高斯双边模糊_双边滤波 - Bilateral Filter

背景

最近读到一篇关于Bilateral Filter（BF）的文章觉得写得甚好，以此总结下BF的原理与效果。基于BF有许多优秀的变种体，感兴趣的童鞋可以查看参考文献，本文只介绍基础的BF。为求更好的理解原文原意会放英文以供参考。

以下是双边滤波之所以受欢迎的一些特质：

• The formulation is simple - each pixel is replaced by an average of its neighbors. This aspect is important because it makes it easy to acquire intuition about its behavior, to adapt it to application-specific requirements, and to implement it.
• Fewer parameters - It depends only on two parameters that indicate the size and contrast of the features to preserve.
• It can be used in a non-iterative manner. This makes the parameters easy to set since their effect is not cumulative over several iterations.
• It can be computed at interactive speed even on large images thanks to efficient numerical schemes and even in real-time if graphics hardware is available.

Linear Filtering with Gaussian Blur (GB)

首先介绍一下Gaussian convolution（GC）也就是Gaussian Blur (GB)，他和BF很接近但是不同的是没有保留边缘（not edge-preserving），其用于计算每一个位置的local average，相当于低通滤波（low-pass filtering）。公式如下

其中

为二维的高斯核（Gaussian kernel），来自于下式

为中心像素位置，

表示与他计算的另一个像素位置，

为

像素的像素值。

和

之间的空间距离使用·

来获取。

决定了该高斯分布的“宽度”，它的大小决定了以

为中心涵盖了多少的临近像素需要参与计算。以此计算方式图像

边缘就会被模糊掉了。如下图

Nonlinear Filtering with Bilateral Filter (BF)

BF其实也是基于权值平均的计算方式，不同的是他考虑到了图像边缘。公式如下

是一个归一化因子（normalization factor），如下

和

代表了对图片

进行滤波的程度。式3就表示了经过归一化后基于权值的平均结果。这里要注意两点，其一为

空间高斯（spatial Gaussian）强调space，其二为

尺度高斯（range Gaussian）强调range。空间高斯和GB一个道理，决定了控制距离，离中心点越远的像素受到影响减小。尺度距离根据像素

与

的像素值差距来衡量影响程度，差距愈大影响越小。Figure 4为使用BF的结果，第二三列的对比其实就展示了Figure 5在保留边缘（类似悬崖）上对平面进行的平滑模糊操作。这也就是我们会看到纹理的“重整”。但是私以为该result的参数设置不好使得人脸分块了（虽然分块内较为平滑），好的参数调整应该在保持平滑和边缘基础上避免该分块现象的出现，也就是过度要平滑。

不同参数下的效果

参考文献

A Gentle Introduction to Bilateral Filtering and its Applications