Python版本是Python3.7.3，OpenCV版本OpenCV.3.4.1，开发环境为PyCharm
双边滤波是综合考虑空间信息和色彩信息的滤波方式，在滤波过程中能够有效地保护图像内的边缘信息。
7.5.1 基本原理
前述滤波方式基本都只考虑了空间的权重信息，这种情况计算起来比较方便，但是在边缘信息的处理上存在较大的问题。
例如，在下图中，图像左侧是黑色，右侧是白色，中间是很明显的边缘。
在均值滤波、方框滤波、高斯滤波中，都会计算边缘上各个像素点的加权平均值，从而模糊边缘信息。如下图所示是高斯滤波处理的结果图像。
从图中可以看到，经过高斯滤波处理后，边缘信息变得很模糊，均值滤波处理也会造成类似的问题。边界模糊是滤波处理过程中对邻域像素取均值所造成的结果，上述滤波处理过程单纯地考虑空间信息，造成了边界模糊和部分信息的丢失。
双边滤波在计算某一个像素点的新值时，不仅考虑距离信息（距离越远，权重越小），还考虑色彩信息（色彩差别越大，权重越小）。双边滤波综合考虑距离和色彩的权重结果，既能够有效地去除噪声，又能够较好地保护边缘信息。
在双边滤波中，当处在边缘时，与当前点色彩相近的像素点（颜色距离很近）会被给予较大的权重值；而与当前色彩差别较大的像素点（颜色距离很远）会被给予较小的权重值（极端情况下权重可能为0，直接忽略该点），这样就保护了边缘信息。
例如，在图下中：
● 图( a )是原始图像，左侧区域是白色（像素值为255），右侧区域是黑色（像素值为0）。
● 图( b )是进行均值滤波的可能结果。在进行均值滤波时，仅仅考虑空间信息，此时左右两侧的像素的处理结果是综合考虑周边元素像素值，并对它们取均值得到的。
● 图( c )是进行双边滤波的可能结果。在进行双边滤波时，不仅考虑空间信息，还考虑色彩差别信息。
在双边滤波中，在计算左侧白色区域边缘点的滤波结果时：
● 对于白色的点，给予的权重较大。
● 对于黑色的点，由于色彩差异较大，颜色距离很远（注意，不是像素点之间的物理距离，而是颜色值的距离。像素点的值分别是0和255，差别很大，所以说它们颜色距离很远），因此可以将它们的权重设置为0。
这样，在计算左侧白色边缘滤波结果时，得到的仍然是白色。因此，双边滤波后，左侧边缘得到保留。
在计算右侧黑色区域边缘点的滤波结果时：
● 对于黑色的点，给予的权重较大。
● 对于白色的点，由于色彩差异较大，颜色距离很远，因此可以将它们的权重设置为0。
这样，在计算右侧黑色边缘滤波结果时，得到的仍然是黑色。因此，双边滤波后，左侧边缘得到保留。
7.5.2 函数语法
在OpenCV中，实现双边滤波的函数是cv2.bilateralFilter()，该函数的语法是：
dst = cv2.bilateralFilter( src, d, sigmaColor, sigmaSpace, borderType )式中：
● dst是返回值，表示进行双边滤波后得到的处理结果。
● src是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度应该是CV_8U、CV_16U、CV_16S、CV_32F或者CV_64F中的一种。
● d是在滤波时选取的空间距离参数，这里表示以当前像素点为中心点的直径。如果该值为非正数，则会自动从参数sigmaSpace计算得到。如果滤波空间较大（d>5），则速度较慢。因此，在实时应用中，推荐d=5。对于较大噪声的离线滤波，可以选择d=9。
● sigmaColor是滤波处理时选取的颜色差值范围，该值决定了周围哪些像素点能够参与到滤波中来。与当前像素点的像素值差值小于sigmaColor的像素点，能够参与到当前的滤波中。该值越大，就说明周围有越多的像素点可以参与到运算中。该值为0时，滤波失去意义；该值为255时，指定直径内的所有点都能够参与运算。
● sigmaSpace是坐标空间中的sigma值。它的值越大，说明有越多的点能够参与到滤波计算中来。当d>0时，无论sigmaSpace的值如何，d都指定邻域大小；否则，d与sigmaSpace的值成比例。
● borderType是边界样式，该值决定了以何种方式处理边界。一般情况下，不需要考虑该值，直接采用默认值即可。
为了简单起见，可以将两个sigma（sigmaColor和sigmaSpace）值设置为相同的。如果它们的值比较小（例如小于10），滤波的效果将不太明显；如果它们的值较大（例如大于150），则滤波效果会比较明显，会产生卡通效果。
在函数cv2.bilateralFilter()中，参数borderType是可选参数，其余参数全部为必选参数。
7.5.3 程序示例
eg1：针对噪声图像，对其进行双边滤波，显示滤波的结果。
根据题目要求，使用双边滤波函数cv2.bilateralFilter()对原始图像进行滤波，设计代码如下：
import cv2
o=cv2.imread("image\\lenaNoise.png")
r=cv2.bilateralFilter(o,25,100,100)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()运行程序，结果如下图所示，其中左图是原始图像，右图是双边滤波的结果图像。从图中可以看出，双边滤波去除噪声的效果并不好。
双边滤波的优势体现在对于边缘信息的处理上，下面通过一个例题来展示不同形式的滤波在边缘处理效果上的差异。
eg2：针对噪声图像，分别对其进行高斯滤波和双边滤波，比较不同滤波方式对边缘的处理结果是否相同。
根据题目要求，分别使用高斯滤波函数cv2.GaussianBlur()和双边滤波函数cv2.bilateralFilter()，对原始图像进行滤波，代码如下：
import cv2
o=cv2.imread("image\\bilTest.bmp")
g=r=cv2.GaussianBlur(o,(55,55),0,0)
b=cv2.bilateralFilter(o,55,100,100)
cv2.imshow("original",o)
cv2.imshow("Gaussian",g)
cv2.imshow("bilateral",b)
cv2.waitKey()
cv2.destroyAllWindows()程序运行结果如下图所示，其中：
● 图( a)是原始图像。
● 图( b)是高斯滤波处理结果。
● 图( c)是双边滤波处理结果。
从图中可以看到，经过高斯滤波的边缘被模糊虚化了，而经过双边滤波的边缘得到了较好的保留。
