本篇文章为大家展示了bilateral filter双边滤波器的实现原理是什么，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。
创新互联建站长期为上1000家客户提供的网站建设服务，团队从业经验10年，关注不同地域、不同群体，并针对不同对象提供差异化的产品和服务；打造开放共赢平台，与合作伙伴共同营造健康的互联网生态环境。为色尼企业提供专业的成都网站设计、网站制作，色尼网站改版等技术服务。拥有10余年丰富建站经验和众多成功案例,为您定制开发。1. 双边滤波（Bilateral filter）的原理
双边滤波器之所以能够做到在平滑去噪的同时还能够很好的保存边缘（Edge Preserve），是由于其滤波器的核由两个函数生成：空间域核和值域核
（1）空间域核：由像素位置欧式距离决定的模板权值
为模板窗口的其他系数的坐标；其中
为模板窗口的中心坐标点；
为高斯函数的标准差。 使用该公式生成的滤波器模板和高斯滤波器使用的模板是没有区别的。
在一些博客和教程里，这个权值称为定义域核，也称为空间系数，或空间域（spatial domain S）。显示由的计算公式可知，它是计算临近点
到中心点
临近程度，因此定义域核是用于衡量空间临近的程度。
（2）值域核：由像素值的差值决定的模板权值
其中，为模板窗口的其他系数的坐标，
表示图像在点处的像素值；为模板窗口的中心坐标点，对应的像素值为
；
为高斯函数的标准差。
一般将权值称为值域核，或像素值域（range domain R），不管是值域核还是空间域核，其大小都在[0 1]之间
（3）将上述两个模板相乘就得到了双边滤波器的模板权值：
因此，双边滤波器的数据公式可以表示如下：
双边滤波（Bilateral filter）其综合了高斯滤波器（Gaussian Filter）和α-截尾均值滤波器（Alpha-Trimmed mean Filter）的特点，同时考虑了空间域与值域的差别，而Gaussian Filter和α均值滤波分别只考虑了空间域和值域差别。高斯滤波器只考虑像素间的欧式距离，其使用的模板系数随着和窗口中心的距离增大而减小；α-截尾均值滤波器则只考虑了像素灰度值之间的差值，去掉α%的最小值和较大值后再计算均值。
2.1 空域权重和值域权重的意义：
空域权重衡量的是 
两点之间的距离，距离越远权重越低；
值域权重衡量的是两点之间的像素值相似程度，越相似权重越大
这里从图像的平坦区域和边缘区域定性分析双边滤波的降噪效果
在平坦区域，临近像素的像素值的差值较小，对应值域权重接近于1，此时空域权重起主要作用，相当于直接对此区域进行高斯模糊。因此，平坦区域相当于进行高斯模糊。
在边缘区域，临近像素的像素值的差值较大，对应值域权重接近于0，导致此处核函数下降（因
），当前像素受到的影响就越小，从而保持了原始图像的边缘的细节信息。
opencv中提供了bilateralFilter()函数来实现双边滤波操作，其原型如下：
void cv::bilateralFilter(InputArray src, OutputArray dst, int d, double sigmaColor, double sigmaSpace, int borderType = BORDER_DEFAULT )
InputArray src: 输入图像，可以是Mat类型，图像必须是8位或浮点型单通道、三通道的图像。
OutputArray dst: 输出图像，和原图像有相同的尺寸和类型。
int d: 表示在过滤过程中每个像素邻域的直径范围。如果这个值是非正数，则函数会从第五个参数sigmaSpace计算该值。
double sigmaColor: 颜色空间过滤器的sigma值，这个参数的值月大，表明该像素邻域内有越宽广的颜色会被混合到一起，产生较大的半相等颜色区域。 （这个参数可以理解为值域核的）
double sigmaSpace: 坐标空间中滤波器的sigma值，如果该值较大，则意味着越远的像素将相互影响，从而使更大的区域中足够相似的颜色获取相同的颜色。当d>0时，d指定了邻域大小且与sigmaSpace无关，否则d正比于sigmaSpace. （这个参数可以理解为空间域核的）
int borderType=BORDER_DEFAULT: 用于推断图像外部像素的某种边界模式，有默认值BORDER_DEFAULT.
双边滤波器可以很好的保存图像边缘细节而滤除掉低频分量的噪音，但是双边滤波器的效率不是太高，花费的时间相较于其他滤波器而言也比较长。
对于简单的滤波而言，可以将两个sigma值设置成相同的值，如果值<10，则对滤波器影响很小，如果值>150则会对滤波器产生较大的影响，会使图片看起来像卡通。
示例代码：
#include#include #include #include using namespace std; using namespace cv; //定义全局变量 const int g_ndMaxValue = 100; const int g_nsigmaColorMaxValue = 200; const int g_nsigmaSpaceMaxValue = 200; int g_ndValue; int g_nsigmaColorValue; int g_nsigmaSpaceValue; Mat g_srcImage; Mat g_dstImage; //定义回调函数 void on_bilateralFilterTrackbar(int, void*); int main() { g_srcImage = imread("lena.jpg"); //判断图像是否加载成功 if(g_srcImage.empty()) { cout << "图像加载失败!" << endl; return -1; } else cout << "图像加载成功!" << endl << endl; namedWindow("原图像", WINDOW_AUTOSIZE); imshow("原图像", g_srcImage); //定义输出图像窗口属性和轨迹条属性 namedWindow("双边滤波图像", WINDOW_AUTOSIZE); g_ndValue = 10; g_nsigmaColorValue = 10; g_nsigmaSpaceValue = 10; char dName[20]; sprintf(dName, "邻域直径 %d", g_ndMaxValue); char sigmaColorName[20]; sprintf(sigmaColorName, "sigmaColor %d", g_nsigmaColorMaxValue); char sigmaSpaceName[20]; sprintf(sigmaSpaceName, "sigmaSpace %d", g_nsigmaSpaceMaxValue); //创建轨迹条 createTrackbar(dName, "双边滤波图像", &g_ndValue, g_ndMaxValue, on_bilateralFilterTrackbar); on_bilateralFilterTrackbar(g_ndValue, 0); createTrackbar(sigmaColorName, "双边滤波图像", &g_nsigmaColorValue, g_nsigmaColorMaxValue, on_bilateralFilterTrackbar); on_bilateralFilterTrackbar(g_nsigmaColorValue, 0); createTrackbar(sigmaSpaceName, "双边滤波图像", &g_nsigmaSpaceValue, g_nsigmaSpaceMaxValue, on_bilateralFilterTrackbar); on_bilateralFilterTrackbar(g_nsigmaSpaceValue, 0); waitKey(0); return 0; } void on_bilateralFilterTrackbar(int, void*) { bilateralFilter(g_srcImage, g_dstImage, g_ndValue, g_nsigmaColorValue, g_nsigmaSpaceValue); imshow("双边滤波图像", g_dstImage); }
上述内容就是bilateral filter双边滤波器的实现原理是什么，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注创新互联行业资讯频道。