7.5 双边滤波

1. 基本原理

1. 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。
2. 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。
3. 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。

2.函数语法

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。

3. 程序实例

【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
img = cv2.imread("/Users/zhaofeier/Desktop/源代码及图像/chapter7/image/lenaNoise.png")
r = cv2.bilateralFilter(img,25,100,100)
cv2.imshow("original",img)
cv2.imshow("result",r)

cv2.waitKey()
cv2.destroyAllWindows()

从图中可以看出，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。

img = cv2.imread("/Users/zhaofeier/Desktop/源代码及图像/chapter7/image/bilTest.bmp")
g = cv2.GaussianBlur(img,(55,55),0,0)
b = cv2.bilateralFilter(img,55,100,100)
cv2.imshow("original",img)
cv2.imshow("resultGaus",g)
cv2.imshow("resultBilateral",b)


cv2.waitKey()
cv2.destroyAllWindows()