1.双边滤波
双边滤波很有名,使用广泛,简单的说就是一种同时考虑了像素空间差异与强度差异的滤波器,因此具有保持图像边缘的特性。
先看看我们熟悉的高斯滤波器
![](https://img-blog.csdn.net/20140307143130453)
其中W是权重,i和j是像素索引,K是归一化常量。公式中可以看出,权重只和像素之间的空间距离有关系,无论图像的内容是什么,都有相同的滤波效果。
再来看看双边滤波器,它只是在原有高斯函数的基础上加了一项,如下
![](https://img-blog.csdn.net/20140307143134328)
其中 I 是像素的强度值,所以在强度差距大的地方(边缘),权重会减小,滤波效应也就变小。总体而言,在像素强度变换不大的区域,双边滤波有类似于高斯滤波的效果,而在图像边缘等强度梯度较大的地方,可以保持梯度。
一、原理
双边滤波(Bilateral filter)是一种可以去噪保边的滤波器。之所以可以达到此效果,是因为滤波器是由两个函数构成:一个函数是由几何空间距离决定滤波器系数,另一个由像素差值决定滤波器系数。
原理示意图如下:
双边滤波器中,输出像素的值依赖于邻域像素的值的加权组合,
权重系数w(i,j,k,l)取决于
定义域核
和
值域核
的乘积
二、C++实现
2.1 OpenCV调用方法:
- cvSmooth(m_iplImg, dstImg, CV_BILATERAL, 2 * r + 1, 0, sigma_r, sigma_d);
2.2 MATLAB版代码:
调用方法参见资料[1]
2.3 C++代码
- void CImageObj::Bilateral_Filter(int r, double sigma_d, double sigma_r)
- {
- int i, j, m, n, k;
- int nx = m_width, ny = m_height;
- int w_filter = 2 * r + 1;
-
- double gaussian_d_coeff = -0.5 / (sigma_d * sigma_d);
- double gaussian_r_coeff = -0.5 / (sigma_r * sigma_r);
-
- double** d_metrix = NewDoubleMatrix(w_filter, w_filter);
- double r_metrix[256];
-
-
- double* img_tmp = new double[m_nChannels * nx * ny];
- for (i = 0; i < ny; i++)
- for (j = 0; j < nx; j++)
- for (k = 0; k < m_nChannels; k++)
- {
- img_tmp[i * m_nChannels * nx + m_nChannels * j + k] = m_imgData[i * m_nChannels * nx + m_nChannels * j + k];
- }
-
-
- for (i = -r; i <= r; i++)
- for (j = -r; j <= r; j++)
- {
- int x = j + r;
- int y = i + r;
-
- d_metrix[y][x] = exp((i * i + j * j) * gaussian_d_coeff);
- }
-
-
- for (i = 0; i < 256; i++)
- {
- r_metrix[i] = exp(i * i * gaussian_r_coeff);
- }
-
-
- for (i = 0; i < ny; i++)
- for (j = 0; j < nx; j++)
- {
- for (k = 0; k < m_nChannels; k++)
- {
- double weight_sum, pixcel_sum;
- weight_sum = pixcel_sum = 0.0;
-
- for (m = -r; m <= r; m++)
- for (n = -r; n <= r; n++)
- {
- if (m*m + n*n > r*r) continue;
-
- int x_tmp = j + n;
- int y_tmp = i + m;
-
- x_tmp = x_tmp < 0 ? 0 : x_tmp;
- x_tmp = x_tmp > nx - 1 ? nx - 1 : x_tmp;
- y_tmp = y_tmp < 0 ? 0 : y_tmp;
- y_tmp = y_tmp > ny - 1 ? ny - 1 : y_tmp;
-
- int pixcel_dif = (int)abs(img_tmp[y_tmp * m_nChannels * nx + m_nChannels * x_tmp + k] - img_tmp[i * m_nChannels * nx + m_nChannels * j + k]);
- double weight_tmp = d_metrix[m + r][n + r] * r_metrix[pixcel_dif];
-
- pixcel_sum += img_tmp[y_tmp * m_nChannels * nx + m_nChannels * x_tmp + k] * weight_tmp;
- weight_sum += weight_tmp;
- }
-
- pixcel_sum = pixcel_sum / weight_sum;
- m_imgData[i * m_nChannels * nx + m_nChannels * j + k] = (uchar)pixcel_sum;
-
- }
-
- }
-
- UpdateImage();
- DeleteDoubleMatrix(d_metrix, w_filter, w_filter);
- delete[] img_tmp;
- }
性能方面,跟OpenCV处理速度有差距,有兴趣的,可以自己研究OpenCV版本的源代码
三、效果图
四、参考资料
资料[4]是MIT的学习资料,最全面,包括课件、论文、代码等,涵盖原理、改进、应用、与PDE的联系等等,最值得一看。