导向滤波学习

前言

    今天的数字图像处理课讲到了导向滤波，就拿过来论文学习了一下，下面两篇博客对我帮助很大：
　　导向滤波算法分析公式推导很详细；
　　导向滤波详解代码是严格按照论文的算法流程来的，能理解得更清楚。
　　我只看了原理部分和保边滤波器部分，简单记录一下。

原理

    以图像去噪为例
　　输入图像：p
　　引导图像：I
　　输出图像：q
　　窗口：ωk
　　去噪模型：噪声是加性的

　　前提：在窗口ωk中，输出图像块是引导图像块的一个线性变换（图中3是2经过一定的纵向拉伸和纵向平移得到的，每个窗口的ak和bk都不一样）。

　　优化：最小化噪声，即p与q之间的均方误差，损失函数中加了一项，对ak进行惩罚。

　　优化结果（可以参考导向滤波算法分析）：
　
　　式中，μk和σk2是I在窗口ωk内的均值和方差，而

　　是p在窗口ωk内的均值。
　　取一个窗口进行一次导向滤波，会得到和这个窗口一样大小的一个输出图像块。不同的窗口有重叠时，输出图像块也有重叠，因此考虑对一个像素的值进行平均，作为最终输出的导向滤波的值．平均过程如下：
　　
　　进一步可以写成：

　　总的算法流程（可以参考导向滤波详解的代码）：
　　

直观理解

    由于模型中q是I的一个线性变换，因此有：

　　尽管后来又对同一像素不同窗口的值进行了平均，这个线性关系不再严格成立了，但是我们依然可以认为：

　　两幅图像的梯度为线性关系，即说明导引图像中的边缘，对应于输出图像也是一个边缘。
　　优化过程可以理解为，3要在满足是2的一个线性变换的前提下，去达到和1的均方误差最小（不考虑惩罚项）。

应用——边缘保持平滑滤波器

    利用导向滤波对图像进行平滑，设置引导图像为输入的噪声图像本身。ak和bk的表达式可以化简为：


　　如果ε=0，则ak=1，bk=0，否则，考虑下面两种情况：
　　１、“高方差”，即I在窗口内灰度变化很大（有很多边缘），因此这部分图像块的方差很大，有：
　　
因此ak近似为1，bk近似为0，q近似为p，输出图像几乎不变，边缘被保留。
　　２、“平坦”，即I在窗口内近似为一个常数，图像方差很小，有：
　　
因此ak近似为0，bk近似为μk，q近似为μk，即对图像进行了均值平滑，达到了去噪的效果。
　　具体什么程度算"高方差"，什么程度算“平坦”，是由ε的取值来决定的。ε类似于双边滤波中的σr2，都是衡量噪声和边缘的分界线的。