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

本文为转载，原博客地址：https://blog.csdn.net/fu_shuwu/article/details/78508576

1. 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 Prize（ICCV 2017）。更多关于何凯明的最新研究动态可以点击以下链接何凯明。

导向滤波顾名思义，就是有选择（导向）性的滤波，其与我们经常提及的高斯滤波、双边滤波相比，它具有导向性，说具体点就是，它通过输入一副图像（矩阵）作为导向图，这样滤波器就知道什么地方是边缘，这样就可以更好的保护边缘，最终达到在滤波的同时，保持边缘细节。所以有个说法是导向滤波是各向异性的滤波器，而高斯滤波、双边滤波这些是各向同性滤波器，我觉得也是很贴切。

导向滤波作为一种保边滤波，可以运用在很多场合，比如美颜，去雾，三维重建等。

如果你仅仅只是需要运用这个算法，现在opencv 3.0和MATLAB 14都已经添加了guided filter的API，可以直接调用。

opencv中的API如下void cv::ximgproc::guidedFilter()，具体的可以参考opencv的帮助文档关于导向滤波的介绍guidedFilter。

但是需要提醒的是，opencv中guidedFilter()函数包含在ximgproc模块下，但是从官方下载的标准的opencv.exe程序中并不包含该模块，需要分别下载opencv的source文件和contrib模块的source文件，然后自己编译，具体可以参考opencv3.1.0+contrib模块编译总结。

2. 导向滤波的原理

查看了很多相关的资料，觉得白马负金羁的导向滤波(Guided Filter)的解析与实现一文将其原理解释的非常通俗易懂了，这里就不再赘述。仅给出最后的推导结果，其中为一个窗口半径为的均值滤波器（对应的窗口大小为），corr为相关，var为方差，cov为协方差。

3. opencv实现代码 这一部分主要参考了  OpenCV导向滤波（引导滤波）实现（Guided Filter）代码，以及使用颜色先验算法去雾中的代码，进行了修改和注释。GuidedFilter()调用opencv自带的boxFilter()函数来实现求取平均值。关于opencv自带的boxFilter()函数的相关介绍可以参考 boxFilter。
GuidedFilter()的代码，比较容易理解：

[objc]  view plain  copy

1. cv::Mat GuidedFilter(cv::Mat I, cv::Mat p, int r, double eps)  
2. {  
3.     /* 
4.     % GUIDEDFILTER   O(N) time implementation of guided filter. 
5.     % 
6.     %   - guidance image: I (should be a gray-scale/single channel image) 
7.     %   - filtering input image: p (should be a gray-scale/single channel image) 
8.     %   - local window radius: r 
9.     %   - regularization parameter: eps 
10.     */  
11.   
12.     cv::Mat _I;  
13.     I.convertTo(_I, CV_64FC1,1.0/255);  
14.     I = _I;  
15.   
16.     cv::Mat _p;  
17.     p.convertTo(_p, CV_64FC1,1.0/255);  
18.     p = _p;  
19.   
20.     //[hei, wid] = size(I);    
21.     int hei = I.rows;  
22.     int wid = I.cols;  
23.   
24.     r=2*r+1;//因为opencv自带的boxFilter（）中的Size,比如9x9,我们说半径为4   
25.   
26.     //mean_I = boxfilter(I, r) ./ N;    
27.     cv::Mat mean_I;  
28.     cv::boxFilter(I, mean_I, CV_64FC1, cv::Size(r, r));  
29.   
30.     //mean_p = boxfilter(p, r) ./ N;    
31.     cv::Mat mean_p;  
32.     cv::boxFilter(p, mean_p, CV_64FC1, cv::Size(r, r));  
33.   
34.     //mean_Ip = boxfilter(I.*p, r) ./ N;    
35.     cv::Mat mean_Ip;  
36.     cv::boxFilter(I.mul(p), mean_Ip, CV_64FC1, cv::Size(r, r));  
37.   
38.     //cov_Ip = mean_Ip - mean_I .* mean_p; % this is the covariance of (I, p) in each local patch.    
39.     cv::Mat cov_Ip = mean_Ip - mean_I.mul(mean_p);  
40.   
41.     //mean_II = boxfilter(I.*I, r) ./ N;    
42.     cv::Mat mean_II;  
43.     cv::boxFilter(I.mul(I), mean_II, CV_64FC1, cv::Size(r, r));  
44.   
45.     //var_I = mean_II - mean_I .* mean_I;    
46.     cv::Mat var_I = mean_II - mean_I.mul(mean_I);  
47.   
48.     //a = cov_Ip ./ (var_I + eps); % Eqn. (5) in the paper;       
49.     cv::Mat a = cov_Ip / (var_I + eps);  
50.   
51.     //b = mean_p - a .* mean_I; % Eqn. (6) in the paper;    
52.     cv::Mat b = mean_p - a.mul(mean_I);  
53.   
54.     //mean_a = boxfilter(a, r) ./ N;    
55.     cv::Mat mean_a;  
56.     cv::boxFilter(a, mean_a, CV_64FC1, cv::Size(r, r));  
57.   
58.     //mean_b = boxfilter(b, r) ./ N;    
59.     cv::Mat mean_b;  
60.     cv::boxFilter(b, mean_b, CV_64FC1, cv::Size(r, r));  
61.   
62.     //q = mean_a .* I + mean_b; % Eqn. (8) in the paper;    
63.     cv::Mat q = mean_a.mul(I) + mean_b;  
64.   
65.     return q;  
66. }  

需要注意的是，上面的函数只能对单一通道进行处理（如果是多通道，需要split后进行滤波，然后merge）。下面是调用GuidedFilter()，r=16, eps=0.01，对原图像进行滤波的结果。

4. 快速导向滤波
导向滤波的时间复杂度为O(N)，其中N为像素点的个数。

何凯明在2015又发表了一篇《Fast Guided Filter》的文章，阐述了一种很实用的更快速的导向滤波流程。如下所示。其本质是通过下采样减少像素点，计算mean_a & mean_b后进行上采样回复到原有的尺寸大小。假设缩放比例为s,那么缩小后像素点的个数为N/s^2，那么时间复杂度变为O(N/s^2)（只是需要注意的是上采样和下采样本身也是有时间消化的）。

基于上面的理论，只需调用resize()函数来实现下采样和上采样，关于resize()函数的使用可以参考 resize（）代码如下：

[objc]  view plain  copy

1. cv::Mat fastGuidedFilter(cv::Mat I_org, cv::Mat p_org, int r, double eps, int s)  
2. {  
3.     /* 
4.     % GUIDEDFILTER   O(N) time implementation of guided filter. 
5.     % 
6.     %   - guidance image: I (should be a gray-scale/single channel image) 
7.     %   - filtering input image: p (should be a gray-scale/single channel image) 
8.     %   - local window radius: r 
9.     %   - regularization parameter: eps 
10.     */  
11.   
12.     cv::Mat I,_I;  
13.     I_org.convertTo(_I, CV_64FC1, 1.0 / 255);  
14.   
15.     resize(_I,I,Size(),1.0/s,1.0/s,1);  
16.   
17.   
18.   
19.     cv::Mat p,_p;  
20.     p_org.convertTo(_p, CV_64FC1, 1.0 / 255);  
21.     //p = _p;  
22.     resize(_p, p, Size(),1.0/s,1.0/s,1);  
23.   
24.     //[hei, wid] = size(I);      
25.     int hei = I.rows;  
26.     int wid = I.cols;  
27.   
28.     r = (22 * r + 1)/s+1;//因为opencv自带的boxFilter（）中的Size,比如9x9,我们说半径为4     
29.   
30.     //mean_I = boxfilter(I, r) ./ N;      
31.     cv::Mat mean_I;  
32.     cv::boxFilter(I, mean_I, CV_64FC1, cv::Size(r, r));  
33.   
34.     //mean_p = boxfilter(p, r) ./ N;      
35.     cv::Mat mean_p;  
36.     cv::boxFilter(p, mean_p, CV_64FC1, cv::Size(r, r));  
37.   
38.     //mean_Ip = boxfilter(I.*p, r) ./ N;      
39.     cv::Mat mean_Ip;  
40.     cv::boxFilter(I.mul(p), mean_Ip, CV_64FC1, cv::Size(r, r));  
41.   
42.     //cov_Ip = mean_Ip - mean_I .* mean_p; % this is the covariance of (I, p) in each local patch.      
43.     cv::Mat cov_Ip = mean_Ip - mean_I.mul(mean_p);  
44.   
45.     //mean_II = boxfilter(I.*I, r) ./ N;      
46.     cv::Mat mean_II;  
47.     cv::boxFilter(I.mul(I), mean_II, CV_64FC1, cv::Size(r, r));  
48.   
49.     //var_I = mean_II - mean_I .* mean_I;      
50.     cv::Mat var_I = mean_II - mean_I.mul(mean_I);  
51.   
52.     //a = cov_Ip ./ (var_I + eps); % Eqn. (5) in the paper;         
53.     cv::Mat a = cov_Ip / (var_I + eps);  
54.   
55.     //b = mean_p - a .* mean_I; % Eqn. (6) in the paper;      
56.     cv::Mat b = mean_p - a.mul(mean_I);  
57.   
58.     //mean_a = boxfilter(a, r) ./ N;      
59.     cv::Mat mean_a;  
60.     cv::boxFilter(a, mean_a, CV_64FC1, cv::Size(r, r));  
61.     Mat rmean_a;  
62.     resize(mean_a, rmean_a, Size(I_org.cols, I_org.rows),1);  
63.   
64.     //mean_b = boxfilter(b, r) ./ N;      
65.     cv::Mat mean_b;  
66.     cv::boxFilter(b, mean_b, CV_64FC1, cv::Size(r, r));  
67.     Mat rmean_b;  
68.     resize(mean_b, rmean_b, Size(I_org.cols, I_org.rows),1);  
69.       
70.     //q = mean_a .* I + mean_b; % Eqn. (8) in the paper;      
71.     cv::Mat q = rmean_a.mul(_I) + rmean_b;  
72.   
73.     return q;  
74. }  

取s=8，计算结果和之前的guidedFilter()的计算结果如下所示：

而计算时间却从 338.808ms降到100.856ms，但是滤波结果从肉眼观察几乎没有降低。
4. opencv API 调用

[objc]  view plain  copy

1. #include<opencv.hpp>  
2. #include<ximgproc.hpp>  
3.   
4. int main(void)  
5. {  
6.     cv::Mat src = cv::imread("d:/Opencv Picture/bilateral filter.png", 1);  
7.     cv::imshow("src", src);  
8.     cv::Mat dst(src.size(), src.type());  
9.     float eps = 0.02 * 2255 * 255;//eps的取值很关键（乘于255的平方）  
10.     cv::ximgproc::guidedFilter(src,src,dst,16,eps,-1);  
11.     cv::imshow("dst", dst);  
12.     cvWaitKey();  
13.     return 0;  
14. }