续派生物已广泛应用于许多图像处理和计算机视觉应用中，主要由于其低复杂性和良好的边缘保持特性。尽管取得了这些成功，引导滤波器的不同变体无法处理更具侵略性的滤波强度，导致“细节光晕”的出现。同时，当输入图像和引导图像存在结构不一致时，这些现有滤波器的性能较差。在本文中，我们证明了这些限制是由于引导滤波器作为一个变强度局部各向同性滤波器运行，实际上在图像上起到了弱各向异性滤波器的作用。我们的分析显示，这种行为源于在引导滤波器变体的最后步骤中使用无权重平均，包括自适应引导滤波器（AGF）、加权引导图像滤波器（WGIF）和梯度域引导图像滤波器（GGIF）。我们提出了一种新型滤波器，即各向异性引导滤波器（AnisGF），它利用加权平均来实现最大扩散，同时保持图像中的强边缘。所提出的权重是根据局部邻域方差进行优化的，以实现强各向异性滤波，同时保持原始引导滤波器的低计算成本。合成测试表明，所提出的方法解决了以前引导滤波器变体中存在的细节光晕和处理不一致结构的问题。此外，对于尺度感知滤波、细节增强、纹理去除和色度上采样的实验表明了该技术带来的改进效果。

图像处理和计算机视觉任务依赖于图像和视频中嵌入的结构信息。然而，由于视觉数据的性质，传统的过滤过程往往会破坏这种信息。图像细节，以边缘和纹理的形式，都包含与图像中的噪声出现相对应的高频信息。因此，使用传统的线性时不变（LTI）滤波器来减少噪声也会导致细节的破坏，表现为图像模糊。此外，由于两者的频率内容重叠，从边缘中分离纹理信息是困难的。

为了解决传统滤波器的局限性，许多研究人员开发了保边滤波技术，利用空间信息避免在边缘附近进行滤波，同时有效地平滑图像中的其他区域。尽管这些保边滤波器的配方有很大差异，但它们已经被证明在各种应用中非常有用。例如，一些任务，如色调映射，可能会使用保边滤波器将图像分解为多个尺度进行处理。需要将细节从一幅图像传输到另一幅图像的应用也受益于保边滤波器将图像纹理与边缘隔离的能力。在这两种应用中，使用非自适应分解（例如拉普拉斯金字塔）通常会导致出现光晕等伪影。

图像抠图需要清晰地区分背景和前景，而使用LTI滤波器是不可行的。将这种情况扩展到多个离散标签，如分割问题，也会导致相同的滤波器要求。在过滤成本图和概率图时，信息跨越边缘边界的传播可能会降低生成图的可靠性。这些限制表明了对滤波技术的边缘感知性的需求。许多其他应用也受益于边缘感知处理，包括去雾、上采样和解马赛克等。

追溯今天许多保边模型的起源，人们可能会回溯到最早使用的方法——扩散滤波。也许最突出的例子是各向异性扩散模型。在这种模型中，像素强度形式的信息被允许在图像中传播，除了通过大的不连续性之外，导致局部特定的模糊。在很大程度上，这种扩散概念已经渗透到了诸如双边滤波器及其各种派生技术等离散滤波技术中。

近年来，诸如加权最小二乘（WLS）[43]和加权-ℓ1滤波器[44]等复杂的基于优化的方法，以及结构转移滤波器，如引导滤波器[45]–[47]扩散模型，主要取代了扩散模型的使用。这些基于优化的技术提供了高质量的滤波，但计算成本高。优化滤波的最新进展[44]显著加速了这些技术，但这样的加速仍然依赖于不容易转化为硬件的大规模迭代计算。

另一方面，诸如引导滤波器[45]之类的滤波器在图像的小区域上操作，被认为计算效率高。对于弱滤波任务，这些技术因其简单性和速度而备受青睐。另一方面，许多局部滤波器在更强的滤波设置下表现不佳。正如本文稍后所示，引导滤波器及其衍生物在这些更强的设置下要么完全无法工作，要么在这些设置下产生高度可见的伪影。

除了滤波强度之外，一些研究人员还在相互结构的背景下展示了引导滤波器的另一个局限性。[48]中的工作表明，引导滤波器无法处理输入图像和引导图像之间不一致的结构。在这种情况下，即使引导图像中的对应区域完全平滑，该滤波器也保留了输入图像的细节。

本文介绍了一种基于原始引导滤波器的新型滤波器，该滤波器保留了引导滤波器的计算效率，同时改善了滤波质量，特别是在更强的设置下。这种新的滤波器源于这样一种观念，即引导滤波器在补丁级别上是一个近似自包含的各向同性扩散过程。在整个图像方面，这转化为一个区域依赖的变强度扩散滤波器。

本文利用上述观点审查了引导滤波器的当前限制，并通过基于局部平滑成本重新构建滤波器的平均步骤提供了一种解决这些限制的方法。所提出的滤波器称为各向异性引导滤波器（AnisGF），有效地在图像上实施了近似区域选择性扩散过程。与原始引导滤波器相比，这种新的滤波器在更广泛的条件下运行，同时仍保持O(n)复杂度。通过在尺度感知滤波、纹理去除、细节增强和颜色上采样等各种实验中，本文展示了这种新滤波器如何以更有效的局部方式接近全局滤波器的平滑质量。

📚2 运行结果

部分代码：

%   Usage:
%       demoSpeed()
%
%   demoSpeed() performs several timed runs of the guided filter and the
%   AnisGF operating at various resolutions. Within each resolution, the
%   median speed is reported and plotted. Note that this graph may not
%   be identical to the paper as it is dependent on the computing system
%   along with the MATLAB environment.
%
function demoSpeed()
    % Add the libraries directory to path
    addpath(genpath('../libraries'));
    
    % Load the image to memory
    X = im2double(imread('../data/input/detail/tulips.bmp'));
    
    % Check for libraries
    filters = {};
    functions = {};
    param = {};
    numFilt = 0;
    
    if exist('imguidedfilter')
        numFilt = numFilt + 1;
        filters{numFilt} = 'guided';
        functions{numFilt} = 'imguidedfilter';
        param{numFilt} = {'NeighborhoodSize', [11 11], 'DegreeOfSmoothing', 0.01};
    end

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

🌈4 Matlab代码、数据、文章