引导滤波原理

 上级目录：

传统图像处理/降噪与滤波

 

原理

导向滤波的大前提：

如图所示，算法认为目标图像 Q上相邻的点是线性相关的，之所以待处理图 P不清晰是因为，不相关的部分（噪声），

引导图I是另一个输入，它与P有相同的梯度，当滤波时可以设置I=P.用线性相关的核W去更新像素点，就会使得P更接近Q.那么能使得P最接近Q的核就是我们求解的目标

换句话说就是：求P-Q最小值时，核W是多少？

用公式来表示就是：

其中：

• i 是坐标点
• pi是待处理图像,i位置的像素点
• qi是目标图像, i位置的像素点
• wk是核

由大前提可以列出式子：

 其中：

• ak，是核W在kw位置的权重
• bk , 是核W在kw位置的偏置
• Ii , 是引导图I在i位置的像素值（引导图I与待处理图P有相似的梯度）

目标式子变成：

 最后，引入一个正则化参数 ϵ 避免ak过大

 最小化上面式子，并求极值采用最小二乘法（最小二乘法连接）

求解后：

 特性：当 I = P时，即输入图像和引导图像是同一副图像时，该算法即成为一个边缘保持滤波器。同时，方程的解也可作如下表示：

 从中可以看出， ϵ 在这里相当于界定平滑区域和边缘区域的阈值。

考虑以下两种情况：

Case 1：平坦区域。如果在某个滤波窗口内，该区域是相对平滑的，方差将远远小于 ϵ  ak≈0,bk≈pk。相当于对该区域作均值滤波。

Case 2：高方差区域。相反，如果该区域是边缘区域，方差很大，将远远大于 ϵ 。从而 ak≈1,bk≈0。相当于在区域保持原有梯度。

参考：

导向滤波(Guided Filter)公式详解_Zetropy-CSDN博客_导向滤波

导向滤波算法分析 - 爱鱼 - 博客园