积分图和boxfilter

1.积分图原理

        图像是由一系列的离散像素点组成，因此图像的积分其实就是求像素点的和。积分图，又称为Summed Area Table，积分图中每个点的值是原图像中该点左上角的所有像素值之和。

        首先建立一个数组A作为积分图像，其宽和高与原图像相等。然后对这个数组赋值，每个点存储的是该点与图像原点所构成的矩形中所有像素点的和。

积分图数组初始化之后, 我们就得到了一张积分图:

点1的积分 SAT1=Sum(Ra)，

点2的积分 SAT2=Sum(Ra)+Sum(Rb)，

点3的积分 SAT3=Sum(Ra)+Sum(Rc)，

点4的积分 SAT4=Sum(Ra)+Sum(Rb)+Sum(Rc)+Sum(Rd)

       那么为了计算某个矩形像素和，比如区域 Rd 内所有点的像素值之和（积分）可以表示为：Sum(Rd)=SAT1+SAT4−SAT2−SAT3

所以无论矩形的尺寸大小，只需查找积分图像 4 次就可以快速计算任意矩形内像素值的和, 即算法复杂度为 O(4)。积分图使得图像的局部矩形求和运算的复杂度从O（MN）下降到了O（4）。积分图的数据需要使用int来存储，在嵌入式中使用，会增加带宽量。

来自 <https://www.cnblogs.com/magic-428/p/9149868.html>

2.积分图的应用

        积分图可以用来计算均值滤波，通过查窗口4个顶点的积分值，快速计算出窗口内（ksize*ksize）的所有像素点之和，再除以ksize*ksize，即可得到对应点的均值，以此实现均值滤波的效果。

3.boxfilter

        boxfilter的原理和积分图的有点类似，速度比积分图要快，相比较积分图而言，它的缺点是不支持多尺度（即任意矩形框之和），而且实现步骤比较复杂。       

        boxfilter 的初始化过程如下：

1、给定一张图像，宽高为（M,N），确定待求矩形模板的宽高(m,n)，如图紫色矩形。图中每个黑色方块代表一个像素，红色方块是假想像素。

2、开辟一段大小为 M 的数组，记为 buff, 用来存储计算过程的中间变量，用红色方块表示.

3、将矩形模板（紫色）从左上角（0，0）开始，逐像素向右滑动，到达行末时，矩形移动到下一行的开头（0，1），如此反复，每移动到一个新位置时，计算矩形内的像素和，保存在数组 A ( buff 只是用来缓存中间变量的)中。以 (0,0) 位置为例进行说明：首先将绿色矩形内的每一列像素求和，结果放在 buff 内（红色方块），再对蓝色矩形内的像素求和，结果即为紫色特征矩形内的像素和，把它存放到数组A中，如此便完成了第一次求和运算。

4、每次紫色矩形向右移动时，实际上就是求对应的蓝色矩形的像素和，此时只要把上一次的求和结果减去蓝色矩形内的第一个红色块，再加上它右面的一个红色块，就是当前位置的和了，用公式表示 sum[i] = sum[i-1] - buff[j] + buff[j+m].

5、当紫色矩形移动到行末时，需要对 buff 进行更新。因为整个绿色矩形下移了一个像素，所以对于每个buff[i], 需要加上一个新进来的像素，再减去一个出去的像素，然后便开始新的一行的计算了。

       Boxfilter 的初始化过程非常快速。从初始化的计算速度上来说，Boxfilter 比 Integral Image 要快一些，大约 25%。在具体求某个矩形特征时，Boxfilter 比 Integral Image 快 4 倍，所谓的 4 倍其实就是从 4 次加减运算降低到 1 次，虽然这个优化非常渺小，但是把它放到几层大循环里面，还是能节省一些时间的。对于那些实时跟踪检测算法，一帧的处理时间要严格在 40ms 以下，正是这些细小的优化决定了程序的效率，积少成多，聚沙成塔。

来自 <https://www.cnblogs.com/magic-428/p/9150410.html>

        boxfilter滤波（盒子滤波、方框滤波），是一种线性滤波，即对邻域中的像素的计算为线性运算。boxfilter的原理，是用一个内核和图像进行卷积。

内核为：

        从以上公式可以看出，当盒子滤波的内核进行归一化（每个权重/ksize.width/ksize.height，即使卷积核所有的元素之和等于1）的时候，就是均值滤波。均值滤波处理即将当前像素点及其相邻像素点（窗口中所有像素点）之和的均值作为当前像素点的目标值。

        一切需要求取某个邻域内像素之和的应用，都可以使用boxfilter进行处理，比如均值滤波，引导滤波，计算Haar特征等。

4.引导滤波通过boxfilter来实现的原理

       引导滤波的原理就是：通过一张引导图G（导向图），对目标图像P（输入图像）进行滤波处理，使得最后的输出图像大体上与目标图像P相似，但是纹理部分与引导图G相似。其典型应用有两个：保边图像平滑（保边降噪）和抠图。

       引导滤波的原理如下（有很多需要求均值的过程，因此可以使用boxfilter来处理）：

源码：https://www.csdn.net/tags/NtzaEg3sMDI4NDYtYmxvZwO0O0OO0O0O.html