3-2：实现图像的联合双边滤波处理

实现图像的联合双边滤波处理
背景介绍
联合双边滤波（Joint Bilateral Filter），也称为引导双边滤波，是一种改进版的双边滤波技术。不同于传统的双边滤波仅依赖于输入图像本身的信息，在联合双边滤波中引入了一个额外的指导图像作为参考来决定权重分配[^3]。
这种机制使得算法能够更好地保留甚至增强边界特征的同时去除噪声，尤其适用于多光谱成像、色彩转换等领域中的应用。通过这种方式可以更精确地控制哪些区域应该被平滑以及保持什么样的结构特性不变。
使用 OpenCV 和 MATLAB 的实现方法
Python (OpenCV)
目前官方版本的 OpenCV 并未直接提供 cv2.ximgproc.jointBilateralFilter 接口用于执行联合双边过滤操作；但是可以通过安装扩展模块 opencv-contrib-python 来获得此功能支持：
pip install opencv-contrib-python
登录后复制
下面给出一段基于上述库函数的应用实例代码片段:
import cv2
import numpy as np

def joint_bilateral_filter(image, guidance_image, d=9, sigma_color=75, sigma_space=75):
"""
Apply Joint Bilateral Filtering on an image using a guidance image.

Parameters:
image : ndarray
Input array of the source image to be filtered.
guidance_image : ndarray
Guidance image used for filtering weights calculation.
d : int
Diameter of each pixel neighborhood that is used during filtering.
sigma_color : float
Filter sigma in the color space.
sigma_space : float
Filter sigma in the coordinate space.

Returns:
result : ndarray
The bilateral-filtered output image.
"""

# Ensure both images are grayscale or have same number of channels
assert len(image.shape) == len(guidance_image.shape), "Input and guidance images must match dimensions"

return cv2.ximgproc.jointBilateralFilter(guidance_image.astype(np.float32),
image.astype(np.float32),
d,
sigma_color,
sigma_space)

if __name__ == "__main__":
img = cv2.imread('input.jpg')
guide_img = cv2.imread('guide_input.png',0) # Read as gray scale

processed_img = joint_bilateral_filter(img, guide_img)

cv2.imwrite("output_joint_bilat_filtered.png",processed_img)
登录后复制
请注意这里假设输入图片与导向图像是相同大小，并且如果它们不是单通道灰度图像，则需确保二者拥有相等数量的颜色通道数。
MATLAB
对于MATLAB而言，虽然内置工具箱并没有专门针对联合双边滤波的功能，但可以根据定义自行编写相应的脚本文件完成该过程。以下是简化后的伪代码表示形式：
function JBFImg = JointBiLateralFilter(I,G,d,sigma_r,sigma_s)
% I: input image matrix
% G: guiding image matrix
% d: spatial window radius
% sigma_r: range standard deviation
% sigma_s: spatial standard deviation

[row,col]=size(G);
JBFImg=zeros(row,col);

for i=d+1:row-d
for j=d+1:col-d

% Extract local patches from original & guided images around current point(i,j)
Ip=double(I((i-d):(i+d),(j-d):(j+d)));
Gp=double(G((i-d):(i+d),(j-d):(j+d)));

% Compute weight matrices Wg (spatial proximity term) and Wr (intensity similarity term)
[X,Y]=meshgrid(-d:d,-d:d);
Wg=exp(-(X.^2 + Y.^2)/(2*sigma_s^2));

diff=(Gp-G(i,j)).^2;
Wr=exp(-diff/(2*sigma_r^2));

Weights=Wg.*Wr;

% Normalize weights so they sum up to one
normWeights=sum(Weights(:));

% Perform weighted averaging over neighboring pixels within patch size defined by 'd'
JBFImg(i,j)=sum(sum(double(Ip).*Weights))/normWeights;
end
end
end
登录后复制
这段代码实现了基本框架下的联合双边滤波运算逻辑，实际部署时可能还需要进一步优化性能以适应更大规模的数据集需求。