导向滤波matlab

导向滤波是一种基于图像的局部平均值滤波技术，它可以在保持边缘和图像细节的同时降低噪声。在 MATLAB 中，可以使用 "imguidedfilter" 函数来实现导向滤波。以下是一个简单的示例代码：

% 读取图像并添加高斯噪声
I = im2double(imread('lena.png'));
J = imnoise(I, 'gaussian', 0, 0.01);

% 使用导向滤波进行去噪
K = imguidedfilter(J, J, 'NeighborhoodSize', [5 5], 'DegreeOfSmoothing', 0.01);

% 显示原始图像和去噪后的图像
figure;
subplot(1,3,1); imshow(I); title('Original Image');
subplot(1,3,2); imshow(J); title('Noisy Image');
subplot(1,3,3); imshow(K); title('Denoised Image');

在这个示例中，我们首先读取了一张图像 "lena.png"，然后添加了高斯噪声。接下来，我们使用 "imguidedfilter" 函数对噪声图像进行导向滤波处理，其中第二个参数 "J" 是用来作为引导图像的图像。最后，我们将原始图像、噪声图像和去噪后的图像一起显示。

相关问题

高斯金字塔与导向滤波 matlab

高斯金字塔和导向滤波是图像处理中常用的技术，可以用于图像降采样、图像去噪等。下面是关于高斯金字塔和导向滤波的介绍和Matlab演示：

1. 高斯金字塔
高斯金字塔是一种图像的多分辨率表示方法，它通过对原始图像进行降采样和高斯滤波得到一系列图像，每个图像的分辨率比前一个图像低一半。高斯金字塔的构建过程如下：
- 对原始图像进行高斯滤波，得到第一层图像；
- 对第一层图像进行降采样，得到第二层图像；
- 对第二层图像进行高斯滤波，得到第三层图像；
- 以此类推，直到得到最后一层图像。

在Matlab中，可以使用函数pyrDown()和imfilter()来实现高斯金字塔的构建。具体代码如下：

img = imread('lena.png'); % 读取原始图像
pyramid = cell(1, 5); % 创建一个5层的金字塔
pyramid{1} = img; % 第一层为原始图像
for i = 2:5
    pyramid{i} = pyrDown(pyramid{i-1}); % 降采样
    pyramid{i} = imfilter(pyramid{i}, fspecial('gaussian', [5 5], 1)); % 高斯滤波
end

2. 导向滤波
导向滤波是一种基于引导图像的滤波方法，可以用于图像去噪、图像增强等。它的基本思想是：利用引导图像的梯度信息来指导滤波过程，保留边缘信息的同时去除噪声。导向滤波的公式如下：

$$
\begin{aligned}
I^{'}(x) &= \frac{1}{w(x)}\int_{y\in\Omega}I(y)f(||\frac{x-y}{\epsilon}||^2)g(||\nabla I(y)||^2)(I(y)-\mu_y)dy+\mu_x \\
w(x) &= \int_{y\in\Omega}f(||\frac{x-y}{\epsilon}||^2)g(||\nabla I(y)||^2)dy
\end{aligned}
$$

其中，$I(x)$为原始图像，$I^{'}(x)$为滤波后的图像，$w(x)$为权重，$f$和$g$为滤波核函数，$\epsilon$为平滑参数，$\mu_x$和$\mu_y$为均值。在Matlab中，可以使用函数imguidedfilter()来实现导向滤波。具体代码如下：

img = imread('lena.png'); % 读取原始图像
guide = imnoise(img, 'gaussian', 0, 0.01); % 生成引导图像
output = imguidedfilter(img, guide, 'NeighborhoodSize', 15, 'DegreeOfSmoothing', 0.001); % 导向滤波

基于加权中值滤波的滚动导向滤波matlab代码

以下是基于加权中值滤波的滚动导向滤波的 MATLAB 代码示例：

function output = rolling_guided_filter(input, guidance, radius, epsilon, q)
% input: 输入图像
% guidance: 引导图像
% radius: 滤波器半径
% epsilon: 正则化项
% q: 中值滤波器的权重

% 初始化输出图像
output = zeros(size(input));

% 对每个像素应用滤波
for i = 1:size(input, 1)
    for j = 1:size(input, 2)
        % 计算滤波器边界
        rmin = max(i-radius, 1);
        rmax = min(i+radius, size(input,1));
        cmin = max(j-radius, 1);
        cmax = min(j+radius, size(input,2));
        
        % 提取局部窗口
        input_window = input(rmin:rmax, cmin:cmax);
        guidance_window = guidance(rmin:rmax, cmin:cmax);
        
        % 计算权重和中值
        weights = exp(-((guidance_window - guidance(i,j)).^2)./(epsilon^2));
        median_val = weighted_median(input_window, weights, q);
        
        % 计算输出像素值
        output(i,j) = median_val;
    end
end

end

function median_val = weighted_median(input, weights, q)
% input: 输入向量
% weights: 权重向量
% q: 权重中值

% 将输入向量和权重向量按升序排序
[sorted_input, idx] = sort(input(:));
sorted_weights = weights(idx);

% 计算累计权重
cumulative_weights = cumsum(sorted_weights);

% 找到权重中值位置
median_idx = find(cumulative_weights >= q, 1, 'first');

% 如果没有找到权重中值位置，则返回最大值
if isempty(median_idx)
    median_idx = numel(input);
end

% 返回权重中值
median_val = sorted_input(median_idx);

end

这个函数接受输入图像 `input` 和引导图像 `guidance`，并基于加权中值滤波进行滚动导向滤波，使用指定的半径 `radius`、正则化项 `epsilon` 和权重中值 `q`。输出是滤波后的图像 `output`。

注意，这里的加权中值滤波使用了自定义函数 `weighted_median`，它接受一个输入向量 `input`、一个权重向量 `weights` 和一个权重中值 `q`，并返回加权中值。该函数使用指定的权重向量对输入向量进行排序，并计算累计权重，然后找到权重中值位置并返回加权中值。