Bilateral Filtering for Gray and Color Images

双边滤波器:保留边界的平滑滤波器。 在局部上,就是在灰度值差异不大的区域平滑,在灰度值差异比较大的边界地区保留边界。所以双边滤波器作用于每个像素的同时,必然会受到领域像素点的距离、灰度值差的权重影响。

已知低通滤波可以表示为:

range filter可以表示为:(range filter 试选定一个数值范围,再做滤波的一个操作)

所以,双边滤波器的定义是:

其中,k(x)是归一化(normalize)函数,

( f 表示原图像,h 表示处理后的图像 x 表示 h 中某个像素点位置,ξ 表示 f 中x位置像素点的邻域像素,f(ξ)表示该像素点的灰度值,c表示低通滤波, s表示range filter)

其中,

//Filters.h

#ifndef FILTERS_H
#define FILTERS_H #include "opencv2/imgproc.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/core.hpp" #include <iostream>
#include <cmath> //Bilateral Filtering
//sigmaD == sigmaSpace, sigmaR == sigmaColor
cv::Mat BilateralFilter(cv::Mat inputImg, int filterSize, double sigmaD, double sigmaR); cv::Mat fastBilateralFilter(cv::Mat inputImg, int filterSize, double sigmaD, double sigmaR); #endif // ! FILTERS_H
//Filters.cpp

#include "Filters.h"

double SpaceFactor(int x1, int y1, int x2, int y2, double sigmaD) {
double absX = pow(abs(x1 - x2), );
double absY = pow(abs(y1 - y2), ); return exp(-(absX + absY) / ( * pow(sigmaD, )));
} double ColorFactor(int x, int y, double sigmaR) {
double distance = abs(x - y) / sigmaR;
return exp(-0.5 * pow(distance, ));
} cv::Mat BilateralFilter(cv::Mat inputImg, int filterSize, double sigmaD, double sigmaR) {
int len; //must be odd number
cv::Mat gray; // must be 1-channel image
cv::Mat LabImage; // if channels == 3 if (filterSize % != || filterSize <= ) {
std::cerr << "Filter Size must be a positive odd number!" << std::endl;
return inputImg;
}
len = filterSize / ; if (inputImg.channels() >= ) {
cv::cvtColor(inputImg, LabImage, cv::COLOR_BGR2Lab);
gray = cv::Mat::zeros(LabImage.size(), CV_8UC1);
for (int i = ; i < LabImage.rows; i++) {
for (int j = ; j < LabImage.cols; j++) {
gray.ptr<uchar>(i)[j] = LabImage.ptr<uchar>(i, j)[];
}
}
}
else if(inputImg.channels() == ){
inputImg.copyTo(gray);
}
else {
std::cerr << "the count of input image's channel can not be 2!" << std::endl;
return inputImg;
} cv::Mat resultGrayImg = cv::Mat::zeros(gray.size(), CV_8UC1);
for (int i = ; i < gray.rows; i++) {
for (int j = ; j < gray.cols; j++) {
double k = ;
double f = ;
for (int r = i - len; r <= i + len; r++) {
for (int c = j - len; c <= j + len; c++) {
if (r < || c < || r >= gray.rows || c >= gray.cols)
continue;
f = f + gray.ptr<uchar>(r)[c] * SpaceFactor(i, j, r, c, sigmaD) * ColorFactor(gray.ptr<uchar>(i)[j], gray.ptr<uchar>(r)[c], sigmaD);
k += SpaceFactor(i, j, r, c, sigmaD) * ColorFactor(gray.ptr<uchar>(i)[j], gray.ptr<uchar>(r)[c], sigmaD);
}
}
int value = f / k;
if (value < ) value = ;
else if (value > ) value = ; resultGrayImg.ptr<uchar>(i)[j] = (uchar)value;
}
} cv::Mat resultImg;
if (inputImg.channels() >= ) {
for (int i = ; i < LabImage.rows; i++) {
for (int j = ; j < LabImage.cols; j++) {
LabImage.ptr<uchar>(i, j)[] = resultGrayImg.ptr<uchar>(i)[j];
}
}
cv::cvtColor(LabImage, resultImg, cv::COLOR_Lab2BGR);
}
else {
resultGrayImg.copyTo(resultImg);
} return resultImg;
} cv::Mat fastBilateralFilter(cv::Mat inputImg, int filterSize, double sigmaD, double sigmaR) {
int len; //must be odd number
cv::Mat gray; // must be 1-channel image
cv::Mat LabImage; // if channels == 3 if (filterSize % != || filterSize <= ) {
std::cerr << "Filter Size must be a positive odd number!" << std::endl;
return inputImg;
}
len = filterSize / ; if (inputImg.channels() >= ) {
cv::cvtColor(inputImg, LabImage, cv::COLOR_BGR2Lab);
gray = cv::Mat::zeros(LabImage.size(), CV_8UC1);
for (int i = ; i < LabImage.rows; i++) {
for (int j = ; j < LabImage.cols; j++) {
gray.ptr<uchar>(i)[j] = LabImage.ptr<uchar>(i, j)[];
}
}
}
else if (inputImg.channels() == ) {
inputImg.copyTo(gray);
}
else {
std::cerr << "the count of input image's channel can not be 2!" << std::endl;
return inputImg;
} cv::Mat resultGrayImg = cv::Mat::zeros(gray.size(), CV_8UC1);
for (int i = ; i < gray.rows; i++) {
for (int j = ; j < gray.cols; j++) {
double k = ;
double f = ;
double sum = ;
for (int r = i - len; r <= i + len; r++) {
if (r < || r >= gray.rows)
continue;
f = f + gray.ptr<uchar>(r)[j] * SpaceFactor(i, j, r, j, sigmaD) * ColorFactor(gray.ptr<uchar>(i)[j], gray.ptr<uchar>(r)[j], sigmaD);
k += SpaceFactor(i, j, r, j, sigmaD) * ColorFactor(gray.ptr<uchar>(i)[j], gray.ptr<uchar>(r)[j], sigmaD);
}
sum = f / k;
f = k = 0.0;
for (int c = j - len; c <= j + len; c++) {
if (c < || c >= gray.cols)
continue;
f = f + gray.ptr<uchar>(i)[c] * SpaceFactor(i, j, i, c, sigmaD) * ColorFactor(gray.ptr<uchar>(i)[j], gray.ptr<uchar>(i)[c], sigmaD);
k += SpaceFactor(i, j, i, c, sigmaD) * ColorFactor(gray.ptr<uchar>(i)[j], gray.ptr<uchar>(i)[c], sigmaD);
}
int value = (sum + f / k) / ;
if (value < ) value = ;
else if (value > ) value = ; resultGrayImg.ptr<uchar>(i)[j] = (uchar)value;
}
} cv::Mat resultImg;
if (inputImg.channels() >= ) {
for (int i = ; i < LabImage.rows; i++) {
for (int j = ; j < LabImage.cols; j++) {
LabImage.ptr<uchar>(i, j)[] = resultGrayImg.ptr<uchar>(i)[j];
}
}
cv::cvtColor(LabImage, resultImg, cv::COLOR_Lab2BGR);
}
else {
resultGrayImg.copyTo(resultImg);
} return resultImg;
}
//main.cpp

#include <iostream>
#include <time.h> #include "Filters.h" using namespace std; int main() {
cv::Mat img = cv::imread("Capture.jpg", cv::IMREAD_UNCHANGED);
clock_t begin_time = clock();
cv::Mat result = BilateralFilter(img, , 12.5, );
std::cout << float(clock() - begin_time) / CLOCKS_PER_SEC << std:: endl;
cv::imshow("original", result);
cv::waitKey();
cv::imwrite("original.jpg", result); begin_time = clock();
result = fastBilateralFilter(img, , 12.5, );
std::cout << float(clock() - begin_time) / CLOCKS_PER_SEC << std::endl;
cv::imshow("fast", result);
cv::waitKey();
cv::imwrite("fast.jpg", result); begin_time = clock();
cv::bilateralFilter(img, result, , , 12.5);
std::cout << float(clock() - begin_time) / CLOCKS_PER_SEC << std::endl;
cv::imshow("opencv", result);
cv::waitKey();
cv::imwrite("opencv.jpg", result); system("pause");
return ;
}

运行结果:

46.889s  5.694s  0.202s

二维算子降成两个一维算子之后,速度加快了一些,但是还是不如opencv的快,效果也比它差一些(No more reinventing the wheel...)

从左至右:“小雀斑”帅气原图、BilateralFilter处理结果、fastBilateralFilter处理结果、opencv接口处理结果

   

【C++】双边滤波器(bilateral filter)的更多相关文章

  1. 【VS开发】【图像处理】双边滤波器bilateral filter

    目录(?)[-] 简介 原理 代码实现 1 Spatial Weight 2 Similarity Weight 3 Color Filtering 在SSAO中的使用 1. 简介 图像平滑是一个重要 ...

  2. Bilateral Filter

    最近在看图像风格化的论文的时候,频繁遇到 Bilateral Filter.google 一波后,发现并不是什么不得了的东西,但它的思想却很有借鉴意义. 简介 Bilateral Filter,中文又 ...

  3. 三维网格去噪算法(bilateral filter)

    受图像双边滤波算法的启发,[Fleishman et al. 2003]和[Jones et al. 2003]分别提出了利用双边滤波算法对噪声网格进行光顺去噪的算法,两篇文章都被收录于当年的SIGG ...

  4. vs2015+opencv3.3.1 实现 c++ 双边滤波器(Bilateral Filter)

    #include <opencv2\highgui\highgui.hpp> #include <iostream> #include<vector> using ...

  5. 卡尔曼滤波器 Kalman Filter (转载)

    在学习卡尔曼滤波器之前,首先看看为什么叫“卡尔曼”.跟其他著名的理论(例如傅立叶变换,泰勒级数等等)一样,卡尔曼也是一个人的名字,而跟他们不同的是,他是个现代人! 卡 尔曼全名Rudolf Emil ...

  6. [转]计算机视觉之跟踪算法——相关滤波器Correlation Filter

    https://blog.csdn.net/victoriaw/article/details/62416759 ASEF相关滤波器: Average of Synthetic Exact Filte ...

  7. 灰度图像--图像增强 双边滤波 Bilateral Filtering

    学习DIP第31天 转载请标明本文出处:http://blog.csdn.net/tonyshengtan,欢迎大家转载,发现博客被某些论坛转载后,图像无法正常显示,无法正常表达本人观点,对此表示很不 ...

  8. 测试卡尔曼滤波器(Kalman Filter)

    真实的温度测试数据,通过加热棒加热一盆水测得的真实数据,X轴是时间秒,Y轴是温度: 1)滤波前 2)滤波后(p=10, q=0.0001, r=0.05, kGain=0;) 2)滤波后(p=10, ...

  9. Atitit   图像处理 平滑 也称 模糊, 归一化块滤波、高斯滤波、中值滤波、双边滤波)

    Atitit   图像处理 平滑 也称 模糊, 归一化块滤波.高斯滤波.中值滤波.双边滤波) 是一项简单且使用频率很高的图像处理方法 用途 去噪 去雾 各种线性滤波器对图像进行平滑处理,相关OpenC ...

随机推荐

  1. 利用百度地图API制作房产酒店地图

    摘要: 想亲手制作一张酷讯.去哪儿.安居客.链接地产那样的房产.酒店地图麼?那赶快来学习吧.(以酷讯为例,如下图) 更多成功案例请点击:http://dev.baidu.com/wiki/map/in ...

  2. Opencv+Zbar二维码识别(标准条形码/二维码识别)

    使用Opencv+Zbar组合可以很容易的识别图片中的二维码,特别是标准的二维码,这里标准指的是二维码成像清晰,图片中二维码的空间占比在40%~100%之间,这样标准的图片,Zbar识别起来很容易,不 ...

  3. 【POJ 2406】 Power Strings

    [题目链接] 点击打开链接 [算法] KMP 如果字符串中存在循环节,则next[len] = (循环节个数 - 1) * 循环节长度 循环节个数 = len / (len - next[len]) ...

  4. 201响应为什么进了AJAX error回调函数

    明明AJAX发送请求成功,但是后端返回的不是200,而是201,结果进了error的回调函数,想这种情况,只需要把“dataType:"json",改成dataType:" ...

  5. [TJOI2012]防御

    https://www.zybuluo.com/ysner/note/1332539 题面 戳我 解析 一道挺棒棒的线段树. 显然一次伤害到来时我们要先看看区间内哪些点的护甲没了. 这个可以通过维护区 ...

  6. iOS 中的 Block

    参考:链接 (1)block作为本地变量(local variable) returnType (^blockName)(parameterTypes) = ^returnType(parameter ...

  7. memset函数学习

    memset是计算机中C/C++语言函数.将s所指向的某一块内存中的后n个 字节的内容全部设置为ch指定的ASCII值, 第一个值为指定的内存地址,块的大小由第三个参数指定,这个函数通常为新申请的内存 ...

  8. Asp.net MVC 中使用 Ninject 实现依赖注入

    松耦合.针对抽象编程.不针对实现编程是面向对象设计的原则.依赖注入就是,在一个类的内部,不通过创建对象的实例而能够获得实现了某个公开接口的对象引用.所谓的控制反转也是相同的意思.把依赖的创建转移到了使 ...

  9. linux中用管道实现父子进程通信

    1 用户要实现父进程到子进程的数据通道,可以在父进程关闭管道读出一端, 然后相应的子进程关闭管道的输入端. 2 先用pipe()建立管道 然后fork函数创建子进程.父进程向子进程发消息,子进程读消息 ...

  10. .net 下webservice 的WebMethod的属性

    WebMethod有6个属性: .Description .EnableSession .MessageName .TransactionOption .CacheDuration .BufferRe ...