导向滤波(Guided Filter)简要介绍

1.介绍

    提到导向滤波,首先想到的是“何恺明”,他的确是真大神,在图像领域,是中国人的骄傲,深度学习流行的时候,也是提出各种新算法,比如ResNets,而最近两年,深度学习的发展已经非常缓慢了,更多都是各种组合搭配。回归主题,今天的猪脚是导向滤波,我准备从三篇文章来对它进行简要介绍,导向滤波的应用范围很广泛,比如图像去雾、图像抠图和美颜等。

 

2.导向滤波

    至于导向滤波的原理推导,我就不介绍了,直接把算法流程图抛出来,清晰明了,见下图:

以边缘保留为例:

    当输入图片p和导向图I是相同的时候,下面所求协方差,方差是一样的,这样就会出现两种情况

    1)当图片区域比较平滑的时候,方差就很小,a值就趋于0了,这个时候q\approx mean_{b},为平滑

    2)当图片区域为边缘部分或者跳变比较大的地方,方差就很大,a值就趋于1了,这个时候q\approx I,为保边

 

3.快速导向滤波

    普通的导向滤波,因为是处理原始大图,速度还是不够快,在算法界,也是讲究“天下武功唯快不破”,那么我们可不可以小图送进去,大图出来了,答案是肯定的,算法流程见下面,这个算法和上面算法的区别主要在于,这里首先来一个下采样({f_{subsample}}),后面再来一个上采样({f_{upsample}}

 

4.基于深度学习的导向滤波

    在深度学习算法流行之际,有人就在想,可不可以用神经网络来构建导向滤波呢,当然是可以的,参见论文“Fast End-to-End Trainable Guided Filter”,其实,我发现,现在很多深度学习算法都是模仿传统算法,把以前人工设计部分,直接替换可学习的,这样做的好处是,简单粗暴,鲁棒性又好。整个算法的流程见下,没什么好解释的,有些地方用卷积替换了,整个流程和上面是一样的。

导向滤波(Guided Filter)简要介绍_第1张图片

 

你可能感兴趣的:(数字图像处理)