上级目录:
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: