引导滤波是一种边缘保持平滑滤波方法，由何凯明等人提出。其核心思想是在局部窗口内假设输出图像是引导图像的线性变换，通过最小化重建误差并加入正则化项，在去除噪声的同时保留显著边缘。相比双边滤波，引导滤波无梯度反转问题且计算复杂度为线性 O(N)。详细解析了斜率和截距的计算过程，包括均值、方差及协方差的统计量推导，并通过 3×3 窗口示例演示了滤波逻辑。此外提供了完整的 C++ 和 Python 实现代码，支持灰度及彩色图像的去噪处理，适用于 HDR 压缩、图像增强等场景。
引导滤波（Guided Filter）是由何凯明（Kaiming He）、孙剑（Jian Sun）和唐晓鸥（Xiaoou Tang）于 2010 年提出的一种边缘保持平滑滤波方法，最早发表于 ECCV 2010 论文'Guided Image Filtering'，并在 2013 年 IEEE TPAMI 上给出扩展版本。
引导滤波是一种基于局部线性模型的图像滤波技术，其核心思想是：在一个局部窗口内，假设输出图像是引导图像（可以是输入图像本身，也可以是另一幅图像）的线性变换。通过最小化重建误差并加入正则化项，引导滤波能够在有效去除噪声或平滑纹理的同时，严格保留显著边缘结构。与双边滤波相比，引导滤波不存在梯度反转（gradient reversal）问题，且其计算复杂度为线性时间 O(N)，非常适合高分辨率图像和实时应用。由于其稳定性、效率和良好的边缘保持特性，引导滤波被广泛应用于图像去噪、HDR 压缩、图像增强、图像融合、语义分割后处理（如 CRF 替代）以及深度学习中的特征引导平滑等场景。
引导滤波的本质是在每个滤波窗口内，假设输出图 q 与引导图 I 呈线性关系。当用图像自身作为引导图时（自引导滤波），I 和输入图 p 是同一张图，线性模型为：
参数解析： ω_k 表示以像素 k 为中心的滤波窗口（如 3×3）； a_k：窗口内的斜率（控制边缘保留程度）； b_k：窗口内的截距（控制平滑程度）； 目标：找到最优的 a_k、b_k，让输出图 q 尽可能接近输入图 p（误差最小）。
斜率 a_k 和截距 b_k 的计算方法，这里用一个 3×3 窗口的具体像素值来演示 (输入图像 p=I，8 位灰度图)。 假设窗口 ω_k 内的像素值如下 (中心像素 k 为 100)：
计算斜率 a_k 和截距 b_k，首先需要窗口内的均值和方差，这正是 boxFilter 要干的活。 窗口内像素均值 \bar{I}_k：所有像素的平均值： \bar{I}_k = \frac{60 + 70 + 80 + 80 + 100 + 120 + 100 + 110 + 130}{9} = \frac{850}{9} ≈ 94.44
窗口内像素平方均值 \bar{I}_k^2：所有像素平方的平均值： \bar{I}_k^2 = \frac{60^2 + 70^2 + 80^2 + 80^2 + 100^2 + 120^2 + 100^2 + 110^2 + 130^2}{9} = \frac{84700}{9} ≈ 9411.11
窗口内像素与均值的协方差 cov(I,p)_k：因为自引导时 I=p，协方差等于方差 var(I)_k： var(I)_k = \bar{I}_k^2 - (\bar{I}_k)^2 ≈ 9411.11 - 8918.91 = 492.2
引导滤波通过最小化误差推导得到 a_k 和 b_k 的计算公式：
参数解析： 自引导时 p=I，\bar{p}_k = \bar{I}_k； ε 正则化参数 (防止分母为 0，比如取 10)。 代入数值计算：
斜率 a_k ≈ 0.98（接近 1）：说明这个窗口内有明显边缘（像素值从 60 到 130 变化大），滤波时要保留边缘 → 输出 q_i ≈ I_i（几乎不滤波）。
若窗口是平坦区域（比如所有像素都是 100），则
问题：通过前面步骤讲解，掌握了每个小窗口内的斜率和截距计算方法，那么 a_k ≈ 0.98 和 b_k ≈ 1.89 具体是哪个像素的斜率和截距？是中心像素的吗？还是 3×3 小窗口内全局所有像素的斜率和截距都是一致？
答：a_k ≈ 0.98 和 b_k ≈ 1.89 是以中心像素 100 为核心的 3×3 窗口 ω_k 的全局线性系数，而非仅属于中心像素，但最终会通过加权平均让每个像素获得专属的 a、b，完成整幅图的滤波。
关于此疑惑，详见下面讲解。
每个像素会被多个相邻窗口覆盖（比如中心像素会是自身窗口的中心，也是周围 8 个窗口的成员），因此每个像素的最终 a、b 是所有包含该像素的窗口的 a_k 和 b_k 的均值，最终输出是：
用以下 3×3 窗口 (记为窗口 W_5，中心像素为第 5 个像素，坐标 (1,1))，如下：
前面已经讲清楚各参数计算的来源，这里直接获取值，如下：
窗口内每个像素 i 的初步输出为：
参数解析：上标 (5) 表示来自窗口 W_5。
逐个计算 9 个像素的初步值，各像素的滤波输出（基于像素 5 的窗口系数）：
引导滤波中，每个像素会被多个相邻窗口覆盖，因此需要对所有包含该像素的窗口的 a_k、b_k 取均值，得到该像素的最终 \bar{a}_i，\bar{b}_i。
以中心像素 5（100）为例：像素 5 是窗口 W5 的中心，同时也是窗口 W_2（以像素 2 为中心）、W_4（以像素 4 为中心）、W_6（以像素 6 为中心）、W_8（以像素 8 为中心）的成员。
假设我们计算出这 4 个相邻窗口的系数，各窗口的系数计算：
像素 5 的最终系数： \bar{a}_5 = \frac{a_5 + a_2 + a_4 + a_6 + a_8}{5} = \frac{0.98 + 0.95 + 0.96 + 0.98 + 0.97}{5} = 0.968 \bar{b}_5 = \frac{b_5 + b_2 + b_4 + b_6 + b_8}{5} = \frac{1.89 + 3.5 + 3.2 + 2.4 + 2.9}{5} = 2.778
像素 5 最终的滤波输出为： q_5 = \bar{a}_5 · I_5 + \bar{b}_5 = 0.968 × 100 + 2.778 = 99.578
学者在使用代码过程，需要修改的地方如下：
下面是完整的 C++ 代码：
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
/**
* @brief 通用引导滤波（保边降噪专用，无耗时优化，精度优先）
* @param I 引导图（可以是原图自身 - 自引导，也可以是其他特征图 - 异引导）
* @param p 待滤波的输入图（需要降噪的图像）
* @param r 滤波窗口半径（降噪核心参数：r 越大，降噪越强，建议 3~15）
* @param eps 正则化参数（保边核心参数：eps 越小，保边越强；eps 越大，平滑越强，建议 0.001~10）
* @return 滤波后的降噪图像（与输入图尺寸、类型一致）
* @note 1. 支持单通道灰度图/CV_8UC1、CV_32FC1；3 通道彩色图/CV_8UC3、CV_32FC3
* 2. 降噪场景建议使用自引导（I=p），既保留边缘又滤除噪声
* 3. 无任何耗时优化，全程高精度浮点计算，专注降噪效果
*/
Mat guidedFilterForDenoising(const Mat& I, const Mat& p, int r, float eps) {
// ===================== 1. 输入合法性校验 =====================
CV_Assert(!I.empty() && !p.empty()); // 图像非空
CV_Assert(I.size() == p.size()); // 引导图与输入图尺寸一致
CV_Assert(r >= 1); // 窗口半径至少为 1
CV_Assert(eps > 0); // 正则化参数必须大于 0
// 记录输入图像的原始类型（用于最终输出格式还原）
int inputType = p.type();
// 统一转为 32 位浮点型计算（避免 8 位整数运算的精度丢失，保证降噪精度）
Mat I32f, p32f;
if (I.depth() == CV_8U) {
I.convertTo(I32f, CV_32F, 1.0 / 255.0); // 8 位转 32 位浮点，归一化到 0~1 区间
} else {
I32f = I.clone();
}
(p.() == CV_8U) {
p.(p32f, CV_32F, / );
} {
p32f = p.();
}
;
Mat mean_I, mean_p;
(I32f, mean_I, CV_32F, winSize, (, ), , BORDER_REPLICATE);
(p32f, mean_p, CV_32F, winSize, (, ), , BORDER_REPLICATE);
Mat mean_Ip, mean_II;
(I32f.(p32f), mean_Ip, CV_32F, winSize, (, ), , BORDER_REPLICATE);
(I32f.(I32f), mean_II, CV_32F, winSize, (, ), , BORDER_REPLICATE);
Mat cov_Ip = mean_Ip - mean_I.(mean_p);
Mat var_I = mean_II - mean_I.(mean_I);
Mat a = cov_Ip / (var_I + eps);
Mat b = mean_p - a.(mean_I);
Mat mean_a, mean_b;
(a, mean_a, CV_32F, winSize, (, ), , BORDER_REPLICATE);
(b, mean_b, CV_32F, winSize, (, ), , BORDER_REPLICATE);
Mat q32f = mean_a.(I32f) + mean_b;
Mat result;
(inputType == CV_8UC1) {
q32f.(result, CV_8UC1, , );
} (inputType == CV_8UC3) {
q32f.(result, CV_8UC3, , );
} (inputType == CV_32FC1) {
result = q32f.();
} (inputType == CV_32FC3) {
result = q32f.();
} {
cerr << << endl;
();
}
result;
}
{
(!src.());
(src.() == );
vector<Mat> channels;
(src, channels);
( c = ; c < ; ++c) {
channels[c] = (channels[c],
channels[c],
r, eps);
}
Mat dst;
(channels, dst);
dst;
}
{
Mat src = ();
(src.()) {
cerr << << endl;
;
}
r = ;
eps = ;
Mat denoised = (src, r, eps);
(, src);
(, denoised);
cout << << endl;
();
;
}
下面是完整的 Python 代码：
import cv2
import numpy as np
import sys
def guidedFilterForDenoising(I, p, r, eps):
"""
通用引导滤波（保边降噪专用，无耗时优化，精度优先）
Parameters:
I: 引导图（numpy 数组），可以是原图自身（自引导）或其他特征图（异引导）
p: 待滤波的输入图（numpy 数组），需要降噪的图像
r: 滤波窗口半径（降噪核心参数：r 越大，降噪越强，建议 3~15）
eps: 正则化参数（保边核心参数：eps 越小，保边越强；eps 越大，平滑越强，建议 0.001~10）
Returns:
result: 滤波后的降噪图像（numpy 数组），与输入图尺寸、类型一致
Notes:
1. 支持单通道灰度图（uint8/float32）、3 通道彩色图（uint8/float32）
2. 降噪场景建议使用自引导（I=p），既保留边缘又滤除噪声
3. 无任何耗时优化，全程高精度浮点计算，专注降噪效果
"""
# ===================== 1. 输入合法性校验 =====================
if I is None or p is None:
raise ValueError("引导图或输入图不能为空！")
if I.shape != p.shape:
raise ValueError("引导图与输入图尺寸必须一致！")
if r < 1:
raise ValueError("滤波窗口半径 r 必须大于等于 1！")
if eps <= 0:
raise ValueError("正则化参数 eps 必须大于 0！")
# 记录输入图像的原始类型和形状（用于最终输出格式还原）
input_dtype = p.dtype
h, w = p.shape[:2]
is_color = len(p.shape) == 3 and p.shape[2] == 3
# ===================== 2. 统一转为 32 位浮点型计算 =====================
# 8 位 uint 转 32 位 float，归一化到 0~1 区间（避免精度丢失）
if I.dtype == np.uint8:
I32f = I.astype(np.float32) / 255.0
else:
I32f = I.copy().astype(np.float32)
p.dtype == np.uint8:
p32f = p.astype(np.float32) /
:
p32f = p.copy().astype(np.float32)
win_size = ( * r + , * r + )
mean_I = cv2.boxFilter(I32f, cv2.CV_32F, win_size, anchor=(-, -), normalize=, borderType=cv2.BORDER_REPLICATE)
mean_p = cv2.boxFilter(p32f, cv2.CV_32F, win_size, anchor=(-, -), normalize=, borderType=cv2.BORDER_REPLICATE)
I_mul_p = I32f * p32f
I_mul_I = I32f * I32f
mean_Ip = cv2.boxFilter(I_mul_p, cv2.CV_32F, win_size, anchor=(-, -), normalize=, borderType=cv2.BORDER_REPLICATE)
mean_II = cv2.boxFilter(I_mul_I, cv2.CV_32F, win_size, anchor=(-, -), normalize=, borderType=cv2.BORDER_REPLICATE)
cov_Ip = mean_Ip - mean_I * mean_p
var_I = mean_II - mean_I * mean_I
a = cov_Ip / (var_I + eps)
b = mean_p - a * mean_I
mean_a = cv2.boxFilter(a, cv2.CV_32F, win_size, anchor=(-, -), normalize=, borderType=cv2.BORDER_REPLICATE)
mean_b = cv2.boxFilter(b, cv2.CV_32F, win_size, anchor=(-, -), normalize=, borderType=cv2.BORDER_REPLICATE)
q32f = mean_a * I32f + mean_b
input_dtype == np.uint8:
q32f = np.clip(q32f * , , )
result = q32f.astype(np.uint8)
:
result = q32f.astype(input_dtype)
result
():
src :
ValueError()
src.ndim != src.shape[] != :
ValueError()
channels = cv2.split(src)
denoised_channels = []
c channels:
denoised_c = guidedFilterForDenoising(c, c, r, eps)
denoised_channels.append(denoised_c)
dst = cv2.merge(denoised_channels)
dst
():
img_path =
src = cv2.imread(img_path)
src :
(, file=sys.stderr)
-
r =
eps =
denoised = guidedFilterRGBForDenoising(src, r, eps)
cv2.imshow(, src)
cv2.imshow(, denoised)
cv2.imwrite(, denoised)
()
cv2.waitKey()
cv2.destroyAllWindows()
__name__ == :
main()
使用本博文教程中代码去噪结果如下，左图为原图，右图为引导滤波去噪后结果：
本文详细介绍了引导滤波（Guided Filter）的原理与实现方法。文章通过具体示例（3×3 窗口）逐步解析了斜率和截距的计算过程，包括均值、方差及协方差的计算，并演示了如何通过线性模型得到滤波结果。此外，还探讨了窗口系数的物理意义及像素级滤波输出的计算方法，展示了引导滤波在边缘保留和平滑效果上的优势。引导滤波具有线性计算复杂度（O(N)），适用于图像去噪、HDR 压缩、语义分割后处理等场景，是计算机视觉领域的重要滤波技术。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online