前沿
和高斯滤波器相似,双边滤波器也是需要先求出系数,然后在图像上移动掩模,处理图像。
第一步:求权重系数
第二步:确定掩模大小
第三部:移动处理整个图像
双边滤波器
前面介绍的高斯滤波器仅仅是考虑空间种像素点的距离关系,并没有考虑到像素值之间的相似程度。(比如说:黑色的头发与蓝天边缘之间没有相似度)这样导致的图像就是一团模糊,双边滤波器(Bilateral Filter)在高斯滤波器基础上增加了图像像素之间的相似程度的考虑。因而,能很好地保持图像的边缘信息。
双边滤波系数
双边滤波器的系数取决于两部分:
域核
其中:i-k 是在 x 轴的间距,j-l 是在 y 轴的间距。
值域核
其中:|| f(i , j) - f(k,l) || 是像素点差值的绝对值。
双边滤波器的系数取决于两部分的成积。
双边滤波系数算法实现
这个和求高斯滤波器的系数相似,最后转化为一维矩阵方便后边处理。
void GetDistanceWeight(double* kerd) //域核
{
int k = n/2;
double nkerd[n][n];
for(int i=-k; i<=k; i++)
{
for(int j=-k;j<=k;j++)
nkerd[i+k][i+k] = exp(-1.0*(i*i+j*j)/(2*sigmad*sigmad));
}
for(int i=0;i<n;i++) //二维矩阵转化为一维矩阵
{
for(int j=0;j<n;j++)
kerd[n*i+j] = nkerd[i][j];
}
}
像素值之间的差值在0-255之间,建立 值域核系数表格,后边直接查表格。
void GetSimilarityWwight(double* kers)//值核
{
for(int i=0; i<256; i++)
{
kers[i] =exp(-1.0*(i*i)/(2*sigmar*sigmar)); //出现“exp”重载函数不明确,则添加 -1.0*.....
}
}
双边滤波器完整代码
#include "opencv2/opencv.hpp"
#include"opencv2/highgui/highgui.hpp"
#include <iostream>
#include <math.h>
using namespace cv;
using namespace std;
#define n 5
#define sigmad 30
#define sigmar 20
void GetDistanceWeight(double* kerd) //域核
{
int k = n/2;
double nkerd[n][n];
for(int i=-k; i<=k; i++)
{
for(int j=-k;j<=k;j++)
nkerd[i+k][i+k] = exp(-1.0*(i*i+j*j)/(2*sigmad*sigmad));
}
for(int i=0;i<n;i++) //二维矩阵转化为一维矩阵
{
for(int j=0;j<n;j++)
kerd[n*i+j] = nkerd[i][j];
}
}
void GetSimilarityWwight(double* kers)//值核
{
for(int i=0; i<256; i++)
{
kers[i] =exp(-1.0*(i*i)/(2*sigmar*sigmar));
}
}
void BilateralFilter(Mat& src, Mat& dst, double* kerd,double* kers)
{
dst = src.clone();
int row = dst.rows;
int col = dst.cols;
int channal = dst.channels();
int ncol = col * channal;
int k = n/2;
double piexl_sum ;
int index;
double kernal[n*n];
double temp = 0;
double weight_sum=0;
for (int i = k; i < (row-k) ; i++) //n/2保证边缘的像素点不被处理
{
uchar* ptdst = dst.ptr<uchar>(i);
uchar* ptsrc = src.ptr<uchar>(i);
for (int j = channal*k;j < (ncol-channal*k); j++) //n/2保证边缘的像素点不被处理
{
index =0;
piexl_sum = weight_sum =0;
for (int kx = (i-k);kx <= i+k; kx++) //内层 kx、ky循环求和
{
uchar* ptrsrc = src.ptr<uchar>(kx);
for (int ky = (j-channal*k);ky <=(j+channal*k); ky = (ky+channal))
{
temp = kerd[index++]*kers[(int)abs(ptsrc[j]-ptrsrc[ky])];
piexl_sum += (ptrsrc[ky]*temp);
weight_sum += temp;
}
}
piexl_sum /= weight_sum; //归一化
ptdst[j] =saturate_cast<uchar>(piexl_sum);
}
}
}
int main()
{
Mat src,dst,dst1;
double kerd[n*n];
double kers[256];
src =imread("D:/456677.jpg");
if(!src.data)
{
cout<<"Picture loading failed !"<<endl;
return -1;
}
namedWindow("Win1");
imshow("Win1", src);
GetDistanceWeight(kerd);
GetSimilarityWwight(kers);
BilateralFilter(src,dst,kerd,kers);
namedWindow("Win2");
imshow("Win2", dst);
bilateralFilter(src,dst1,7,50,3);
namedWindow("Win3");
imshow("Win3", dst1);
waitKey(0);
return 0;
}
对彩色图像进行处理结果:
对灰度图像进行处理:
快速双边滤波器
参考
http://blog.csdn.net/fightingforcv/article/details/50491461
http://blog.csdn.net/abcjennifer/article/details/7616663