在OpenCV里实现双边滤波

前面学习了高斯平滑、均值平滑，在一些图像处理里非常有效果，但是它在去除噪声同时，也把图像的边缘进行模糊。现在就得考虑有没有这样方法，既可以平滑图像，又可以保留图像边缘的信息。我们来回顾一下前面使用的高斯平滑，其实是构造一个正态分布的矩阵，以中心点像素为主，周边距离远的像素为次，这样是按距离进行加权平滑，因此距离中心点近的像素权值越大，距离远的像素权值越小。现在要增加一个领域里像素值的考虑，与中心点的像素值差别，因此在每一个像素点计算卷积时，都需要重新计算相乘的卷积核。与高斯平滑相比，高斯平滑是一个固定的卷积核，而双边滤波是一个动态的卷积核，这个卷积核根据每个像素点的像素值进行计算。由此可见双边滤波比高斯平滑要多计算一步，速度上要比高斯平滑要慢得多。其原理大体如下图所示：

左边是输入图像，中间是高斯卷积核与像素值权重核进行对应位置相乘（点乘），从而构造了一个新的卷积核，经过这个卷积核处理后输出右边的图片。

其数学的公式如下：

在这里C是表示靠近距离的高斯函数，S是表示像素相似程度的高斯函数。

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梯度较大的地方，可以保持梯度。

由这里可知，双边滤波的算法分成以下几步：

1. 计算高斯平滑的卷积核G。
2. 计算每个像素点的相似性卷积核S。
3. K=G*S，把K归一化。
4. K与窗口大小的像素进行卷积，即求出该像素点值。

 

在OpenCV里可以采用下面函数bilateralFilter来计算：

#python 3.7.4,opencv4.1
#蔡军生 https://blog.csdn.net/caimouse/article/details/51749579
#
import cv2
import numpy as np

#图片的路径
imgname = "gauss1.jpg"

#读取图片
image = cv2.imread(imgname, cv2.IMREAD_GRAYSCALE)

#图片的高度和宽度
h,w = image.shape[:2]
print('imagesize={}-{}'.format(w,h))

#显示原图
cv2.imshow("Image",image)

#平滑
out = cv2.bilateralFilter(image,9,75,75)
out = out.astype(np.uint8)
cv2.imshow("out",out)


cv2.waitKey(0)
cv2.destroyAllWindows()

结果输出如下：

输入图片

输出图片

其中函数定义如下：

dst=cv.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]])

参数解释：

src：输入图像

d：过滤时周围每个像素领域的直径

sigmaColor：在color space中过滤sigma。参数越大，临近像素将会在越远的地方mix。

sigmaSpace：在coordinate space中过滤sigma。参数越大，那些颜色足够相近的的颜色的影响越大。

dst是返回结果。

https://blog.csdn.net/caimouse/article/details/51749579