引导滤波GuidedFilter

何恺明读博士提出基于暗通道采用引导滤波去雾算法获CVPR2009最佳论文，现在应用面很广、很广；能够克服双边滤波的梯度翻转现象，在滤波后图像的细节上更优，主要美颜算法差不多都用这个。
先贴伪代码：

实现的话可以采用积分图加速。

线性滤波器

其中I是引导图像,P是输入的待滤波图像,W是根据引导图I确定的权重值,Q是滤波后的输出图像。

1、如果权重W与引导图无关，那便是一个常量，比如高斯滤波那种，这种我们相对就特别好理解。
2、如果权重与引导图相关，我们的图像就会受到引导图影响，比如双边滤波中，我们采用和中心像素差值作为引导，但这严格上还算不上引导图。只能只能时有影响，有引导。

权重确定：

${\mu }_k$是窗口内像素点的均值，$I_i$指位于窗口中心的像素值，$I_j$指窗口内j位置的像素点的值，${\sigma }_k^2$代表窗口内像素点的方差，ε是一个惩罚值。

$(I_i-{\mu }_k)(I_j-{\mu }_k)$这一项表明，如果中心像素值$I_i$小于均值时，$I_j$如果约大于均值，该项值就是负值，权重1+（-0.几）就会越小

ε惩罚项的值越大，则分母越大，引导图对图像的影响就越小，极端情况（比如正无穷），$W_{ij}$就将退化为$1/w^2$，这个$w$呢，实际上就是窗口边长，也就是说极端情况下会退化为均值滤波器

但是，实际上我们不用搞得太复杂，我们直接假设该点输出值和该点引导图的值是线性关系：

然后我们采用最小二乘去估计出$a_k、b_k$两个系数即可：


a的分子为I和P的协方差，分母部分为I的方差加上截断值ε，b的值为P的均值减去a乘以I的均值。可以看出当a值很小时，b约等于窗口内像素点的均值pk，近似于均值滤波。而当a值很大时，输出则主要取决于a*▽I的大小，梯度信息能够得到保留。

更多详细参考：【拜小白opencv】33-平滑处理6——引导滤波/导向滤波（Guided Filter）