提到導向濾波，首先想到的是「何愷明」，他的確是真大神，在影象領域，是中國人的驕傲，深度學習流行的時候，也是提出各種新演算法，比如resnets，而最近兩年，深度學習的發展已經非常緩慢了，更多都是各種組合搭配。回歸主題，今天的豬腳是導向濾波，我準備從三篇文章來對它進行簡要介紹，導向濾波的應用範圍很廣泛，比如影象去霧、影象摳圖和美顏等。
至於導向濾波的原理推導，我就不介紹了，直接把演算法流程圖丟擲來，清晰明了，見下圖：
以邊緣保留為例：
當輸入p和導向圖i是相同的時候，下面所求協方差，方差是一樣的，這樣就會出現兩種情況
普通的導向濾波，因為是處理原始大圖，速度還是不夠快，在演算法界，也是講究「天下武功唯快不破」，那麼我們可不可以小圖送進去，大圖出來了，答案是肯定的，演算法流程見下面，這個演算法和上面演算法的區別主要在於，這裡首先來乙個下取樣（
在深度學習演算法流行之際，有人就在想，可不可以用神經網路來構建導向濾波呢，當然是可以的，參見**「fast end-to-end trainable guided filter」，其實，我發現，現在很多深度學習演算法都是模仿傳統演算法，把以前人工設計部分，直接替換可學習的，這樣做的好處是，簡單粗暴，魯棒性又好。整個演算法的流程見下，沒什麼好解釋的，有些地方用卷積替換了，整個流程和上面是一樣的。
導向濾波 Guid Filtering
導向濾波是一種保護邊緣edge preserving smoothing 濾波演算法，可以運用於比如美顏，去霧，三維重建等多種場合。定義 guidance imagei,an input imagep,and an output imageq。導向濾波認為在區域性區域內，濾波輸出是導向影象的線性模型...
導向濾波學習
今天的數字影象處理課講到了導向濾波，就拿過來 學習了一下，下面兩篇部落格對我幫助很大 導向濾波演算法分析公式推導很詳細 導向濾波詳解 是嚴格按照 的演算法流程來的，能理解得更清楚。我只看了原理部分和保邊濾波器部分，簡單記錄一下。以影象去噪為例 輸入影象 p 引導影象 i 輸出影象 q 視窗 k 去噪...
導向濾波的原理及實現
一 雙邊濾波 雙邊濾波很有名，使用廣泛，簡單的說就是一種同時考慮了畫素空間差異與強度差異的濾波器，因此具有保持影象邊緣的特性。先看看我們熟悉的高斯濾波器 其中w是權重，i和j是畫素索引，k是歸一化常量。公式中可以看出，權重只和畫素之間的空間距離有關係，無論影象的內容是什麼，都有相同的濾波效果。再來看...