高斯滤波与双边滤波原理、MATLAB实现及结果对照

最新推荐文章于 2023-03-01 12:45:55 发布

草莓酱土司

最新推荐文章于 2023-03-01 12:45:55 发布

阅读量1w

点赞数 17

分类专栏：图像处理

本文链接：https://blog.csdn.net/qq_34554039/article/details/110179273

版权

图像处理专栏收录该内容

8 篇文章 7 订阅

订阅专栏

本文详细介绍高斯滤波和双边滤波的原理并给出MATLAB实现，最后对照高斯滤波与双边滤波的效果。

一、滤波原理

参考：https://blog.csdn.net/nima1994/article/details/79776802（高斯滤波的原理）

划重点：

空域滤波的本质即在窗口内“取平均”，模板半径越大，模糊效果越强。

高斯滤波中，高斯函数是用来计算模板权重的，其依据为：连续图像中，越靠近的点关系越密切，越远离的点关系越疏远，因此，加权平均更合理，即距离中心点越近的点权重越大，距离越远的点权重越小。

1.1 一维高斯分布

而一维高斯分布（正态分布）刚好满足这一条件，如图1.

图1 正态分布“钟形曲线”

一维高斯分布公式见式（1），其中均值 $\mu$ 决定了曲线的中心点， $\sigma$ 决定了曲线的宽度， $\sigma$ 越大曲线越宽。

$f= \frac{ 1}{ \sigma\sqrt{2\pi} }e^{ -(x-\mu)^{ 2}/2\sigma^{2}}$ …………（1）

MATLAB实现一维高斯函数：

function g = Gaussian(X,avg,sigma)
%% 功能说明：一维高斯分布
%% 参数说明：avg -- 均值,决定中心点位置
%          sigma -- 标准差，决定曲线宽度
   temp_1 = 1 / (sigma * sqrt(2*pi));
   temp_2 = -(X - avg).^2./(2*sigma^2);
   g = temp_1 * exp(temp_2);
   g = g ./ sum(g(:));
end

使用上述功能绘制不同 $\sigma$ 值对应的曲线，代码如下：

X = -15:0.1:15;
avg = 0;  % 图像中心点为0
sigmas = [1;2;3;4];
for i = 1:length(sigmas)
    g = Gaussian(X,avg,sigmas(i));
    plot(X,g)
    hold on
end
legend('\sigma = 1','\sigma = 2','\sigma = 3','\sigma = 4');

图像如图2，显然， $\sigma$ 决定了曲线的宽度， $\sigma$ 越大曲线越宽，且图像关于x = avg（这里为0）对称。

图2 不同 $\sigma$ 值对应的一维高斯分布

补充说明：之前做了min-max标准化，将不同sigma值对应的曲线的取值范围均映射在了[0,1]范围内，但现在发现这种做法忽略了sigma取值对曲线高度的影响。

（高斯分布的性质：曲线下方与x轴上方的面积之和为1）sigma的取值不仅决定了曲线的宽度，也决定了曲线的高度，sigma越大，曲线越宽越矮；sigma越小，曲线越窄越高。

1.2 二维高斯分布

将x = x,y分别代入公式（1）后，二者相乘即可得到二维高斯分布公式（2）：

$f = \frac{ 1}{ 2\pi\sigma^{ 2}} e^{ -((x-\mu_{1})^{2}+(y-\mu_{2})^{2})/2\sigma^{2}}$ …………（2）

这里令 $\mu_{1} = 0, \mu_{2} = 0$ 可得简化版二维高斯分布函数公式（3）：

$f = \frac{ 1}{ 2\pi\sigma^{ 2}} e^{ -(x^{2}+y^{2})/2\sigma^{2}}$ …………（3）

根据公式（3）即可计算高斯滤波模板中每个点的权重。

二维高斯函数，代码如下：

function [G] = Gaussian(R,sigma)
%% 功能说明：二维高斯函数，可用于计算高斯滤波权重矩阵
%          高斯滤波：仅考虑了空域信息，未考虑灰度相似性
%% 输入参数：R -- 模板半径
%          sigma -- 标准差
    [X,Y] = meshgrid(-R:0.1:R);
    temp1 = 1/(2*pi*sigma^2);
    temp2 = -(X.^2 + Y.^2)/(2*sigma^2);
    G = temp1 * exp(temp2);
    
    G = G./sum(G(:));  % 模板的权重之和必须等于1。

    % 绘制模板图
    figure
    surf(X,Y,G);
    shading interp;
end

大小为15*15，标准差为2的二维高斯分布模板如图3所示

图3 大小为11*11的二维高斯分布

使用大小为5*5，标准差为0.3的模板对含有弱小目标和云层的图像进行高斯模糊，如图4所示。

图4 大小为5*5，标准差为0.3的模板高斯模糊滤波结果

1.3 高斯滤波总结

高斯滤波只考虑了图像像素之间的空间相似性，即连续图像中，越靠近的点关系越密切，越远离的点关系越疏远。

二、双边滤波

1. 双边滤波的原理

参考：https://blog.csdn.net/Chaolei3/article/details/88579377

双边滤波是一种非线性的方法，与高斯滤波相比，双边滤波不仅考虑了图像的空间相似性，也考虑了其灰度相似性，可以达到“保边去噪”的目的。

双边滤波包含两部分：空域矩阵与值域矩阵，空域矩阵可类比高斯滤波，用于模糊去噪；值域矩阵根据灰度相似性得到，用来保护边缘。

空域矩阵计算公式（4），值域矩阵计算公式（5）

$d(i,j,k,l)=e^\frac{ -(i-k)^{2}+(j-l)^{2}}{ 2\sigma_{d}^{2}}$ …………（4）

$r(i,j,k,l)=e^\frac{ -||f(k,l)-f(i,j)||^{2}}{ 2\sigma_r^{2}}$ …………（5）

公式说明：定义(i, j)为中心点坐标，(k, l)为以点(i, j)为中心的邻域内任意一点。

公式（4）（5）相乘即为双边滤波权重矩阵计算公式（6）

$w(i,j,k,l)=e^{\frac{ -(i-k)^{2}+(j-l)^2}{ 2\sigma_{d}^{2}}+\frac{ -||f(k,l)-f(i,j)||^{2}}{2\sigma_r^{2}}}$ …………（6）

最后，计算加权平均值作为中心点坐标滤波后的值

$g(i,j)=\frac{ \sum_{(k,l)\in{S}}f(i,j)w(i,j,k,l)}{ \sum_{(k,l)\in{S}}w(i,j,k,l)}$ ………… （7）

2. 双边滤波是如何实现“保边去噪”的？

参考：https://blog.csdn.net/Jfuck/article/details/8932978?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-2.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-2.control

由公式（4），空间域权重矩阵的权重分布仍然是“钟形”，即距中心点越近，所占权重越大；

由公式（5）（6），已知 $y = e^{-x}$ 是过（0，1）点的减函数，即灰度差值越大，权重越小，平滑效果越差，反之，灰度差值越小，权重越大，平滑效果越好。所以，当中心点位于边缘处时，灰度差值大，空间域平滑效果削弱，边缘被保留；当邻域灰度值接近中心点时，灰度差值接近0，值域权重接近1，此时滤波效果取决于空间域权重矩阵，与高斯滤波效果一致。

公式（7）的含义：滤波后中心点的值 = 权重矩阵 .* 原始图像（且保证权重之和为1，归一化处理）（参照滤波原理）

图5 双边滤波“保边去噪”原理图

3. MATLAB实现双边滤波

function b = BF_Filter(img,r,sigma_d,sigma_r)
%% 功能说明：双边滤波，用于计算双边滤波后的图像
%          双边滤波是一种非线性方法，同时考虑图像的空域信息和灰度相似性。
%          通过空域矩阵和值域矩阵形成新的权重矩阵，其中，空域矩阵用来模糊去噪，值域矩阵用来保护边缘。
%% 输入参数：img -- 待滤波图像
%          r -- 模板半径，e.g. 3*3模版的半径为1
%          sigma_d -- 空域矩阵标准差
%          sigma_r -- 值域矩阵标准差
    
    % 判断是否为灰度图像
    if(size(img,3)>1)
        img = rgb2gray(img);
    end
    [x,y] = meshgrid(-r:r);
    
    % 空域权重矩阵 size = (2r+1)*(2r+1)
    w_spacial = exp(-(x.^2 + y.^2)/(2*sigma_d.^2));

    [m,n] = size(img);
    img = double(img);
    
    % 扩展图像，size = (m+2r)*(n+2r)
    f_temp = padarray(img,[r r],'symmetric');
    
    % 滑动窗口并滤波
    b = zeros(m,n); % 滤波后图像
    for i = r+1:m+r
        for j = r+1:n+r
            temp = f_temp(i-r:i+r,j-r:j+r);
            w_value = exp(-(temp - img(i-r,j-r)).^2/(2*sigma_r^2));  % size = (2r+1)*(2r+1)
            w = w_spacial .* w_value;
            s = temp.*w;
            b(i-r,j-r) = sum(s(:))/sum(w(:));  
        end
    end
end

4. 关于sigma值的选取

4.1 空间域sigma $\sigma_d$ 选取

核大小通常为 $(6\multi\sigma_d+1)$ ，即 $r=6\sigma_d$

因为距离中心点 $(3\multi\sigma_d+1)$ 大小之外的系数与中点的系数值比较小，可以认为此之外的点与中心点几乎没有联系，权重系数可看作0.

4.2 值域sigma $\sigma_r$ 选取

图6 $y=e^{-x}$ 图像

当 $\sigma_r=255$ ，灰度差值范围为[0,255]时，x 的取值范围 $x\leqslant 1$ ，值域范围为：[0.3679,1];

当 $\sigma_r=122.5$ ，灰度差值范围为[0,255]时，x 的取值范围 $x\leqslant 4$ ，值域范围为：[0.01832,1];

所以，sigma越大，权重值域范围越小，此时即使邻域灰度值与中心点灰度值之差较大，其对应权重也会很大，这与双边滤波“保边”的初衷相违背；sigma越小，权重值域范围越大，此时当邻域灰度值域中心点灰度值之差较大时，其对应权重越小，可以削弱“平滑”，达到“保边”效果。

综上，sigma越大，边缘越模糊，sigma-->∞时，x-->0，权重-->1，与高斯模板相乘后可认为等效于高斯滤波；

sigma越小，边缘越清晰，sigma-->0时，x-->∞，权重-->0，与高斯模板相乘后可认为系数皆相等，等效于源图像。

三、双边滤波与高斯滤波结果对照

3.1 仿真图像对照

生成含明显边缘的图像，如图7所示。

图7 仿真图像

img_B = zeros(250,250);
img_B(:,40:50) = 1;
img_B(:,180:200) = 1;
img_B(100:105,:) = 1;
imshow(img_B)

高斯滤波与双边滤波结果如图8所示，显然，双边滤波可以更好地保留图像的边缘信息。

图8 双边滤波与高斯滤波仿真图像对比结果

%% 高斯滤波
r = 7;
sigma_d = 1;
G = Gaussian(r, sigma_d);
g = imfilter(img_B, G, 'symmetric');
%% 双边滤波
sigma_r = 3;
b = BF_Filter(img_B,r,sigma_d,sigma_r);
figure
subplot(1,2,1)
imshow(b);title([num2str(2*r+1),'*',num2str(2*r+1),'双边滤波结果','\sigma_d=1 ,',' \sigma_r=3']);
subplot(1,2,2)
imshow(g);title([num2str(2*r+1),'*',num2str(2*r+1),'高斯滤波结果','\sigma_d=1']);

3.2 真实图像对照

从结果来看，对于含有云层等结构背景及弱小目标的图像，与高斯滤波相比，双边滤波可以很好地保留图像的边缘（结构）信息。

图9 原真实图像

图10 双边滤波与高斯滤波真实图像对比结果

img = imread('cloud.bmp');
if(size(img,3)>1)
    img = rgb2gray(img);
end
r = 7;
sigma_d = 0.5;
G = Gaussian(r, sigma_d);
img_g = imfilter(img, G, 'symmetric');

sigma_r = 3;
img_b = BF_Filter(img,r,sigma_d,sigma_r);
subplot(1,3,1);
imshow(img);title('原图');
subplot(1,3,2)
imshow(img_g,[]);title('高斯滤波结果');
subplot(1,3,3);
imshow(img_b,[]);title('双边滤波结果');

3.3 总结

结合弱小目标检测的课题目标，双边滤波适合预测含有丰富边缘（结构）信息的背景预测，通过实验选择合适的sigma值，对背景进行预测，原图-预测背景图=目标图（STI），然后从STI图中检测目标，下一步需要进行深入探究。

草莓酱土司

关注

17
点赞
踩
130

收藏

觉得还不错? 一键收藏
5
评论
高斯滤波与双边滤波原理、MATLAB实现及结果对照

本文详细介绍高斯滤波和双边滤波的原理并给出MATLAB实现，最后对照高斯滤波与双边滤波的效果。目录一、滤波原理1.1 一维高斯分布1.2 二维高斯分布1.3 高斯滤波总结二、双边滤波1. 双边滤波的原理2. 双边滤波是如何实现“保边去噪”的？3. MATLAB实现双边滤波一、滤波原理参考：https://blog.csdn.net/nima1994/article/details/79776802（高斯滤波的原理）划重点：空域滤波的本质即在窗口内“取平..
复制链接

扫一扫