双边滤波器的定义双边滤波，Bilateral filter。是一种可以保边去噪的滤波器。之所以可以达到此去噪效果，是因为滤波器是由两个函数构成。一个函数是由几何空间距离决定滤波器系数。另一个由像素差值决定滤波器系数。 双边滤波器的好处是可以做边缘保存edge preserving，一般过去用的维纳滤波或者高斯滤波去降噪，都会较明显的模糊边缘，对于高频细节的保护效果并不明显。双边滤波器顾名思义比高斯滤波多了一个高斯方差sigma－d，它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。 但是由于保存了过多的高频信息，对于彩色图像里的高频噪声，双边滤波器不能够干净的滤掉，只能够对于低频信息进行较好的滤波，因此我们对于双边滤波器进行了改进，由于小波分解可以把信号分解为高频和低频部分，我们对于不同频率段进行不同的滤波。首先将彩色图像RGB模式转为CIE-LAB模式，然后做一次离散二维小波变换dwt2，对于高频的HH,LH,HL部分我们用Bayes shrink的阈值做了软门限soft thresholding，对于低频部分我们把它再进行分解，然后对高频做小波阈值，对低频采用双边滤波。

一，原理

双边滤波和各项异性扩散滤波有点类似，经常把他们俩放在一起讨论。

通俗点说，就是用一个mask， mask中心点(OpenCV中叫anchor)对准当前要处理的点，双边滤波不仅要把当前点与mask覆盖点的值产生关系，还要与mask中点与当前点的距离产生关系，二者关系乘积作为mask权值，然后然后把mask覆盖的像素值和权值相乘，加在一起然后除以权值之和。

具体的公式请参考大神妹子博客，要想深究原理去看作者paper吧！

二，代码

这个能磨皮，没有美白的效果：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import time

import  cv2
def bi_demo(image,output='output.jpg'):#高斯双边滤波
    start=time.time()
    dst = cv2.bilateralFilter(src=image, d=0, sigmaColor=30, sigmaSpace=15)
    print('time',time.time()-start)
    cv2.imwrite(output,dst)
    cv2.imshow("bi_demo", dst)

'''
    其中各参数所表达的意义：
    src：原图像；
    d：像素的邻域直径，可有sigmaColor和sigmaSpace计算可得；
    sigmaColor：颜色空间的标准方差，一般尽可能大；
    sigmaSpace：坐标空间的标准方差(像素单位)，一般尽可能小。'''
def mean_shift_demo(image):#均值偏移滤波
    dst = cv2.pyrMeanShiftFiltering(src=image, sp=15, sr=20)
    # cv2.namedWindow('mean_shift image', 0)
    # cv2.resizeWindow('mean_shift image', 300, 400)
    cv2.imshow("mean_shift image", dst)
#使用均值边缘保留滤波时，可能会导致图像过度模糊
'''其中各参数所表达的意义：
    src：原图像;
    sp：空间窗的半径(The spatial window radius);
    sr：色彩窗的半径(The color window radius)'''
src = cv2.imread('shu.jpg')
bi_demo(src)
# mean_shift_demo(src)
# cv2.namedWindow('src', 0)
# cv2.resizeWindow('src', 300, 400)
cv2.imshow('src',src)
cv2.waitKey(0)

[cpp] 

  1. #include <opencv2\core\core.hpp>  
1.   
2. ///**********************************************  
3. //*by 垚  
4. //*Windows7 +Visual studio 2010  
5. //*功能 -- 双边滤波  
6. //*input_img  -- 【输入】  
7. //*output_img -- 【输出】  
8. //*sigmaR -- 【输入】拉普拉斯方差  
9. //*sigmaS -- 【输入】高斯方差  
10. //*d      -- 【输入】半径  
11. //***********************************************/  
12. void bilateralBlur(cv::Mat &input_img, cv::Mat &output_img, float sigmaS, float sigmaR,int length)  
13. {  
14.  // Create Gaussian/Bilateral filter --- mask ---       
15.  int i, j, x, y;  
16.  int radius = (int)length/2;//半径  
17.  int m_width = input_img.rows ;     
18.  int m_height= input_img.cols ;  
19.  std::vector<float> mask(length*length);  
20.   
21.  //定义域核  
22.  for(i = 0; i < length; i++)  
23.  {  
24.      for (j = 0; j < length; j++)     
25.      {           
26.         mask[i*length + j] =  exp(-(i*i + j*j)/(2 * sigmaS*sigmaS));           
27.      }  
28.  }  
29.  float sum = 0.0f, k = 0.0f;  
30.  for(x = 0; x < m_width; x++)  
31.  {  
32.     unsigned char *pin = input_img.ptr<unsigned char>(x);  
33.     unsigned char *pout = output_img.ptr<unsigned char>(x);  
34.     for(y = 0; y < m_height; y++)  
35.     {  
36.         int centerPix = y;  
37.         for(i = -radius; i <= radius; i++)  
38.         {  
39.             for(j = -radius; j <= radius; j++)  
40.             {  
41.                 int m = x+i, n = y+j;  
42.                 if(x+i > -1&& y+j > -1 && x+i < m_width && y+j < m_height)  
43.                 {  
44.                     unsigned char value = input_img.at<unsigned char>(m, n);  
45.                     //spatial diff  
46.                     float euklidDiff = mask[(i+radius)*length + (j + radius)];  
47.                     float intens = pin[centerPix]-value;//值域核  
48.                     float factor = (float)exp(-0.5 * intens/(2*sigmaR*sigmaR)) * euklidDiff;     
49.                     sum += factor * value;                     
50.                     k += factor;  
51.                 }  
52.             }  
53.         }  
54.         pout[y] = sum/k;   
55.         sum=0.0f;             
56.         k=0.0f;  
57.     }  
58.  }  
59. }

三，实验结果

pytorch 双边滤波_高斯滤波

pytorch 双边滤波_方差_02