【传统算法】导向滤波公式推导和扩展

最新推荐文章于 2023-02-11 15:35:30 发布

秋名山小法师

最新推荐文章于 2023-02-11 15:35:30 发布

阅读量776

点赞数 2

分类专栏：传统算法文章标签：计算机视觉算法

本文链接：https://blog.csdn.net/olivertai/article/details/104003457

版权

本文详细探讨了导向滤波的理论基础，包括一般表达式、先验假设、能量函数的求解，以及与线性回归的关系。在扩展部分，介绍了如何简化计算和滤波核的计算方法，并讨论了高斯导向滤波与Gradient-preserving特性，揭示了其在保持图像边缘信息方面的优势。

摘要由CSDN通过智能技术生成

何凯明大神的代表作之一
论文地址：Guided Image Filtering

导向滤波的一般表达方式

$q_{i}=\sum_{j} W_{i j}(I) p_{j}$
其中 $q$ 表示输出， $p$ 表示输入， $I$ 表示导向图。

先验假设

假设在局部范围内，输出图与导向图的关系可以用一个线性模型表示：
$q_{i}=a_{k} I_{i}+b_{k}, \forall i \in \omega_{k}$
另外输出图是由输入图减去噪声（需要被滤掉的部分）得到
$q_{i}=p_{i}-n_{i}$

能量函数和求解

我们需要做的就是最小化能量函数
$E\left(a_{k}, b_{k}\right)=\sum_{i \in \omega_{k}}\left(\left(a_{k} I_{i}+b_{k}-p_{i}\right)^{2}+\epsilon a_{k}^{2}\right)$
其中 $\epsilon$ 为正则项，防止系数 $a_k$ 过大。
对 $a_k$ 和 $b_k$ 求导：
$\frac{\partial E}{\partial a_{k}}=2 \sum_{i}^{N}\left(\left(-p_{i}+a_{k} I_{i}+b_{k}\right) I_{i}+\epsilon a_{k}\right)$
$\frac{\partial E}{\partial b_{k}}=-2 \sum_{i}^{N}\left(p_{i}-a_{k} I_{i}-b_{k}\right)$
先求取 $b_k$ ，令偏导数为零：
$\begin{aligned} &0= \sum_{i}^{N}\left(p_{i}-a_{k} I_{i}-b_{k}\right)\\ &\Rightarrow N b_{k}=\sum_{i}^{N}\left(p_{i}-a_{k} I_{i}\right)\\ &\Rightarrow b_{k}=\frac{1}{N} \sum_{i}^{N}\left(p_{i}-a_{k} I_{i}\right)\\ &\Rightarrow b_{k}=\frac{1}{N} \sum_{i}^{N} p_{i}-a_{k} \frac{1}{N} \sum_{i}^{N} I_{i} \\ &\Rightarrow b_{k}= \bar{p_{k}}-a_{k} \mu_{k} \end{aligned}$