在前面学习了双边滤波，虽然实现保边平滑的效果，但是平滑效果有时候不如高斯平滑。那么有没有改进的方法呢？这里来回忆一下，前面双边滤波里，使用原图像的灰度相似度作为相似算法，是否可以从这里下手呢？其实是可以的。可以先对原图像进行高斯平滑，然后把这幅图像的灰度值作为计算相似度，替代双边滤波里的原图像相似度计算。把这种方法叫做联合双边滤波，双边滤波的公式如下：
根据联合双边滤波可以把公式改为这样：
这里可以看到灰度值计算方式发生了改变，它是从高斯平滑之后的图片里取值，是引入另外一幅图像，不是原始图像。在python里，要使用这个功能，需要安装opencv-contrib-python，如果原来已经安装opencv-python，要先删除再安装它，进行如下操作：
pip uninstall opencv-python （如果已经安装opencv-python包，先卸载）
pip install opencv-contrib-python
当安装成功之后，就可使用下面的例子来测试联合双边滤波:
#python 3.7.4,opencv4.1
#蔡军生 https://blog.csdn.net/caimouse/article/details/51749579
#
import cv2
import numpy as np
#图片的路径
imgname = "imgjbf.png"
#读取图片
image = cv2.imread(imgname, cv2.IMREAD_COLOR)
#图片的高度和宽度
h,w = image.shape[:2]
print('imagesize={}-{}'.format(w,h))
#显示原图
cv2.imshow("Image",image)
#平滑
joint = cv2.GaussianBlur(image,(33,33),3,3)
out = cv2.ximgproc.jointBilateralFilter(joint,image,-1,10,9)
#out = out.astype(np.uint8)
cv2.imshow("joint",joint)
cv2.imshow("out",out)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果输出如下：
输入原图
联合双边滤波后图片
高斯平滑后的图片
调用函数的定义：
joint: 进行联合滤波的导向图像，可以为单通道或多通道，保持边缘的滤波算法时常采用src
src: 输入图像对象矩阵,可以为单通道或多通道
d:用来计算卷积核的领域直径，如果d<0，从sigmaSpace计算d
sigmaColor：颜色空间滤波器标准偏差值，决定多少差值之内的像素会被计算（构建灰度值模板）
sigmaSpace:坐标空间中滤波器标准偏差值。如果d>0，设置不起作用，否则根据它来计算d值（构建距离权重模板）
https://blog.csdn.net/caimouse/article/details/51749579
转载：https://blog.csdn.net/caimouse/article/details/101209665
查看评论