1.介紹

提到導向濾波，首先想到的是“何愷明”，他的確是真大神，在圖像領域，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，導向濾波的應用范圍很廣泛，比如圖像去霧、圖像摳圖和美顏等。

2.導向濾波

至于導向濾波的原理推導，我就不介紹了，直接把算法流程圖拋出來，清晰明了，見下圖：

以邊緣保留為例：

當輸入圖片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

1)當圖片區域比較平滑的時候，方差就很小，a值就趨于0了，這個時候

，為平滑

2)當圖片區域為邊緣部分或者跳變比較大的地方，方差就很大，a值就趨于1了，這個時候

，為保邊

3.快速導向濾波

普通的導向濾波，因為是處理原始大圖，速度還是不夠快，在算法界，也是講究“天下武功唯快不破”，那么我們可不可以小圖送進去，大圖出來了，答案是肯定的，算法流程見下面，這個算法和上面算法的區別主要在于，這里首先來一個下采樣(

),后面再來一個上采樣(

)

4.基于深度學習的導向濾波

在深度學習算法流行之際，有人就在想，可不可以用神經網絡來構建導向濾波呢，當然是可以的，參見論文“Fast End-to-End Trainable Guided Filter”，其實，我發現，現在很多深度學習算法都是模仿傳統算法，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。整個算法的流程見下，沒什么好解釋的，有些地方用卷積替換了，整個流程和上面是一樣的。

總結

以上是生活随笔為你收集整理的导向滤波python_导向滤波(Guided Filter)简要介绍的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。