同性滤波和导向滤波

无论是简单平滑，还是高斯平滑，它们都有一个共同的弱点，即它们都属于各向同性滤波。一幅自然的图像可以被看成是有（过渡平缓的，也就是梯度较小）区域和（过渡尖锐的，也就是梯度较大）边缘（也包括图像的纹理、细节等）共同组成的。
噪声是影响图像质量的不利因素，我们希望将其滤除。
噪声的特点通常是以其为中心的各个方向上梯度都较大而且相差不多。
边缘则不同，边缘相比于区域也会出现梯度的越变，但是边缘只有在其法向方向上才会出现较大的梯度，而在切向方向上梯度较小。

因此，对于各向同性滤波（例如简单平滑或高斯平滑）而言，它们对待噪声和边缘信息都采取一直的态度。结果，噪声被磨平的同时，图像中具有重要地位的边缘、纹理和细节也同时被抹平了。这是我们所不希望看到的。
Edge-perserving的图像降噪（平滑）算法：
双边滤波、自适应（维纳）平滑滤波（请参见文献【1】）
基于PM方程的各向异性滤波以及基于TV-norm的降噪算法等
本文将考虑在文献【2】中提出的另外一种Edge-perserving的图像滤波（平滑）算法——导向滤波（Guided Filter）。
导向滤波的应用不止有Edge-perserving的图像平滑，还包括图像去雾、图像Matting等等。