双边滤波算法原理

最新推荐文章于 2024-08-10 20:05:01 发布
最新推荐文章于 2024-08-10 20:05:01 发布
阅读量701 收藏 6
点赞数
原文链接：https://blog.csdn.net/piaoxuezhong/article/details/78302920
版权

双边滤波算法原理：

转载自：https://blog.csdn.net/piaoxuezhong/article/details/78302920

双边滤波是一种非线性滤波器，它可以达到保持边缘、降噪平滑的效果。和其他滤波原理一样，双边滤波也是采用加权平均的方法，用周边像素亮度值的加权平均代表某个像素的强度，所用的加权平均基于高斯分布[1]。最重要的是，双边滤波的权重不仅考虑了像素的欧氏距离（如普通的高斯低通滤波，只考虑了位置对中心像素的影响），还考虑了像素范围域中的辐射差异（例如卷积核中像素与中心像素之间相似程度、颜色强度，深度距离等），在计算中心像素的时候同时考虑这两个权重。
公式1a,1b给出了双边滤过的操作，Iq为输入图像，Ipbf为滤波后图像：


mark下双边滤波里的两个权重域的概念：空间域（spatial domain S）和像素范围域（range domain R）,这个是它跟高斯滤波等方法的最大不同点。下面是我找到的对比说明，更好地理解双边滤波，首先是高斯滤波的情况：


然后对比再看一下双边滤波的过程：


双边滤波的核函数是空间域核与像素范围域核的综合结果：在图像的平坦区域，像素值变化很小，对应的像素范围域权重接近于1，此时空间域权重起主要作用，相当于进行高斯模糊；在图像的边缘区域，像素值变化很大，像素范围域权重变大，从而保持了边缘的信息。


为了更加形象的说明两个权重的影响，作者还给出了二维图像的直观说明:


双边滤波算法C++实现 

#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui/highgui_c.h>
#include <iostream>


////////////////////////////
//获取高斯模板（空间模板）
///////////////////////////
void getGausssianMask(cv::Mat& Mask, cv::Size wsize, double spaceSigma) {
	Mask.create(wsize, CV_64F);
	int h = wsize.height;
	int w = wsize.width;
	int center_h = (h - 1) / 2;
	int center_w = (w - 1) / 2;
	double sum = 0.0;
	double x, y;

	for (int i = 0; i < h; ++i) {
		y = pow(i - center_h, 2);
		double* Maskdate = Mask.ptr<double>(i);
		for (int j = 0; j < w; ++j) {
			x = pow(j - center_w, 2);
			double g = exp(-(x + y) / (2 * spaceSigma * spaceSigma));
			Maskdate[j] = g;
			sum += g;
		}
	}
}

////////////////////////////
//获取色彩模板（值域模板）
///////////////////////////
void getColorMask(std::vector<double> &colorMask, double colorSigma) {

	for (int i = 0; i < 256; ++i) {
		double colordiff = exp(-(i*i) / (2 * colorSigma * colorSigma));
		colorMask.push_back(colordiff);
	}

}


////////////////////////////
//双边滤波
///////////////////////////
void bilateralfiter(cv::Mat& src, cv::Mat& dst, cv::Size wsize, double spaceSigma, double colorSigma) {
	cv::Mat spaceMask;
	std::vector<double> colorMask;
	cv::Mat Mask0 = cv::Mat::zeros(wsize, CV_64F);
	cv::Mat Mask1 = cv::Mat::zeros(wsize, CV_64F);
	cv::Mat Mask2 = cv::Mat::zeros(wsize, CV_64F);

	getGausssianMask(spaceMask, wsize, spaceSigma);//空间模板
	getColorMask(colorMask, colorSigma);//值域模板
	int hh = (wsize.height - 1) / 2;
	int ww = (wsize.width - 1) / 2;
	dst.create(src.size(), src.type());
	//边界填充
	cv::Mat Newsrc;
	cv::copyMakeBorder(src, Newsrc, hh, hh, ww, ww, cv::BORDER_REPLICATE);//边界复制;

	for (int i = hh; i < src.rows + hh; ++i) {
		for (int j = ww; j < src.cols + ww; ++j) {
			double sum[3] = { 0 };
			int graydiff[3] = { 0 };
			double space_color_sum[3] = { 0.0 };

			for (int r = -hh; r <= hh; ++r) {
				for (int c = -ww; c <= ww; ++c) {
					if (src.channels() == 1) {
						int centerPix = Newsrc.at<uchar>(i, j);
						int pix = Newsrc.at<uchar>(i + r, j + c);
						graydiff[0] = abs(pix - centerPix);
						double colorWeight = colorMask[graydiff[0]];
						Mask0.at<double>(r + hh, c + ww) = colorWeight * spaceMask.at<double>(r + hh, c + ww);//滤波模板
						space_color_sum[0] = space_color_sum[0] + Mask0.at<double>(r + hh, c + ww);

					}
					else if (src.channels() == 3) {
						cv::Vec3b centerPix = Newsrc.at<cv::Vec3b>(i, j);
						cv::Vec3b bgr = Newsrc.at<cv::Vec3b>(i + r, j + c);
						graydiff[0] = abs(bgr[0] - centerPix[0]); graydiff[1] = abs(bgr[1] - centerPix[1]); graydiff[2] = abs(bgr[2] - centerPix[2]);
						double colorWeight0 = colorMask[graydiff[0]];
						double colorWeight1 = colorMask[graydiff[1]];
						double colorWeight2 = colorMask[graydiff[2]];
						Mask0.at<double>(r + hh, c + ww) = colorWeight0 * spaceMask.at<double>(r + hh, c + ww);//滤波模板
						Mask1.at<double>(r + hh, c + ww) = colorWeight1 * spaceMask.at<double>(r + hh, c + ww);
						Mask2.at<double>(r + hh, c + ww) = colorWeight2 * spaceMask.at<double>(r + hh, c + ww);
						space_color_sum[0] = space_color_sum[0] + Mask0.at<double>(r + hh, c + ww);
						space_color_sum[1] = space_color_sum[1] + Mask1.at<double>(r + hh, c + ww);
						space_color_sum[2] = space_color_sum[2] + Mask2.at<double>(r + hh, c + ww);
					}
				}
			}

			//滤波模板归一化
			if (src.channels() == 1)
				Mask0 = Mask0 / space_color_sum[0];
			else {
				Mask0 = Mask0 / space_color_sum[0];
				Mask1 = Mask1 / space_color_sum[1];
				Mask2 = Mask2 / space_color_sum[2];
			}


			for (int r = -hh; r <= hh; ++r) {
				for (int c = -ww; c <= ww; ++c) {

					if (src.channels() == 1) {
						sum[0] = sum[0] + Newsrc.at<uchar>(i + r, j + c) * Mask0.at<double>(r + hh, c + ww); //滤波
					}
					else if (src.channels() == 3) {
						cv::Vec3b bgr = Newsrc.at<cv::Vec3b>(i + r, j + c); //滤波
						sum[0] = sum[0] + bgr[0] * Mask0.at<double>(r + hh, c + ww);//B
						sum[1] = sum[1] + bgr[1] * Mask1.at<double>(r + hh, c + ww);//G
						sum[2] = sum[2] + bgr[2] * Mask2.at<double>(r + hh, c + ww);//R
					}
				}
			}

			for (int k = 0; k < src.channels(); ++k) {
				if (sum[k] < 0)
					sum[k] = 0;
				else if (sum[k]>255)
					sum[k] = 255;
			}
			if (src.channels() == 1)
			{
				dst.at<uchar>(i - hh, j - ww) = static_cast<uchar>(sum[0]);
			}
			else if (src.channels() == 3)
			{
				cv::Vec3b bgr = { static_cast<uchar>(sum[0]), static_cast<uchar>(sum[1]), static_cast<uchar>(sum[2]) };
				dst.at<cv::Vec3b>(i - hh, j - ww) = bgr;
			}

		}
	}

}



int main() {
	cv::Mat src = cv::imread("D:\\z2.jpg");
	if (src.empty()) {
		return -1;
	}
	cv::Mat dst;
	double spaceSigma = 10;//10
	double colorSigma = 30;//30
	cv::namedWindow("src", CV_WINDOW_NORMAL);
	cv::imshow("src", src);
	bilateralfiter(src, dst, cv::Size(23, 23), spaceSigma, colorSigma);
	
	cv::namedWindow("双边滤波", CV_WINDOW_NORMAL);
	cv::imshow("双边滤波", dst);
	cv::imwrite("D:\\image\\z2.jpg", dst);
	cv::waitKey(0);
	return 0;
}

：

参考：

  1. https://en.wikipedia.org/wiki/Bilateral_filtering
  2. http://people.csail.mit.edu/sparis/bf_course/
  3. http://people.csail.mit.edu/sparis/bf/
  4. http://blog.csdn.net/fightingforcv/article/details/52723376
  5. http://blog.csdn.net/mumusan2016/article/details/54578038
  6. http://blog.csdn.net/majinlei121/article/details/50463514
  7. http://kaiminghe.com/eccv10/index.html  （Guided Image Filtering）
  8. http://blog.csdn.net/dangchangying/article/details/14451963
我现在强的可怕~
关注
Bilateral Filtering(双边滤波) for SSAO
BugRunner的专栏
01-01 5万+
1. 简介 图像平滑是一个重要的操作，而且有多种成熟的算法。这里主要简单介绍一下Bilateral方法（双边滤波），这主要是由于前段时间做了SSAO，需要用bilateral blur 算法进行降噪。Bilateral blur相对于传统的高斯blur来说很重要的一个特性即可可以保持边缘（Edge Perseving），这个特点对于一些图像模糊来说很有用。一般的高斯模糊在进行采样时主要考虑了像素
双边滤波算法
10-27
一种改进的双边滤波算法，比之前的经典的双边滤波算法要快
双边滤波算法,双边滤波算法原理,matlab
09-10
利用双边滤波算法对深度图像进行处理可以得到修复图像。
双边滤波器（Bilateral Filter）保护边缘的平滑滤波器及matlab例子
zhengtu009的专栏
03-23 1万+
原理 滤波器是图像处理和计算机视觉中最基础的运算。而Bilateral Filter又是十分经典的一种滤波器，这主要得益于它的一个突出的特点，就是对图像进行平滑时，能进行边缘保护。 而Bilateral Flter的这个特性主要是因为他在平滑滤波时同时考虑了像素间的几何距离和色彩距离。 下面将详细具体讲述原因。 通俗的讲，对图像进行滤波就是一个加权平均的运算过程，滤波后图像中的每个像素点都
双边滤波(bilateralfiter)原理及C++实现
最新发布
生活需要深度
08-10 664
其实我发现是我处理彩色图像实现的方式和OpenCV的方式不同，我是每个通道分别计算其值域高斯核模板，所以灰度差异最大是255，但是opencv实现是这样的，我贴一下opencv源码:（源码在modules/imgproc/src/smooth.cpp 从2828行开始就是双边滤波）p点是掩膜中心（黄色圈圈），q点是邻域内某点（白色圈圈），生成了两个核函数，一个空间域高斯核，一个值域高斯核，然后相乘得到最终核函数，对输入进行卷积或相关，得到输出，从图中可以看出，边缘得到了很好的保持，噪声也被抑制。
图像处理：双边滤波算法
m0_62919535的博客
03-26 1万+
双边滤波（Bilateral filter）是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折中处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。具有简单、非迭代、局部的特点。双边滤波器的好处是可以做边缘保存（Edge preserving），一般用高斯滤波去降噪，会较明显地模糊边缘，对于高频细节的保护效果并不明显。双边滤波器之所以能够做到在平滑去噪的同时还能够很好的保存边缘（Edge Preserve），是由于其滤波器的核由两个函数生成：空间域核和值域核。
Bilateral Filters（双边滤波算法）的超简单原理，学不会你打我。
热门推荐
qq_43144313的博客
12-11 3万+
摘要： 双边滤波(Bilateral Filters)是非常常用的一种滤波，它可以达到保持边缘、降噪平滑的效果。和其他滤波原理一样，双边滤波也是采用加权平均的方法，用周边像素亮度值的加权平均代表某个像素的强度，所用的加权平均基于高斯分布。最重要的是，双边滤波的权重不仅考虑了像素的欧氏距离（如普通的高斯低通滤波，只考虑了位置对中心像素的影响），还考虑了像素范围域中的辐射差异（例如卷积核中像素与中心像素之间相似程度、颜色强度，深度距离等）。 一：如何判断边缘？ 在开始之前，我们先讨论一下如何判断边缘。一般而言，
双边滤波的基本原理
Reaearcher-Du
01-04 6822
双边滤波（Bilateral filter）是一种非线性的滤波方法，本质是基于高斯滤波，目的是解决高斯滤波造成的边缘模糊。结合图像的空间邻近度和像素值相似度的一种折处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。具有简单、非迭代、局部的特点。 双边滤波器的好处是可以做边缘保存（edge preserving），一般用高斯滤波去降噪，会较明显地模糊边缘，对于高频细节的保护效果并不明显。双边滤波器顾名思义比高斯滤波多了一个高斯方差sigma－d，它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的
OpenCV双边滤波详解及实代码实现
青城山小和尚
05-04 3万+
双边滤波（Bilateral Filter）是非线性滤波中的一种。这是一种结合图像的空间邻近度与像素值相似度的处理办法。在滤波时，该滤波方法同时考虑空间临近信息与颜色相似信息，在滤除噪声、平滑图像的同时，又做到边缘保存。 双边滤波采用了两个高斯滤波的结合。一个负责计算空间邻近度的权值，也就是常用的高斯滤波器原理。而另一个负责计算像素值相似度的权值。在两个高斯滤波的同时作用下，就是双边滤波。 如...
双边滤波原理（Bilateral Filtering）
兔角与禅
12-18 2万+
双边滤波原理（Bilateral Filtering）
双边滤波算法,双边滤波算法原理,matlab源码.zip
10-11
### 双边滤波算法原理 双边滤波算法的核心思想是结合了像素的空间邻近性和颜色相似性来进行滤波。具体来说，对于每一个像素点，它会计算其周围邻域内所有像素点的加权平均值，作为该点的新值。权重的计算既与像素点...
基于MATLAB的图像双边滤波算法实现+仿真录像
10-30
**双边滤波算法原理** 双边滤波器结合了空间邻近度（即像素间的距离）和像素值相似性（即颜色或亮度差异），在平滑图像的同时保持边缘清晰。它的主要思想是，像素值相似且空间接近的像素会被赋予相似的滤波结果。...
双边滤波(Bilateral filter)原理介绍及matlab程序实现
qq_44949041的博客
10-18 8806
双边滤波(Bilateral filter)原理介绍及matlab程序实现、空间域、值域
双边滤波原理
magic_shuang的博客
03-25 2960
上级目录： 传统图像处理/降噪与滤波 原理： 双边滤波=空间域+值域 一张图DDDD σ的意义及选取 空间域sigma(space）选取: sigma（space）越大，图像越平滑，趋于无穷大时，每个权重都一样，类似均值滤波。 sigma（space）越小，中心点权重越大，周围点权重越小，对图像的滤波作用越小，趋于零时，输出等同于原图。 值域sigma(color）选取: Sigma(color）越大，边缘越模糊，极限情况为simga无穷大，值域系数...
双边滤波器的原理
hellocsz的博客
09-23 358
双边滤波器是什么？ 双边滤波（Bilateral filter）是一种可以保边去噪的滤波器。之所以可以达到此去噪效果，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。可以与其相比较的两个filter：高斯低通滤波器(http://en.wikipedia.org/wiki/Gaussian_filter)和α-截尾均值滤波器（去掉百分率为α的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值