1. 什么是导向滤波？

导向滤波（Guided Filter）是一种基于局部线性模型的边缘保持滤波算法，由何凯明等人在2010年提出。它的核心思想是利用一张引导图像来指导输入图像的滤波过程，使得输出图像既能平滑噪声，又能保持引导图像中的边缘结构。

2. 核心原理

关键假设：在局部窗口内，输出图像与引导图像之间存在线性关系。

对于任意像素 k 的局部窗口 \omega_k，输出图像 q 可以表示为引导图像 I 的线性变换：

其中：

• q_i：输出图像的像素值

• I_i：引导图像的像素值

• a_k, b_k：在窗口 \omega_k 内的线性系数（常数）

3. 数学推导

为了确定线性系数 a_k, b_k，我们最小化以下代价函数（输出图像与输入图像 p 的差异）：

通过求解这个优化问题，得到：

其中：

• \mu_k, \sigma_k^2：引导图像在窗口 \omega_k 内的均值和方差

• |\omega|：窗口内的像素总数

• \bar{p}_k：输入图像在窗口 \omega_k 内的均值

• \epsilon：正则化参数，控制平滑程度

最终输出：由于每个像素被多个窗口覆盖，取所有窗口系数的平均值：

4. 算法步骤

1. 输入：输入图像 p，引导图像 I（可以与 p 相同），窗口半径 r，正则化参数 ε

2. 计算：对引导图像 I 和输入图像 p 分别进行均值滤波

3. 计算：引导图像 I 的方差，以及 I 和 p 的协方差

4. 计算：线性系数 a 和 b

5. 计算：对 a 和 b 进行均值滤波得到 \bar{a}和\bar{b}

6. 输出：q = \bar{a} \cdot I + \bar{b}

5. 关键特性

6. 主要应用

1. 图像平滑与去噪：在平滑区域进行模糊，在边缘区域保持清晰

2. 细节增强：通过提取细节层进行放大，增强图像细节

3. 高动态范围压缩：保持局部对比度的同时压缩全局动态范围

4. 图像融合：多曝光图像融合，多焦点图像融合

5. 去雾/去雨：作为透射率估计的基础

6. 立体匹配：作为代价聚合的滤波器

7. 变体与扩展

• 快速导向滤波：通过下采样加速计算

• 加权导向滤波：引入权重项增强鲁棒性

• 梯度域导向滤波：在梯度域进行操作，更好地保持边缘

• 深度导向滤波：针对深度图像的优化版本

8. 与双边滤波的对比

9. 代码示例（Python简易实现）

import numpy as np
import cv2

def guided_filter(I, p, r, eps):
    """
    导向滤波的简单实现
    I: 引导图像，p: 输入图像，r: 窗口半径，eps: 正则化参数
    """
    mean_I = cv2.boxFilter(I, cv2.CV_64F, (r, r))
    mean_p = cv2.boxFilter(p, cv2.CV_64F, (r, r))
    corr_I = cv2.boxFilter(I * I, cv2.CV_64F, (r, r))
    corr_Ip = cv2.boxFilter(I * p, cv2.CV_64F, (r, r))
    
    var_I = corr_I - mean_I * mean_I
    cov_Ip = corr_Ip - mean_I * mean_p
    
    a = cov_Ip / (var_I + eps)
    b = mean_p - a * mean_I
    
    mean_a = cv2.boxFilter(a, cv2.CV_64F, (r, r))
    mean_b = cv2.boxFilter(b, cv2.CV_64F, (r, r))
    
    q = mean_a * I + mean_b
    return q

Mermaid总结框图

导向滤波以其简洁的理论、高效的实现和优秀的滤波效果，已成为计算机视觉和图像处理领域的重要工具之一。它的边缘保持特性和线性时间复杂度使其在众多应用中都表现出色，是值得掌握的经典算法。