opencv基础-34 图像平滑处理-双边滤波cv2.bilateralFilter()-编程知识

双边滤波（BilateralFiltering）是一种图像处理滤波技术，用于平滑图像并同时保留边缘信息。与其他传统的线性滤波方法不同，双边滤波在考虑像素之间的空间距离之外，还考虑了像素之间的灰度值相似性。这使得双边滤波能够有效地去除噪声，同时保持图像的细节和边缘。

双边滤波的核心思想是使用一个滑动窗口（卷积核）在图像上移动，并计算窗口中像素的加权平均值来替代中心像素的值。这里的权重包括两个部分：一个是空间权重，根据像素之间的空间距离计算；另一个是灰度值权重，根据像素之间的灰度值相似性计算。空间权重用于保持边缘信息，而灰度值权重用于平滑图像。

在双边滤波中，窗口的大小和两个权重的参数是需要设置的超参数，它们会影响滤波效果。较大的窗口大小和权重参数可以保留更多的图像细节，但也会导致计算复杂度增加。

基本原理

前述滤波方式基本都只考虑了空间的权重信息，这种情况计算起来比较方便，但是在边缘信息的处理上存在较大的问题。

例如，在图 7-30 中，图像左侧是黑色，右侧是白色，中间是很明显的边缘。

在这里插入图片描述
在均值滤波、方框滤波、高斯滤波中，都会计算边缘上各个像素点的加权平均值，从而模糊边缘信息。

如图 7-31 所示是高斯滤波处理的结果图像。

在这里插入图片描述
从图 7-31 可以看到，经过高斯滤波处理后，边缘信息变得很模糊，均值滤波处理也会造成类似的问题。边界模糊是滤波处理过程中对邻域像素取均值所造成的结果，上述滤波处理过程单纯地考虑空间信息，造成了边界模糊和部分信息的丢失。

双边滤波在计算某一个像素点的新值时，不仅考虑距离信息（距离越远，权重越小），还考虑色彩信息（色彩差别越大，权重越小）。双边滤波综合考虑距离和色彩的权重结果，既能够有效地去除噪声，又能够较好地保护边缘信息。

在双边滤波中，当处在边缘时，与当前点色彩相近的像素点（颜色距离很近）会被给予较大的权重值；而与当前色彩差别较大的像素点（颜色距离很远）会被给予较小的权重值（极端情况下权重可能为 0，直接忽略该点），这样就保护了边缘信息。

例如，在图 7-32 中：

图(a)是原始图像，左侧区域是白色（像素值为 255），右侧区域是黑色（像素值为 0）。
图(b)是进行均值滤波的可能结果。在进行均值滤波时，仅仅考虑空间信息，此时左右两侧的像素的处理结果是综合考虑周边元素像素值，并对它们取均值得到的。
图©是进行双边滤波的可能结果。在进行双边滤波时，不仅考虑空间信息，还考虑色彩差别信息

在这里插入图片描述
在双边滤波中，在计算左侧白色区域边缘点的滤波结果时：

对于白色的点，给予的权重较大。
对于黑色的点，由于色彩差异较大，颜色距离很远（注意，不是像素点之间的物理距离，而是颜色值的距离。像素点的值分别是 0 和 255，差别很大，所以说它们颜色距离很远），因此可以将它们的权重设置为 0。

这样，在计算左侧白色边缘滤波结果时，得到的仍然是白色。因此，双边滤波后，左侧边缘得到保留。

在计算右侧黑色区域边缘点的滤波结果时：

对于黑色的点，给予的权重较大。
对于白色的点，由于色彩差异较大，颜色距离很远，因此可以将它们的权重设置为 0。

这样，在计算右侧黑色边缘滤波结果时，得到的仍然是黑色。因此，双边滤波后，左侧边缘得到保留。

cv2.bilateralFilter() 函数说明

在 OpenCV 中，实现双边滤波的函数是 cv2.bilateralFilter()，该函数的语法是：

dst = cv2.bilateralFilter( src, d, sigmaColor, sigmaSpace, borderType )

式中：

dst 是返回值，表示进行双边滤波后得到的处理结果。
src 是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道独立
处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
d 是在滤波时选取的空间距离参数，这里表示以当前像素点为中心点的直径。如果该值为非正数，则会自动从参数 sigmaSpace 计算得到。如果滤波空间较大（d>5），则速度较慢。因此，在实时应用中，推荐 d=5。对于较大噪声的离线滤波，可以选择 d=9。
sigmaColor 是滤波处理时选取的颜色差值范围，该值决定了周围哪些像素点能够参与到滤波中来。与当前像素点的像素值差值小于 sigmaColor 的像素点，能够参与到当前的滤波中。该值越大，就说明周围有越多的像素点可以参与到运算中。该值为 0 时，滤波失去意义；该值为 255 时，指定直径内的所有点都能够参与运算。
sigmaSpace 是坐标空间中的 sigma 值。它的值越大，说明有越多的点能够参与到滤波计算中来。当 d>0 时，无论 sigmaSpace 的值如何，d 都指定邻域大小；否则，d 与 sigmaSpace的值成比例。
borderType 是边界样式，该值决定了以何种方式处理边界。一般情况下，不需要考虑该值，直接采用默认值即可。

为了简单起见，可以将两个 sigma（sigmaColor 和 sigmaSpace）值设置为相同的。如果它们的值比较小（例如小于
10），滤波的效果将不太明显；如果它们的值较大（例如大于 150），则滤波效果会比较明显，会产生卡通效果。在函数
cv2.bilateralFilter()中，参数 borderType 是可选参数，其余参数全部为必选参数。

实验:针对噪声图像，对其进行双边滤波，显示滤波的结果。

代码如下:

import cv2
o=cv2.imread("lenaNoise.png")
r=cv2.bilateralFilter(o,25,100,100)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述
其中左图是原始图像，右图是双边滤波的结果图像。从
图中可以看出，双边滤波去除噪声的效果并不好。