Loading... # 一、双边滤波空域滤波算法 双边滤波是一种典型的非线性滤波算法。基于高斯滤波,双边滤波利用强度的变化来保存边缘信息,解决了边缘模糊在视觉观感上认为重要信息丢失的问题。双边滤波的滤波效果主要取决于两个参数:两个像素的空间邻近性和灰度相似性。当处于纹理较简单区域时,滤波效果主要受空间邻近度的影响;当处于纹理较复杂及边缘区域时,灰度相似度起决定性作用。但本质上,双边滤波是一种邻域像素加权平均的滤波器,会导致图像特征模糊 ## 1.1 传统双边滤波 (Bilateral Filter,记作 BF) $$ Y(i) = \frac{1}{W_{i}}\sum_{j\in{S}}G_{\sigma d}(i,j)G_{\sigma r}(X_i,X_j)X_{j} $$ 其中,$X$ 是待处理的图像,i,j 分别是图像中的像素位置,$W_i$ 是归一化系数。 $$ W_i=\sum_{j\in{S}}G_{\sigma d}(i,j)G_{\sigma r}(X_i,X_j)X_{j} $$ 其中,$\sigma d$和$\sigma r$是高斯参数,$G_{\sigma d}$和$G_{\sigma r}$分别表示空间函数和灰度相似度函数,空间函数用来减少远距离像素影响;灰度相似度函数用来减少邻域像素灰度值的影响,函数表示为 $$ G_{\sigma d}=e^{-\frac{1}{2}(\frac{d(i,j)}{\sigma d})^2} $$ $$ G_{\sigma r}=e^{-\frac{1}{2}(\frac{X_i-X_j}{\sigma r})^2} $$ 其中,$d(i,j)$是i,j像素之间的欧氏距离 ## 1.2 改进双边滤波 与双边滤波相似,都是基于高斯函数来计算像素的权重。不同之处在于,联合双边滤波在计算权重时,不仅考虑了空间距离和像素值差异,还引入了滤波图的信息。具体来说,联合双边滤波的公式如下: $$ Y(i) = \frac{1}{W_{i}}\sum_{j\in{S}}G_{\sigma d}(i,j)G_{\sigma r}(\hat i,\hat j)X_{j} $$ 其中,$X$ 是待处理的图像,$i,j$ 分别是图像中的像素位置,$\hat X$是滤波图,$i,j$ 分别是滤波图像中的像素位置,$W_i$ 是归一化系数。 $$ W_i=\sum_{j\in{S}}G_{\sigma d}(i,j)G_{\sigma r}(\hat i,\hat j)X_{j} $$ 其中,$\sigma d$和$\sigma r$是高斯参数,$G_{\sigma d}$和$G_{\sigma r}$分别表示空间函数和灰度相似度函数,表示为 $$ G_{\sigma d}=e^{-\frac{1}{2}(\frac{d(i,j)}{\sigma d})^2} $$ $$ G_{\sigma r}=e^{-\frac{1}{2}(\frac{\hat{X_i}-\hat{X_j}}{\sigma r})^2} $$ 其中,$d(i,j)$是i,j像素之间的欧氏距离 与双边的区别在于,联合滤波算法的引导图是低频图像,论文中是用高斯滤波,也可以用引导滤波等算法结果。 # 二、仿真效果 用测试图进行仿真,测试图本身带一些噪声,对比双边滤波,改进双边滤波使用中档位,边缘保留较好,背景和物体内部噪声抹得比较均匀。    ## 三、参考文献: [1] 一种基于自适应双边滤波的图像降噪算法 --- ### [我的个人博客主页,欢迎访问](https://www.aomanhao.top/) ### [我的CSDN主页,欢迎访问](https://blog.csdn.net/Aoman_Hao) ### [我的GitHub主页,欢迎访问](https://github.com/AomanHao) ### [我的知乎主页,欢迎访问](https://www.zhihu.com/people/aomanhao-hao) 最后修改:2025 年 07 月 01 日 © 允许规范转载 打赏 赞赏作者 支付宝微信 赞 如果觉得我的文章对你有用,请随意赞赏
2 条评论
https://zhuanlan.zhihu.com/p/1889007164888175203
https://zhuanlan.zhihu.com/p/1900633176038171422