引导滤波器（原理及opencv代码）

这篇博客整理自以下博客内容：

https://blog.csdn.net/sinat_36264666/article/details/77990790

https://blog.csdn.net/piaoxuezhong/article/details/78372787

引导滤波定义：

即需要引导图的滤波器，引导图可以是单独的图像或者是输入图像，当引导图为输入图像时，引导滤波就成为一个保持边缘的滤波操作，可以用于图像重建的滤波。

 

引导滤波与其他方向相比优势所在：

像高斯滤波等线性滤波算法所用的核函数相对于待处理的图像是独立无关的，也就意味着，对任意图像都是采用相同的操作。但是，有时候我们是希望在滤波过程中可以加入引导图像中的信息的，例如，在上色处理过程中，结果图像的色度通道需要包含跟给定亮度通道一致的连续边缘。

 

引导滤波的主要特点及应用：

1、引导滤波（导向滤波）是一种图像滤波技术，通过一张引导图I，对初始图像p（输入图像）进行滤波处理，使得最后的输出图像大体上与初始图像P相似，但是纹理部分与引导图I相似。其典型应用有两个：保边图像平滑，抠图。

2、 引导滤波（导向滤波）的目的是，保持双边滤波的优势（有效保持边缘，非迭代计算），而克服双边滤波的缺点（设计一种时间复杂度为 O(1) 的快速滤波器，而且在主要边缘附近没有梯度的变形）。

3、 引导滤波（导向滤波）不仅能实现双边滤波的边缘平滑，而且在检测到边缘附近有很好的表现，可应用在图像增强、HDR压缩、图像抠图及图像去雾等场景。

 

引导滤波的算法原理：

第一步：

假设该引导滤波函数的输出与输入在一个二维窗口内满足线性关系，如下：

其中，q是输出像素的值，I是输入图像的值，i和k是像素索引，a和b是当窗口中心位于k时该线性函数的系数。（当引导图为输入图像时，引导滤波就成为一个保持边缘的滤波操作，即 I= p）

 

对上式两边取梯度，可以得到：

即当输入图I有梯度时，输出 q 也有类似的梯度，现在可以解释为什么引导滤波有边缘保持特性了。

q 即 p去除噪声或者纹理之后的图像：

其中ni表示噪声。

 

第二步：

求出线性函数的系数，也就是线性回归，即希望拟合函数的输出值 q与真实值 p 之间的差距最小，转化为最优化问题，也就是让下式最小：

这里p只能是待滤波图像，并不像I那样可以是其它图像。同时，a之前的系数是用于防止求得的a过大，也是调节滤波器滤波效果的重要参数。

通过最小二乘法，可以得到：

其中， 是图像