OpenCV常用滤波算法——导向滤波

图像导向滤波是一种常见的图像处理技术，它可以用于图像降噪、图像增强等领域。保持边缘是图像导向滤波的一个重要应用，下面介绍一种基于C++的实现方法。

首先，我们需要了解图像导向滤波的原理。图像导向滤波是一种基于局部方向信息的图像滤波方法，它通过对图像中每个像素的局部方向信息进行分析，来实现对图像的滤波。具体来说，图像导向滤波可以分为两个步骤：计算局部方向信息和利用局部方向信息进行滤波。

在利用局部方向信息进行滤波时，可以采用导向滤波的方法。导向滤波的基本思想是，根据局部方向信息对图像进行加权平均，以达到保持边缘的效果。具体来说，对于每个像素，可以计算其周围像素的方向与该像素的方向的夹角，然后根据夹角大小对周围像素进行加权平均。夹角越小的像素对当前像素的贡献越大，夹角越大的像素对当前像素的贡献越小。

#include 

using namespace cv;

void guidedFilter(const Mat& src, Mat& dst, int radius, double eps)
{
    Mat I = src;
    Mat p = src;
    int d = 2 * radius + 1;

    Mat N;
    boxFilter(Mat::ones(src.size(), CV_32F), N, CV_32F, Size(d, d));

    // 计算均值
    Mat mean_I;
    boxFilter(I, mean_I, CV_32F, Size(d, d));
    Mat mean_p;
    boxFilter(p, mean_p, CV_32F, Size(d, d));

    // 计算 I * I, p * I
    Mat mean_I2;
    boxFilter(I.mul(I), mean_I2, CV_32F, Size(d, d));
    Mat mean_Ip;
    boxFilter(I.mul(p), mean_Ip, CV_32F, Size(d, d));

    // 计算方差和协方差
    Mat var_I = mean_I2 - mean_I.mul(mean_I);
    Mat cov_Ip = mean_Ip - mean_I.mul(mean_p);

    // 计算 a 和 b
    Mat a = cov_Ip / (var_I + eps);
    Mat b = mean_p - a.mul(mean_I);

    // 计算均值
    Mat mean_a, mean_b;
    boxFilter(a, mean_a, CV_32F, Size(d, d));
    boxFilter(b, mean_b, CV_32F, Size(d, d));

    // 计算输出图像
    dst = mean_a.mul(I) + mean_b;
}

int main()
{
    // 读取图像
    Mat src = imread("test.jpg", IMREAD_GRAYSCALE);

    // 滤波
    Mat dst;
    guidedFilter(src, dst, 5, 0.01);

    // 显示结果
    imshow("src", src);
    imshow("dst", dst);
    waitKey();

    return 0;
}

在上面的代码中，guidedFilter 函数接受输入图像 src 和滤波半径 radius，以及一个控制平滑程度的参数 eps。它首先计算均值和方差，然后计算 a 和 b，最后用它们来计算输出图像 dst。在主函数中，我们读取一个灰度图像，然后调用 guidedFilter 函数进行滤波，并显示结果。