导向滤波(Guided Image Filtering)的一些性质

导向滤波(Guided Image Filtering)的一些性质

加权和

$${\text{q}}_i=\sum _j{W}_{ij}(\text{I})p_j\text{\hspace{1em}(1)}$$

$\text{q}$是滤波后的图像， $\text{I}$是引导图像， $\text{p}$是需要滤波的图像， $i$和$j$是像素索引，滤波核是引导图像$\text{I}$的函数，和需要滤波的图像$\text{p}$无关。加粗表示向量。

局部线性模型

导向滤波假设对于图像局部区域，滤波后的图像是引导图像的线性变换：

$${\text{q}}_i=a_k{\text{I}}_i+b_k,\forall i\in {\omega }_k\text{\hspace{1em}(2)}$$

$\text{q}$是滤波后的图像, $\text{I}$是引导图像, ${\omega }_k$是包含$i$像素的图像块, $a_k$和$b_k$是线性变换系数, 加粗表示向量。

由假设，$▽\text{q}=a_k▽\text{I}$，这保证滤波后的图像$q$有边缘当且仅当引导图像$I$有边缘，所以导向滤波是保护边缘的。

目标函数

导向滤波希望滤波后的图像和滤波前的图像在2-范数下接近，所以通过求解下列最小二乘问题得到和:
$$\underset{a_k,b_k}{\min }\sum _{i\in {\omega }_k}((a_k{\text{I}}_i+b_k-{\text{p}}_i{)}^2+\epsilon a_k^2)\text{\hspace{1em}(3)}$$
$\epsilon$是正则参数，防止过大。

局部线性模型的进一步分析

图像局部块重叠带来的影响

考虑整幅图像，对于像素$i$，存在多个图像块包含它，每个图像块对应一组线性系数和,通过求平均：
$${\text{q}}_i=\frac{1}{|\omega |}\sum _{k:i\in {\omega }_k}(a_k{\text{I}}_i+b_k)=\overline{a_i}{\text{I}}_i+\overline{b_i}\text{\hspace{1em}(4)}$$
其中$|\omega |$ 是像素块中像素的数量，可以看到，对不同的$i,i^{\prime }\in {\omega }_k$, $({\overline{a}}_i,{\overline{b}}_i)$不一定等于$({\overline{a}}_{i^{\prime }},{\overline{b}}_{i^{\prime }})$，将$(4)$式写成向量形式有：
$$\text{q}=\text{a}\cdot \text{I}+\text{b}\text{\hspace{1em}(5)}$$
向量$\text{a}=（{\overline{a}}_i）,\text{b}=（{\overline{b}}_i)，i\in {\omega }_k$。

统计角度分析

高方差区域

根据式$(2)$和$(3)$，可以理解为将 { I i , i ∈ ω k } \{ \textbf{I}_i,i\in\omega_k \} {Ii​,i∈ωk​}和 { p i , i ∈ ω k } \{ \textbf{p}_i,i\in\omega_k \} {pi​,i∈ωk​}进行线性回归，对于包含强边缘的局部图像块，如果均值$\mu (\text{p})>>\sigma (\text{p})$，那么$a_k\approx 1$，$b_k\approx 0$，相应地${\overline{a}}_k\approx 1$，${\overline{b}}_k\approx 0$。
此时有:
$▽\text{q}=▽\text{a}\cdot \text{I}+\text{a}\cdot ▽\text{I}+▽\text{b}$
又因线性系数是通过平均得到的,
所以，$▽\text{a}\approx \text{0}$，$▽\text{b}\approx \text{0}$
$▽\text{q}\approx a▽\text{I}$ 。
所以，滤波后的图像$\text{q}$有边缘当且仅当引导图像$\text{I}$有边缘这个性质在$\mu (\text{p})>>\sigma (\text{p})$条件下是近似成立的。

平坦区域