学习笔记整理——对于双边滤波与引导滤波的一些浅显的理解

最新推荐文章于 2024-02-28 17:56:42 发布
VIP文章 最新推荐文章于 2024-02-28 17:56:42 发布
阅读量8.9k 收藏 26
点赞数 3
分类专栏： 机器视觉与图像处理
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/wxz1120171495/article/details/80934727
版权

1、引导滤波的个人理解
  引导滤波实际上是假设一像素k为中心的窗口存在局部线性关系，通过对局部线性关系求导可以判断哪些边缘需要保留，给出的a，b两个参数则是以像素k为窗口的周围的权重的均值

2、引导滤波的优点
引导滤波相对于双边滤波最大的优点在于算法的复杂度与窗口的大小无关，对于处理较为大型的图片时，在效率上有明显的提升

同时，引导滤波可以很好地克服双边滤波中出现的梯度翻转的现象，因为假设前提便是存在线性关系，可以保证梯度一致
推导过程如下图：

而对于双边滤波而言，对于梯度变化大的地方，由于周围没有相似的像素，高斯函数的权重不稳定，导致最终梯度出现反转现象

3、引导滤波保留边缘的原理
引导滤波中引入的参数e用于判断哪些地方变化大，哪些地方变化小，如果e=0，则a=1,b=0，此时将图像原封不动地输出，滤波器没有滤波的效果，而当e>0时，在强度变化小的地方，a=0ÿ
最低0.47元/天 解锁文章
wxz1120171495
关注
  • 3
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
双边滤波器和引导滤波器
10-09
双边滤波器和引导滤波器理论介绍
数字图像处理——引导滤波
沧海一升的博客
08-02 1万+
引导滤波原理
Python与FPGA——双边滤波
最新发布
stark_cc的博客
02-28 960
Python双边滤波。
双边滤波出现梯度翻转的原因
qq_37716917的博客
07-28 1199
从双边滤波的原理出发，理解为什么双边滤波会出现梯度反转的现象
guided Filter--引导滤波算法原理及实现
热门推荐
满城风絮
10-28 6万+
http://blog.csdn.net/zwlq1314521/article/details/51007943 http://cn.mathworks.com/help/images/ref/imguidedfilter.html?requestedDomain=www.mathworks.com http://www.pudn.com/Download/item/id/3225837.h
jqGrid 学习笔记整理——进阶篇(一 )
09-02
主要介绍了jqGrid 学习笔记整理——进阶篇(一 )的相关资料,需要的朋友可以参考下
引导滤波器（原理及opencv代码）
shan54321的博客
06-06 1万+
引导滤波定义：即需要引导图的滤波器，引导图可以是单独的图像或者是输入图像，当引导图为输入图像时，引导滤波就成为一个保持边缘的滤波操作，可以用于图像重建的滤波。 引导滤波与其他方向相比优势所在：像高斯滤波等线性滤波算法所用的核函数相对于待处理的图像是独立无关的，也就意味着，对任意图像都是采用相同的操作。但是，有时候我们是希望在滤波过程中可以加入引导图像中的信息的，例如，在上色处理过程中，结果图像的色...
【滤波·1】导向滤波
mjiansun的专栏
02-11 815
不太理解目标函数的意义，等后续有新的理解来补充。
导向滤波原理浅析
TracelessLe的专栏
01-19 3829
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；
图像滤波【一】：从高斯滤波到引导滤波
X_Jiner的博客
02-24 5428
前言：最近在做一个图像的作业， 要求python实现双边滤波和引导双边滤波。 可以使用opencv，numpy。不能用opecv增强库(ximageproc之类的就用不了啦)， 这里记录一下学习心得。 查资料过程中，最无法理解的一个概念是双边滤波有一个弊端：梯度反转 (gradient reveral ) 。找了很多文章和问答都没看到解释清楚的答案，最后还是无奈找到何凯文大神的会议PPT，似乎看懂了一点。 图像滤波系列高斯滤波 Guassion Filter图像滤波器/卷积核【互相关 cross-cor.
双边滤波原理浅析
TracelessLe的专栏
01-16 2280
前言 双边滤波（Bilateral filtering）是一种结合了图像像素空间位置关系和像素值大小的非线性组合的保边滤波算法，无需迭代计算，操作简单。从原理上讲，图像领域的滤波通常意义是希望去除噪声，使图像更加平滑。而传统的均值滤波、高斯滤波等只考虑空域，认为临近像素应该拥有相近的特性，这种假设在图像中的Edge处则不满足，如果仍用这种方式滤波则必定会导致边缘被模糊掉。为了达到保边效果，双边滤波通过结合空域和值域，在保证滤波效果的同时保持了边缘。对于双边滤波实际的应用场景，部分情况下可以用于人脸磨皮美颜。
一些滤波器（boxfilter，快速双边滤波器，快速引导滤波器和 permutohedral 双边滤波器）C++
07-12
双边滤波器、permutohedral双边滤波器和传播滤波器 箱式过滤器 快速导向过滤器 快速双边滤波器 多面体双边滤波器 传播过滤器 更多详情、使用方法，请下载后阅读README.md文件
JBPM学习笔记——流程设计与控制
03-03
火龙果软件工程技术中心  相关资料：《jBPM学习笔记(V3.2环境部署)》《jBPM学习笔记(框架设计简介)》背景本片文章，我们将从业务流程的设计开始，通过带领大家完成一个完整工作流的程序设计，来学习jPDL的使用。业务流程设计这里我们实现一个相对简化的公司借款申请流程。流程图如下：在jPDL中，与流程设计相关的文件有三个：processdefinition.xml、gdp.xml、processimage.jpg。其中processdefinition.xml是流程定义的描述文件；gpd.xml是对图形界面呈现的XML描述；而processimage.jpg则是对图形界面的快照。下面我们将
【opencv学习笔记】010之图像非线性滤波原理与操作（中值滤波、双边滤波）
01-20
一、前言 着实好久没有写博客了，回来填坑，不过opencv4已经出来很久了，我的教程还在3徘徊。作为基础完全够用了，先把基础的坑填完吧，确实是很纠结自己的研究方向，不知道，还是多学吧，想太多，不如好好学。 如果想看其他有关于OpenCV学习方法介绍、学习教程、代码实战、常见报错及解决方案等相关内容，可以直接看我的OpenCV分类： 【OpenCV系列】：https://blog.csdn.net/shuiyixin/article/category/7581855 如果你想了解更多有关于计算机视觉、OpenCV、机器学习、深度学习等相关技术的内容，想与更多大佬一起沟通，那就扫描下方二维码加入我
CV面试题目总结（三） - 传统图像算法
满目星辰
04-09 1864
目录 1.常见图像滤波。 2.常见图像分割算法。 3.常用边缘提取算子。 4.解释一下BN（Batch Normalization）。 5.解释一下L1、L2范数。 6.常用卷积类型。 7.常见的池化。 8.介绍一下卡尔曼滤波。 9.什么是生成式模型和判别式模型。 10.贝叶斯是生成式模型还是判别式模型。 11.介绍一下朴素贝叶斯，为什么朴素？ 12.有哪些传统梯度算法？ 13.有哪些边缘检测算法。 14.常见的损失函数。 1.常见图像滤波。 2.常见图像分割算法..
保边滤波中双边滤波与引导滤波的区别
zyb的博客
02-18 1002
双边滤波 双边滤波是一种同时考虑了像素空间差异与强度差异的滤波器，因此具有保持图像边缘的特性。 高斯滤波器如下： 其中W是权重，i和j是像素索引，K是归一化常量。公式中可以看出，权重只和像素之间的空间距离有关系，无论图像的内容是什么，都有相同的滤波效果。 再来看看双边滤波器，它只是在原有高斯函数的基础上加了一项，如下 其中 I 是像素的强度值，所以在强度差距大的地方（边缘），权重会减小，滤波效应也就变小。总体而言，在像素强度变换不大的区域，双边滤波有类似于高斯滤波的效果，而在图像边缘等强度
双边滤波与引导滤波
pi9nc的专栏
05-22 4万+
双边滤波与引导滤波 分类： AI and Computer Vision2014-03-07 17:04344人阅读评论(0)收藏举报 图像处理滤波 双边滤波 双边滤波很有名，使用广泛，简单的说就是一种同时考虑了像素空间差异与强度差异的滤波器，因此具有保持图像边缘的特性。 先看看我们熟悉的高斯滤波器 其中W是权重，i和j是像素索引，K是归一化常量。公式中可以看出
【图像处理】双边滤波算法(bilateral filter)和导向滤波算法(guided filter)
一路嵌行的博客
04-13 3514
一、双边滤波算法（Bilateral Filter） 1、原理 高斯滤波是以距离为权重，设计滤波模板作为滤波系数，只考虑了像素间的空间位置上的关系，因此滤波的结果会丢失边缘的信息。 高斯滤波的缺陷如下图所示：平坦区域正常滤波，图像细节没有变化，而在突变的边缘上，因为只使用了距离来确定滤波权重，导致边缘被模糊。 在高斯基础上，进一步优化，叠加了像素值的考虑，因此也就引出了双边滤波，一种非线性滤波，滤波效果对保留边缘更有效。 空间距离：当前点距离滤波模板中心点的欧式距离。 灰度距离：当前点距离滤波模板中心点
三种经典图像滤波方法介绍——双边滤波(Bilateral filter)、导向滤波(Guided Fliter)、滚动导向滤波(RollingGuidedFilter)
qq_44949041的博客
10-18 8784
滤波作为最基础的图像处理手段之一，在图像处理领域占有重要位置，常被用于图像去噪、尺度分解等。我在文中整理了双边滤波、导向滤波、滚动制导滤波三种在图像处理中常见且在论文中经常被使用的滤波方法。这三种滤波较之最基础的均值、高斯滤波有着更加优异的性能和可研究空间。同时附上matlab程序。
java 图像均值滤波_CV学习笔记（六）：均值滤波与高斯滤波
05-24
在数字图像处理中，图像滤波是非常常见的一种操作。而均值滤波和高斯滤波是最常见的滤波算法之一。下面我们就来介绍一下均值滤波和高斯滤波的原理和实现。 ## 1. 均值滤波 均值滤波是最简单的一种线性滤波算法。其原理是对图像中每个像素点的邻域像素进行平均值操作，以达到去除噪声的目的。均值滤波的模板可以是任意大小的，通常使用 3×3 或 5×5 的模板。 ### 1.1 均值滤波原理 均值滤波的原理是将图像中每个像素点的邻域像素值进行平均，然后将该平均值作为当前像素点的像素值。均值滤波可以消除图像中的噪声，但是也会导致图像的模糊。 ### 1.2 均值滤波实现 均值滤波的实现非常简单，只需要对每个像素点的邻域像素值进行求和，然后再除以邻域像素的数量即可。具体步骤如下： 1. 定义一个与原图像大小相同的新图像。 2. 对每个像素点的邻域像素进行求和，然后求平均值。 3. 将平均值作为当前像素点的像素值，赋值给新图像。 代码实现如下： ```java public static BufferedImage meanFilter(BufferedImage img, int size) { int width = img.getWidth(); int height = img.getHeight(); int half = size / 2; BufferedImage result = new BufferedImage(width, height, img.getType()); for (int i = half; i < height - half; i++) { for (int j = half; j < width - half; j++) { int sum = 0; for (int k = -half; k <= half; k++) { for (int l = -half; l <= half; l++) { sum += new Color(img.getRGB(j + l, i + k)).getRed(); } } int value = sum / (size * size); result.setRGB(j, i, new Color(value, value, value).getRGB()); } } return result; } ``` 其中，size 为模板大小。 ## 2. 高斯滤波 高斯滤波是一种线性平滑滤波算法，与均值滤波不同的是，它使用的是高斯核函数。高斯核函数可以减小图像中噪声的影响，同时也不会使图像过度模糊。 ### 2.1 高斯滤波原理 高斯滤波的原理是利用高斯函数的特性，对图像中每个像素点的邻域像素值进行加权平均，以达到去除噪声的目的。高斯滤波也可以消除图像中的噪声，同时保留更多的图像细节。 ### 2.2 高斯滤波实现 高斯滤波的实现需要先生成一个高斯核，然后对每个像素点的邻域像素进行加权平均。具体步骤如下： 1. 定义一个与原图像大小相同的新图像。 2. 生成一个高斯核。 3. 对每个像素点的邻域像素进行加权平均，然后将加权平均值作为当前像素点的像素值，赋值给新图像。 代码实现如下： ```java public static BufferedImage gaussianFilter(BufferedImage img, int size, double sigma) { int width = img.getWidth(); int height = img.getHeight(); int half = size / 2; double[][] kernel = gaussianKernel(size, sigma); BufferedImage result = new BufferedImage(width, height, img.getType()); for (int i = half; i < height - half; i++) { for (int j = half; j < width - half; j++) { double sum = 0; for (int k = -half; k <= half; k++) { for (int l = -half; l <= half; l++) { int pixel = new Color(img.getRGB(j + l, i + k)).getRed(); sum += kernel[k + half][l + half] * pixel; } } int value = (int) Math.round(sum); value = Math.min(255, Math.max(0, value)); result.setRGB(j, i, new Color(value, value, value).getRGB()); } } return result; } ``` 其中，size 为高斯核大小，sigma 为高斯核标准差。 高斯核函数的生成可以使用以下代码： ```java public static double[][] gaussianKernel(int size, double sigma) { double[][] kernel = new double[size][size]; double sum = 0; int half = size / 2; for (int i = -half; i <= half; i++) { for (int j = -half; j <= half; j++) { kernel[i + half][j + half] = Math.exp(-(i * i + j * j) / (2 * sigma * sigma)); sum += kernel[i + half][j + half]; } } for (int i = 0; i < size; i++) { for (int j = 0; j < size; j++) { kernel[i][j] /= sum; } } return kernel; } ``` 以上就是均值滤波和高斯滤波的原理和实现。需要注意的是，滤波操作会导致图像的模糊，因此在使用滤波算法时需要根据具体应用场景选择合适的滤波方法和参数。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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