7.5 双边滤波

双边滤波是综合考虑空间信息和色彩信息的滤波方式,在滤波过程中能够有效保护图像内的边缘信息

7.5.1 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

0c4f23d5c6b72e6ba2ca1dff5b4fec3.jpg

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

从图 7-31 可以看到,经过高斯滤处理后,边信息变得很模糊,均值滤波处理也会造成类似的向题,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,不仅考虑距离信是(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(颜色距离相近)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)会被给子较小的权重值(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 7-3-2中

a4433ea99c486070e8847fc8df0b06f.jpg

1.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)
2.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
3.图(c)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

在双边滤波中,在计算左侧白色区域边缘点的滤结果时
1.对于白色的点,给予的权重较大
2.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:
1.对于黑色的点,给予的权重较大
2.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

7.5.2 函数语法

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

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

式中:
1.dst 是返回值,表示进行双边滤波后得到的处理结果
2.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_165、CV_32F 或者 CV_64F 中的一种
3.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
4.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
5.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
6.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.bilateralFiltert() 中,参数 borderType 是可选参数,其余参数全部为必选参数

7.5.3 程序示例

【例 7.8】针对噪声图像,对其进行双边滤波,显示滤波的结果

import cv2
o=cv2.imread("C:\\Users\\Administrator\\Desktop\\opencv\\lenaNoise.png")
r=cv2.bilateralFilter(o,25,100,100)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

1562685452(1).png

双边滤波去除噪声的效果并不好

双边滤波的优势体现在对于边缘信息的处理上,下面通过一个例题来展示不同形式的滤波在边缘处理效果上的差异

【例 7.9】针对噪声图像,分别对其进行高斯滤波和双边滤波,比较不同滤波方式对边缘的处理结果是否相同。

根据题目要求,分别使用高斯滤波函数 cv2.GaussianBlur() 和双边滤波函数cv2.bilateralFilter(),对原始图像进行滤波,设计代码如下

import cv2
o=cv2.imread("C:\\Users\\Administrator\\Desktop\\opencv\\bilTest.bmp")
g=r=cv2.GaussianBlur(o,(55,55),0,0)
b=cv2.bilateralFilter(o,55,100,100)
cv2.imshow("original",o)
cv2.imshow("Gaussian",g)
cv2.imshow("bilateral",b)
cv2.waitKey()
cv2.destroyAllWindows()

1562685728(1).png

图(a)是原始图像
图(b)是高斯滤波处理结果。
图(c)是双边滤波处理结果