企业官网建设流程全解析

论文信息：Zhengguo Li, Jinghong Zheng, Zijian Zhu, Wei Yao, Shiqian Wu.Weighted Guided Image Filtering.

一、引导滤波

边缘保留平滑技术的核心是将图像(X)分解为两部分：

X ( p ) = Z ^ ( p ) + e ( p ) X ( p ) = \hat Z ( p ) + e ( p )X(p)=Z^(p)+e(p)

其中：

Z ^ ( p ) \hat{Z}(p)Z^(p)：基础信息，由具有清晰边缘的均匀区域构成的重建图像
e ( p ) e(p)e(p)：噪声或纹理信息
p = ( x , y ) p=(x,y)p=(x,y)：像素位置

双边滤波的处理结果可能产生“梯度反转”伪影，表现在结果边缘周围可能出现不理想的轮廓。

引导滤波处理参考引导图像，改善了梯度反转现象

GIF假设在局部窗口Ω p \Omega_pΩp​内，输出Z ^ ( p ) \hat{Z}(p)Z^(p)与引导图G p G_pGp​满足局部线性模型：

Z ^ ( p ) = a p ′ G p + b p ′ , ∀ p ′ ∈ Ω p \hat{Z}(p) = a_{p'} G_p + b_{p'},\quad \forall {p'}\in \Omega_pZ^(p)=ap′​Gp​+bp′​,∀p′∈Ωp​

利用最小化误差函数模型来求a,b参数，目标函数（岭回归）：

E = ∑ ( ( a p ′ G p + b p ′ − X p ) 2 + λ a p ′ 2 ) E=\sum\big((a_{p'} G_p+b_{p'}-X_p)^2+\lambda a_{p'}^2\big)E=∑((ap′​Gp​+bp′​−Xp​)2+λap′2​)

λ \lambdaλ是全局固定正则项，用来约束a p a_pap​防止过拟合。

二、引导滤波（GIF）缺陷

• 核心缺陷：λ \lambdaλ全局固定。当窗口跨图像边缘时，局部线性假设被破坏；固定正则将模糊效果集中在边缘区域并产生光晕伪影效应(halo)。
• 在图像平坦区域和边缘区域都拥有相同权重，边缘很容易被平滑，没有考虑局部信息

论文中提到GIF是局部正则化，λ \lambdaλ全局固定，而加权最小二乘滤波器（WLS）是全局优化滤波器，λ \lambdaλ的值则根据局部梯度自适应调整，需要全图构建一个拉普拉斯齐次矩阵来求解参数，运算复杂度较高。

三、Weighted Guided Image Filtering（WGIF）

WGIF希望兼具局部滤波的速度、全局滤波无光晕的特性，引入边缘感知权重Γ G ( p ) \Gamma_G(p)ΓG​(p)，把固定ε \varepsilonε参数改为对每个像素独立调整增强强度。

论文的边缘感知权重：滤波滑窗内的方差与图像所有窗口方差总和的比值作为当前像素的边缘感知权重。

3.1 边缘感知权重（Edge-Aware Weighting）

Γ G ( p ‘ ) = 1 N ∑ p = 1 N σ G 2 ( p ′ ) + ε σ G 2 ( p ) + ε \Gamma_G(p‘)=\frac{1}{N}\sum_{p=1}^N \frac{\sigma_G^2(p')+\varepsilon}{\sigma_G^2(p)+\varepsilon}ΓG​(p‘)=N1​p=1∑N​σG2​(p)+εσG2​(p′)+ε​

其中，G：引导图

• σ G 2 ( p ) \sigma_G^2(p)σG2​(p)：引导图G GG在像素p局部小窗口（3×3）的方差；
• N NN：图像总像素；
• ε = ( 0.001 ⋅ L ) 2 \varepsilon=(0.001\cdot L)^2ε=(0.001⋅L)2，L LL为图像动态范围，防止分母除零

公式含义：

边缘像素局部方差大 →Γ G \Gamma_GΓG​值大；平坦区域方差小 →Γ G \Gamma_GΓG​值小。

边缘位置权重更高，正则被削弱，更好保留梯度；平坦区域权重低，加强平滑。

还有其他的梯度函数可以引入，例如sobel梯度、Roberts梯度等，目的就是区分边缘和平坦区域。

3.2 WGIF的回归系数

Z ^ ( p ) = a ^ p ′ G p + b ^ p ′ , ∀ p ′ ∈ Ω p \hat{Z}(p) = \hat a_{p'} G_p +\hat b_{p'},\quad \forall {p'}\in \Omega_pZ^(p)=a^p′​Gp​+b^p′​,∀p′∈Ωp​

其中，a ˉ p ′ 、 b ˉ p ′ \bar a_{p'}、\bar b_{p'}aˉp′​、bˉp′​是的$ a_{p’}、b_{p’}$均值，邻域窗口内元素。

边缘处Γ G ≫ 1 ⇒ ε / Γ G \Gamma_G\gg1 \Rightarrow \varepsilon/\Gamma_GΓG​≫1⇒ε/ΓG​变小，正则减弱，a k a_kak​更接近1，边缘保留更强；平坦区Γ G ≈ 1 \Gamma_G\approx1ΓG​≈1，和GIF行为接近，正常平滑。

最终输出仍然是所有包含该像素窗口的a k G i + b k a_kG_i+b_kak​Gi​+bk​取均值，和GIF一样的聚合方式，没有增加额外复杂计算，复杂度保持( O ( N ) ) (O(N))(O(N))。

四、仿真效果

下图图 5 中六幅图像的评分分别为 37.84、40.98、38.37、55.97、35.89 和 57.89。采用该评估指标时，数值越高表示图像质量越高。光晕伪影方面，GIF 图像对 θ 值的敏感性更高。当 θ 值增大时，GIF 产生的光晕伪影会变得更加明显。这表明 θ 值在光晕伪影的产生和噪声放大中也起着重要作用。

论文展示去雾效果，相比GIF，WGIF的处理结果更自然，天空区域既无伪影，亦无光晕（halo）。

仿真效果如下，相同参数GIF的仿真效果边缘处更模糊。

仿真代码链接如下：

Guided Filtering · GitHub

五、典型应用场景

1. 图像去雾（透射图使用WGIF细化，远景与物体边界没有GIF常见的halo；）
2. 细节增强（GIF增强后物体边缘存在明显光晕；WGIF增强边缘锐利，光晕显著减轻）
3. 低照度图像增强（Retinex，估计光照分量）
4. 多曝光图像融合（权重图用WGIF平滑，不同曝光交界处过渡自然，无伪影）
5. 深度图上采样、立体匹配代价聚合
6. 红外小目标检测（背景估计）
7. 图像分层：基础层+细节层分解

六、核心总结

WGIF而是轻量改进GIF正则项。核心洞察：GIF光晕根源是全局统一的ε \varepsilonε，边缘区域不该使用和平面区域相同的正则强度；利用局部方差构造边缘感知权重，让正则随图像结构自适应，在保持线性时间开销的前提下，大幅抑制光晕，是计算摄影领域非常经典的保边滤波改进工作。

我的个人博客主页，欢迎访问

我的CSDN主页，欢迎访问

我的GitHub主页，欢迎访问

我的知乎主页，欢迎访问