导向滤波

最新推荐文章于 2023-11-19 20:49:28 发布
最新推荐文章于 2023-11-19 20:49:28 发布
阅读量2k 收藏 13
点赞数 2
分类专栏： 图像处理（OpenCV） 文章标签： 导向滤波 Guided Fliter
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/webzhuce/article/details/115279565
版权

导向滤波 线性时间复杂度 图像处理 OpenCV 岭回归
关键词由CSDN通过智能技术生成

基本原理

导向滤波（Guided Fliter）显式地利用 guidance image 计算输出图像，其中 guidance image 可以是输入图像本身或者其他图像。导向滤波比起双边滤波来说在边界附近效果较好；另外，它还具有 O(N) 的线性时间的速度优势。细节请查阅论文《Guided Image Filtering》
在这里插入图片描述

除了速度优势以外，导向滤波的一个很好的性能就是可以保持梯度，这是bilateral做不到的，因为会有梯度翻转现象。（Preserves edges, but not gradients）。
在这里插入图片描述

基本原理如下：
在这里插入图片描述
在这里插入图片描述

其中，p为输入图像，I 为导向图，q 为输出图像。在这里我们认为输出图像可以看成导向图I 的一个局部线性变换，其中k是局部化的窗口的中点，因此属于窗口 ωk 的pixel，都可以用导向图对应的pixel通过（ak,bk）的系数进行变换计算出来。同时，我们认为输入图像 p 是由 q 加上我们不希望的噪声或纹理得到的，因此有p = q + n 。
接下来就是解出这样的系数，使得p和q的差别尽量小，而且还可以保持局部线性模型。这里利用了带有正则项的 linear ridge regression（岭回归）
在这里插入图片描述

求解以上方程得到a和b在局部的值，对于一个要求的pixel可能含在多个window中，因此平均后得到：
在这里插入图片描述

最后得到的算法为：
在这里插入图片描述

示例演示

头文件GuidedFilter.h

#pragma once

#include <opencv2\opencv.hpp>


/*
输入：
guidedImg　　----引导图像,单通道或者三通道
inputImg　　----输入待滤波图像，单通道或者三通道
r　　　　　　----滤波窗口半径
eps　　　　　----截断值eps

输出：
outputImg　　----引导图滤波后图像
*/

class GuidedFilter
{
public:
	GuidedFilter();
	~GuidedFilter();

private:

	cv::Mat runGuidedFilter_Gray(cv::Mat I, cv::Mat P, int type, int radius, double eps);
	cv::Mat runGuidedFilter_Color(cv::Mat I, cv::Mat P, int type, int radius, double eps);

public:
	cv::Mat myGuidedFilter_GrayGuided(cv::Mat guidedImg, cv::Mat inputImg, int radius, double eps);
	cv::Mat myGuidedFilter_ColorGuided(cv::Mat guidedImg, cv::Mat inputImg, int radius, double eps);


};

源文件GuidedFilter.cpp

#include "guidedFilter.h"
#include <iostream>
#include <string>

using namespace std;
using namespace cv;


GuidedFilter::GuidedFilter()
{
}

GuidedFilter::~GuidedFilter()
{
}


//引导图为灰度图像
cv::Mat GuidedFilter::runGuidedFilter_Gray(cv::Mat I, cv::Mat P, int type, int radius, double eps)
{
	cv::Size winSize(2 * radius + 1, 2 * radius + 1);
	//求I*I, I*P
	cv::Mat  I2, IP;
	multiply(I, I, I2);
	multiply(I, P, IP);
	//求均值
	cv::Mat meanI, meanP, meanI2, meanIP;
	cv::boxFilter(I, meanI, type, winSize);
	cv::boxFilter(P, meanP, type, winSize);
	cv::boxFilter(I2, meanI2, type, winSize);
	cv::boxFilter(IP, meanIP, type, winSize);
	//求方差/协方差
	cv::Mat varI, covIP;
	varI = meanI2 - meanI.mul(meanI);
	covIP = meanIP - meanI.mul(meanP);
	//求系数a, b
	cv::Mat a, b;
	varI += eps;
	cv::divide(covIP, varI, a);
	b = meanP - a.mul(meanI);
	//a、b窗口内求平均
	cv::Mat meanA, meanB;
	cv::boxFilter(a, meanA, type, winSize);
	cv::boxFilter(b, meanB, type, winSize);
	//输出
	cv::Mat output;
	output = meanA.mul(I) + meanB;
	return output;
}

//引导图I为灰度图像，输入图像P为单通道或者三通道图像
cv::Mat GuidedFilter::myGuidedFilter_GrayGuided(cv::Mat guidedImg, cv::Mat inputImg, int radius, double eps)
{
	CV_Assert(guidedImg.channels() == 1);
	CV_Assert(inputImg.channels() == 1 || inputImg.channels() == 3);
	CV_Assert(guidedImg.rows == inputImg.rows && guidedImg.cols == inputImg.cols);
	int type = CV_64FC1;
	cv::Mat I, P, output;
	inputImg.convertTo(P, type);
	guidedImg.convertTo(I, type);

	//判断输入图像是单通道还是三通道
	int channel = inputImg.channels();
	switch (channel)
	{
	case 1:
		output = runGuidedFilter_Gray(I, P, type, radius, eps);
		break;
	case 3:
	{
		cv::Mat bgr[3], bgrFilter[3];
		cv::split(P, bgr);
		for (int chan = 0; chan < channel; chan++)
		{
			bgrFilter[chan] = runGuidedFilter_Gray(I, bgr[chan], type, radius, eps);
		}
		cv::merge(bgrFilter, channel, output);
		break;
	}
	default:
		cout << "err! input image channel should be 1 or 3! " << endl;
		break;
	}

	return output;
}

//引导图I为三通道图像
cv::Mat GuidedFilter::runGuidedFilter_Color(cv::Mat I, cv::Mat P, int type, int radius, double eps)
{
	cv::Size winSize(2 * radius + 1, 2 * radius + 1);
	int channel = I.channels();
	int H = I.rows;
	int W = I.cols;

	cv::Mat bgr[3], meanI[3];
	//引导图各通道的均值
	split(I, bgr);
	for (int chan = 0; chan < channel; chan++)
	{
		boxFilter(bgr[chan], meanI[chan], type, winSize);
	}
	//输入图像均值
	cv::Mat meanP;
	boxFilter(P, meanP, type, winSize);
	//引导图各通道与输入图像相乘并求均值
	cv::Mat meanIP[3], IP;
	for (int chan = 0; chan < channel; chan++)
	{
		multiply(bgr[chan], P, IP);
		boxFilter(IP, meanIP[chan], type, winSize);
	}
	//引导图各通道与输入图协方差
	cv::Mat covIP[3], meanImulP;
	for (int chan = 0; chan < channel; chan++)
	{
		multiply(meanI[chan], meanP, meanImulP);
		covIP[chan] = meanIP[chan] - meanImulP;
	}

	//求引导图协方差矩阵
	cv::Mat varI[9], tmp, mean2Tmp, meanTmp2;
	int varIdx = 0;
	for (int i = 0; i < channel; i++)
	{
		for (int j = 0; j < channel; j++)
		{
			multiply(bgr[i], bgr[j], tmp);
			boxFilter(tmp, meanTmp2, type, winSize);//mean(I*I)
			multiply(meanI[i], meanI[j], mean2Tmp);//meanI*meanI
			varI[varIdx] = meanTmp2 - mean2Tmp;
			varIdx++;
		}
	}
	//求a，三通道
	cv::Mat a[3];
	for (int chan = 0; chan < channel; chan++)
	{
		a[chan] = cv::Mat::zeros(I.size(), type);
	}
	cv::Mat epsEye = cv::Mat::eye(3, 3, type);
	epsEye *= eps;
	//公式(19)
	for (int y = 0; y < H; y++)
	{
		double* vData[9];
		for (int v = 0; v < 9; v++)
		{
			vData[v] = (double*)varI[v].ptr<double>(y);
		}
		double* cData[3];
		for (int c = 0; c < 3; c++)
		{
			cData[c] = (double *)covIP[c].ptr<double>(y);
		}
		double* aData[3];
		for (int c = 0; c < 3; c++)
		{
			aData[c] = (double*)a[c].ptr<double>(y);
		}
		for (int x = 0; x < W; x++)
		{
			cv::Mat sigma = (cv::Mat_<double>(3, 3) <<
				vData[0][x], vData[1][x], vData[2][x],
				vData[3][x], vData[4][x], vData[5][x],
				vData[6][x], vData[7][x], vData[8][x]
				);
			sigma += epsEye;
			cv::Mat cov_Ip_13 = (cv::Mat_<double>(3, 1) <<
				cData[0][x], cData[1][x], cData[2][x]);
			cv::Mat tmpA = sigma.inv()*cov_Ip_13;
			double* tmpData = tmpA.ptr<double>(0);
			for (int c = 0; c < 3; c++)
			{
				aData[c][x] = tmpData[c];
			}
		}
	}

	//求b
	cv::Mat b = meanP - a[0].mul(meanI[0]) - a[1].mul(meanI[1]) - a[2].mul(meanI[2]);
	//b的均值
	cv::Mat meanB;
	boxFilter(b, meanB, type, winSize);
	//a的均值
	cv::Mat meanA[3];
	for (int c = 0; c < channel; c++)
	{
		boxFilter(a[c], meanA[c], type, winSize);
	}
	cv::Mat output = (meanA[0].mul(bgr[0]) + meanA[1].mul(bgr[1]) + meanA[2].mul(bgr[2])) + meanB;

	return output;
}

//引导图I为三通道图像，输入图像P为单通道或者三通道图像
cv::Mat GuidedFilter::myGuidedFilter_ColorGuided(cv::Mat guidedImg, cv::Mat inputImg, int radius, double eps)
{
	CV_Assert(guidedImg.channels() == 3);
	CV_Assert(inputImg.channels() == 1 || inputImg.channels() == 3);
	CV_Assert(guidedImg.cols == inputImg.cols && guidedImg.rows == inputImg.rows);
	int type = CV_64F;
	int channel = inputImg.channels();
	cv::Mat I, P, output;
	guidedImg.convertTo(I, type);
	inputImg.convertTo(P, type);

	//判断输入图像是单通道还是三通道
	switch (channel)
	{
	case 1:
		output = runGuidedFilter_Color(I, P, type, radius, eps);
		break;
	case 3:
	{
		cv::Mat bgr[3], bgrFilter[3];
		cv::split(P, bgr);
		for (int chan = 0; chan < channel; chan++)
		{
			bgrFilter[chan] = runGuidedFilter_Color(I, bgr[chan], type, radius, eps);
		}
		cv::merge(bgrFilter, channel, output);
		break;
	}
	default:
		cout << "err! input image channel should be 1 or 3! " << endl;
		break;
	}

	output.convertTo(output, CV_8U);
	return output;
}

主函数

#include <opencv2\opencv.hpp>
#include "guidedFilter.h"
#include <iostream>

using namespace std;
using namespace cv;

int main(int argc, char** argv)
{
    //if (argc != 2)
    //{
    //    cout << "Usage: opencv_test <image path>" << endl;
    //    return -1;
    //}

    //char *imgName = argv[1]; 
	char *imgName = "C:\\Users\\VINNO\\Desktop\\src\\cat.jpg";
    Mat inputImg;

    inputImg = imread(imgName, 1);
    if (!inputImg.data)
    {
        cout << "No image data" << endl;
        return -1;
    }
    Mat grayImg , guidedImg;
	inputImg.copyTo(guidedImg);

	GuidedFilter filter;
	grayImg = filter.myGuidedFilter_ColorGuided(inputImg, guidedImg, 80, 0.001);
    imwrite("./result.jpg", grayImg);
	imshow("", grayImg);
	waitKey(0);

    return 0;
}

参考资料

[1] K. He, J. Sun, and X. Tang. Guided image filtering. In ECCV, pages 1–14. 2010.
[2] K. He, J. Sun, and X. Tang. Guided image filtering. TPAMI, 35(6):1397–1409, 2013
[3] He K, Sun J. Fast Guided Filter[J]. Computer Science, 2015.

阿兵-AI医疗
关注
  • 2
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
matlab导向滤波,导向滤波 | 学步园
weixin_32769015的博客
03-16 474
#include"myGuidedFilter_Mat.h"CvMat*cumsum(CvMat*src,intrc){CvMat*Imdst=cvCreateMat(src->rows,src->cols,CV_64FC1);Imdst=cvCloneMat(src);if(rc==1){for(inty=1;yheight;y++){double*ptr0=(doub...
快速导向滤波 matlab,导向滤波小结：从导向滤波（guided filter）到快速导向滤波（fast guide filter）的原理，应用及opencv实现代码...
weixin_29359001的博客
03-20 1173
http://blog.csdn.net/kuweicai/article/details/783858711. 导向滤波简介导向滤波是何凯明在学生时代提出的一个保边滤波(edge-preserving smoothing)算法。何凯明在cv圈应该算是名人了，学生时代关于图像去雾的研究就以第一作者的身份获得Best Paper Award(CVPR 2009)，而且今年刚刚又斩获Marr Priz...
导向滤波原理浅析
TracelessLe的专栏
01-19 4090
前言 在图像处理上，导向滤波器（Guided Image Filter）是一种能使图像平滑化的非线性滤波器。与双边滤波器（Bilateral Filter）相同，这个滤波器同样能够在清楚保持图像边界的情况下，达到让图像平滑的效果。 但不同于双边滤波器，导向滤波器有两个优点： 首先，双边滤波器有非常大的计算复杂度（O(N^2)），但导向滤波器因为并未用到过于复杂的数学计算，有线性的计算复杂度。 双边滤波器因为数学模型的缘故，在某些时候会发生梯度反转（gradient reverse）的状况，出现图像有损；
快速导向滤波
Axiaoxiaoshuai的博客
04-01 385
快速导向滤波，保边滤波。
导向滤波-Guided Image Filtering
Nick Blog
12-17 2266
1. 简介 之前已经介绍过了双边滤波核联合双边滤波，其中双边滤波是一种非线性的保边滤波器，而联合双边滤波相当于将值域高斯核的来源从原始影像替换成另外一副引导图。本文介绍的导向滤波，其与联合双边滤波类似，也需要除原始影像之外另外一副引导图，是一种保边滤波器，当然其也可以用作图像去雾、HDR压缩等。 2. 算法原理 2.1 导向滤波框架 在算法框架中，要对p进行滤波而得到q，还得需要一个引导图像I。此时，滤波器的数学公式为： 注意，这里的Wij(I)就表示由引导图像I来确定加权平均运算中所采用的权值，并且权值
OpenCV—Python 导向滤波
红叶谷 wsp_1138886114的博客
11-19 1万+
一、导向滤波原理 导向滤波是使用导向图像作为滤波内容图像，在导向图像上实现局部线性函数表达，实现各种不同的线性变换，输出变形之后的导向滤波图像。根据需要，导向图像可以跟输入图像不同或者一致。 公式及推导 假设 III 是导向图像、ppp 是输入图像、qqq 是导向滤波输出图像；导向滤波是作为局部线性模型描述 导向图像 III 与 输出图像 qqq 之间的关系。 对于任意像素 I\rm II 来说，...
导向滤波算法——OpenGL实现
q345911572的博客
01-30 2288
导向滤波算法——OpenGL实现
导向滤波python_导向滤波(Guided Filter)简要介绍
weixin_39838829的博客
12-20 929
1.介绍提到导向滤波，首先想到的是“何恺明”，他的确是真大神，在图像领域，是中国人的骄傲，深度学习流行的时候，也是提出各种新算法，比如ResNets，而最近两年，深度学习的发展已经非常缓慢了，更多都是各种组合搭配。回归主题，今天的猪脚是导向滤波，我准备从三篇文章来对它进行简要介绍，导向滤波的应用范围很广泛，比如图像去雾、图像抠图和美颜等。2.导向滤波至于导向滤波的原理推导，我就不介绍了，直接把算法...
图像导向滤波
吃葡萄不吐葡萄皮
11-19 558
导向滤波（Guided Filter）是一种基于局部线性模型的滤波方法，用于图像处理中的去噪、图像增强和边缘保留等任务。它结合了引导图像（guide image）和输入图像来实现对输入图像的滤波操作。
RollingGuidanceFilter_Guided_导向滤波_滚动导向滤波_
10-03
**滚动导向滤波（Rolling Guidance Filter）与导向滤波** 滚动导向滤波（Rolling Guidance Filter，简称RGF）是计算机视觉和图像处理领域中的一种高级滤波技术，它结合了导向滤波的优点，同时在保留图像细节和边缘...
图像平滑-导向滤波与快速导向滤波对比_导向滤波_opencv_快速导向滤波_python_
10-03
在这个话题中，我们将深入探讨两种特定的平滑滤波方法：导向滤波（Guided Filter）和快速导向滤波（Fast Guided Filter），以及它们在Python环境下的实现，主要使用OpenCV库。 首先，导向滤波是由Kaiming He等人在...
filtercomparison_导向滤波_图像去雾_
10-01
本文件"filtercomparison_导向滤波_图像去雾_"着重探讨了导向滤波在图像去雾应用中的表现，并与其它滤波方法进行了对比。我们将深入理解导向滤波的工作原理，了解它如何在去雾任务中发挥作用，以及与其他滤波器相比...
导向滤波源码
02-14
导向滤波是一种在图像处理领域广泛应用的平滑技术，由Kaiming He等人提出，它在保留边缘细节的同时，能够有效地进行图像噪声过滤。在MATLAB中实现导向滤波，通常涉及以下几个关键知识点： 1. **滤波原理**：滤波是...
4.1图像分割之区域生长法
热门推荐
阿兵-AI医疗的专栏
08-04 5万+
我们将讨论以区域为基础的图像分割处理技术。传统的区域分割方法有区域生长和区域分裂与合并， 其中最基础的是区域生长法。 区域生长法 　　区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程。其基本思想是从一组生长点开始（生长点可以是单个像素，也可以是某个小区域），将与该生长点性质相似的相邻像素或者区域与生长点合并，形成新的生长点，重复此过程直到不能生长为止。生长点和相似区域...
4.2图像分割之区域分裂与合并
阿兵-AI医疗的专栏
08-05 2万+
区域分裂与合并 　　区域生长是从一组生长点开始的，另一种方法是在开始时将图像分割成一系列任意不相关的区域，然后将它们合并或者拆分以满足限制条件，这就是区域分裂与合并。通过分裂，可以将不同特征的区域分离开，而通过合并，可以将相同特征的区域合并起来。 （1） 分裂 　　令R表示整个图像，P代表某种相似性准则。一种区域分裂方法是首先将图像等分为4个区域，然后反复将分割得到的子图像再次分为4个区...
图像分割之水平集（Level Set）分割
阿兵-AI医疗的专栏
09-21 2万+
几何活动轮廓模型——水平集分割：Active Contours Without Edges 水平集方法         水平集是跟踪轮廓和表面运动的一种数字化方法，它不直接对轮廓进行操作，而是将轮廓设置成一个高维函数的零水平集。这个高维函数叫做水平集函数。然后对该水平集函数进行微分，通过从输出中提取零水平集来得到运...
图像傅里叶变换（二维离散傅里叶变换）
阿兵-AI医疗的专栏
12-30 1万+
图像傅里叶变换 二维离散傅里叶变换是将图像从空间域转至频域，在图像增强、图像去噪、图像边缘检测、图像特征提取、图像压缩等等应用中都起着极其重要的作用。理论基础是任意函数都可以表示成正弦函数的线性组合的形式。公式如下 逆变换公式如下 令 R(u,v) 和 I(u,c) 分别表示 F(u,v) 的实部和虚部。 幅度谱为 相位谱为 指数表示 功率谱为 示例演示 首先我们演示下，从一幅图像得到...
matlab 加权导向滤波
最新发布
03-11
加权导向滤波（Weighted Guided Filter）是一种图像滤波算法，用于平滑图像并保留边缘信息。它是基于导向滤波（Guided Filter）的改进版本，通过引入权重矩阵来调整滤波过程中的平滑程度。 在Matlab中，可以使用以下函数来实现加权导向滤波： ```matlab output = guidedfilter_color(I, p, r, eps) ``` 其中，`I`是输入图像，`p`是引导图像，`r`是滤波窗口的半径，`eps`是控制平滑程度的参数。函数返回的`output`是滤波后的图像。 加权导向滤波的原理是通过计算输入图像和引导图像之间的相关性来调整滤波过程中的权重。具体而言，对于每个像素点，滤波窗口内的像素值与引导图像对应位置的像素值之间的相关性越高，该像素点在滤波过程中的权重就越大。
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