Opencv-Python-导向滤波&快速导向滤波

版本：Python:2.7.15  OpenCV:2.4.13

导向滤波算法原理

原理可以看博主：白马负金羁 的文章导向滤波(Guided Filter)的解析与实现，对原理解释十分通俗易懂。

---

导向滤波：

1.实现的伪代码：

导向图像(Guidance Image) I，滤波输出图像(Filtering Input Image) p，均值平滑窗口半径 r，正则化参数 e。

利用导向滤波进行图像平滑处理时，通常令p=I。

2.opencv库代码实现：

其中：guideFilter(）函数调用opencv自带的库函数blur() 进行均值平滑。

def guideFilter(I, p, winSize, eps):
    
    #I的均值平滑
    mean_I = cv2.blur(I, winSize)
    
    #p的均值平滑
    mean_p = cv2.blur(p, winSize)
    
    #I*I和I*p的均值平滑
    mean_II = cv2.blur(I*I, winSize)
    
    mean_Ip = cv2.blur(I*p, winSize)
    
    #方差
    var_I = mean_II - mean_I * mean_I #方差公式
    
    #协方差
    cov_Ip = mean_Ip - mean_I * mean_p
   
    a = cov_Ip / (var_I + eps)
    b = mean_p - a*mean_I
    
    #对a、b进行均值平滑
    mean_a = cv2.blur(a, winSize)
    mean_b = cv2.blur(b, winSize)
    
    q = mean_a*I + mean_b
    
    return q

3.结果对比：

下图采用了r=16也就是winSize=(16,16), eps=0.01的参数大小。

---

快速导向滤波

通过下采样减少像素点，计算mean_a & mean_b后进行上采样恢复到原有的尺寸大小。

假设缩放比例为s,那么缩小后像素点的个数为N/s^2，那么时间复杂度变为O(N/s^2)

 

1.实现的伪代码：

fmean代表均值平滑，fsubsample代表图像下采样即缩小图像，fupsample代表图片上采样即放大图像，s为缩小系数。

2.opencv库代码实现：

这里使用opencv自带库函数resize()进行上下采样。

def guideFilter(I, p, winSize, eps, s):
    
    #输入图像的高、宽
    h, w = I.shape[:2]
    
    #缩小图像
    size = (int(round(w*s)), int(round(h*s)))
    
    small_I = cv2.resize(I, size, interpolation=cv2.INTER_CUBIC)
    small_p = cv2.resize(I, size, interpolation=cv2.INTER_CUBIC)
    
    #缩小滑动窗口
    X = winSize[0]
    small_winSize = (int(round(X*s)), int(round(X*s)))
    
    #I的均值平滑
    mean_small_I = cv2.blur(small_I, small_winSize)
    
    #p的均值平滑
    mean_small_p = cv2.blur(small_p, small_winSize)
    
    #I*I和I*p的均值平滑
    mean_small_II = cv2.blur(small_I*small_I, small_winSize)
    
    mean_small_Ip = cv2.blur(small_I*small_p, small_winSize)
    
    #方差
    var_small_I = mean_small_II - mean_small_I * mean_small_I #方差公式
    
    #协方差
    cov_small_Ip = mean_small_Ip - mean_small_I * mean_small_p
   
    small_a = cov_small_Ip / (var_small_I + eps)
    small_b = mean_small_p - small_a*mean_small_I
    
    #对a、b进行均值平滑
    mean_small_a = cv2.blur(small_a, small_winSize)
    mean_small_b = cv2.blur(small_b, small_winSize)
    
    #放大
    size1 = (w, h)
    mean_a = cv2.resize(mean_small_a, size1, interpolation=cv2.INTER_LINEAR)
    mean_b = cv2.resize(mean_small_b, size1, interpolation=cv2.INTER_LINEAR)
    
    q = mean_a*I + mean_b
    
    return q

3.结果对比：

下图导向滤波采用了r=16也就是winSize=(16,16), eps=0.01的参数大小。  

       快速导向滤波采用了r=16也就是winSize=(16,16), eps=0.01，s=0.5的参数大小。

从结果上看二者的滤波结果别无二致，但是运行时间有所降低。

---

代码运行注意

1.输入图像必须归一化

image = cv2.imread(r'C:\Users\1.jpg', cv2.IMREAD_ANYCOLOR)
#将图像归一化
image_0_1 = image/255.0

2.图像保存问题

导向滤波返回的是灰度值范围在[0,1]之间的图像矩阵，像保存8位图要先乘255，再转换数据类型。

#保存导向滤波结果   
gf = gf*255
gf[gf>255] = 255
gf = np.round(gf)
gf = gf.astype(np.uint8)
cv2.imwrite(r'C:\Users\2.jpg', gf)

3.关于cv2.resize()函数

cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]]) -> dst 

参数说明：

src - 原图

dst - 目标图像。

当参数dsize不为0时，dst的大小为size；否则，它的大小需要根据src的大小，参数fx和fy决定。dst的类型（type）和src图像相同

dsize - 目标图像大小。

当dsize为0时，它可以通过以下公式计算得出：

所以，参数dsize和参数(fx, fy)不能够同时为0

fx - 水平轴上的比例因子。当它为0时，计算公式如下：

fy - 垂直轴上的比例因子。当它为0时，计算公式如下：

interpolation - 插值方法：

１）INTER_NEAREST - 最近邻插值法

２）INTER_LINEAR - 双线性插值法（默认）

３）INTER_AREA - 基于局部像素的重采样（resampling using pixel area relation）。对于图像抽取（image decimation）来说，这可能是一个更好的方法。但如果是放大图像时，它和最近邻法的效果类似。

４）INTER_CUBIC - 基于4x4像素邻域的3次插值法

５）INTER_LANCZOS4 - 基于8x8像素邻域的Lanczos插值

 

4.多通道处理

本文的两个滤波函数只能对单一通道进行处理，如果是多通道，需要split()函数将原图分为RGB三张图，然后分别进行滤波，然后再用merge()函数将三张图合为一张。

#导向滤波(三通道)
b, g, r = cv2.split(image_0_1)
gf1 = guideFilter(b, b, (16,16), math.pow(0.1,2))
gf2 = guideFilter(g, g, (16,16), math.pow(0.1,2))
gf3 = guideFilter(r, r, (16,16), math.pow(0.1,2))
gf = cv2.merge([gf1, gf2, gf3])

5.计算函数运行时间

# time start
t1 = cv2.getTickCount()

"""
代码段落
"""
# time end
t2 = cv2.getTickCount()

#计算执行秒数,利用getTickFrequency()获取时钟频率
t = (t2-t1)/cv2.getTickFrequency()
print t