matlab二值图去噪算法,传统图像去噪方法（二）之引导滤波

各向同性滤波

我们知道对于滤波器而言，在均值滤波中W时是1/n，n是w中所有像素个数。在高斯平滑中，W服从二维的高斯分布。

但是无论是均值滤波还是高斯滤波，他们都有一个共同的弱点，它们都属于各向同性滤波。

噪声的特点是以其为中心的各个方向上梯度都较大并且相差不多。图像边缘在相对于区域也会出现梯度的越变，但是边缘只有在其法向方向才会出现较大的梯度，在切向方向梯度较小。

因此才会出现各向同性滤波对待噪声和边缘信息采取一致的态度，从而导致噪声被磨皮的同时，图像中边缘，纹理和细节也被抹去了。

引导滤波(guided filter)原理

引导滤波(导向滤波)是一种图像滤波技术，通过一张引导图，对初始图象(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象相似，但是，纹理部分与引导图相似。其典型应用有两个：保边图像平滑，抠图。

引导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件有很好的表现。可应用在图像增强，HDR压缩，图像抠图以及图像去霾等场景。

算法原理：

滤波器的数学公式如下：

其中I是引导图像(guided Image)，P是输入的带滤波图像，Q是滤波后的输出图像，W是根据引导图像I来确定加权平均运算中所采取的权值。一般我们选择原彩色图的灰度图作为引导图 I 或者对灰度图进行一些保留边缘的滤波操作再作为引导图。

μk是窗口内像素点的均值，Ii和Ij指相邻两个像素点的值，σk代表窗口内像素点的方差，ε是一个惩罚值。自适应权重可以根据上式分析得到：Ii和Ij在边界两侧时，(Ii-μk)和(Ij-μk)异号，否则，则同号。而异号时的权重值将远远小于同号时的权重值，这样处于平坦区域的像素则会被加以较大的权重，平滑效果效果更明显，而处于边界两侧的像素则会被加以较小的权重，平滑效果较弱，能够起到保持边界的效果。

惩罚值ε对滤波效果影响也很大，当ε值很小时，滤波如前面所述；当ε值很大时，权重的计算公式将近似为一个均值滤波器，平滑效果会更明显。

导向滤波器示意图如下：