本文共 8750 字，大约阅读时间需要 29 分钟。

导向滤波之图像融合（C++版） Image Fusion with Guided Filtering

本次代码效果图。

关于这篇IEEE上高被引的论文的算法还原工作如下：

首先关于这篇论文的思路分析，就是通过各种滤波之间的组合，筛选出两张图中各自细节丰富的那一部分，从而经行不同权值的融合，实现双重曝光的融合。如下图所示分为ABC三个步骤。 下面按照步骤经行详细操作： 首先A步： 一、对原图I1和I2进行均值滤波，由此得到基层（Base layer） B1和B2。 二、用原图I1和I2减去基层B1和B2得到细节层（Detali layer）D1和D2。 三、对原图I1和I2进行拉普拉斯滤波，由此得到显著分布图（Saliency map）S1和S2。 四、对S1和S2的每个像素点比较，选出对应像素点最大值得到S_max。 五、用S1和S2分别和S_max经行比较，若相等则为1，不等则为0，得到权重分布图（Weight map）P1和P2。 六、用原图I为导向，权重图P为被引导图，进行导向滤波，第一次滤波核为9，正则化参数为0.03，得到提炼的权重分布图（Refined weight mapWb1和Wb2），第二次滤波核为5，正则化参数为0.003，得到提炼的权重分布图（Refined weight mapWd1和Wd2） 七、将Wb1和Wb2相加得到Wb_max，Wd1和Wd2相加得到Wd_max。再将他们全部除以Wb_max得到归一化的Wb1、Wb2、Wd1、Wd2。 八、B1 x Wb1+ B2 x Wb2得到B_bar，D1 x Wd1+ D2 x Wd2得到D_bar 九、输出图像九等于B_bar+D_bar。 输出图像和原图像比较： 代码先不说，这篇论文我也是给予很高的厚望，但是最后发现，这种方法对于曝光度差别很大的图片效果很不错，但是一旦曝光度差异不大，那么就会出现亮区暗区过渡区间的色彩严重失真。影响观感。最后我仔细端详论文中这两幅图我发现，高曝光那个图，周围的颜色很单一，就是墙的颜色，低曝光那个图中间看似色彩丰富，但是恰恰这一点，让你发现不了里面的是真，妙啊真的妙。 后我自己尝试使用提取图像的光照分量，对光照分量进行单独的引导滤波融合后再与原来的图像融合。细节存在，但是颜色失真。想法失败。

#include
   
    #include 
    
     #include
     
      using namespace std;using namespace cv;//--------------------------------------------------------------//函数名：guidedFilter_oneChannel//函数功能：用于单通道图像（灰度图）的引导滤波函数；//参数：Mat srcImg：输入图像，为单通道图像；//参数：Mat guideImg：引导图像，为单通道图像，尺寸与输入图像一致；//参数：Mat dstImg：输出图像，尺寸、通道数与输入图像吻合；//参数：const int rad：滤波器大小，应该保证为奇数，默认值为9；//参数：const double eps ：防止a过大的正则化参数，bool guidedFilter_oneChannel(Mat srcImg, Mat guideImg, Mat dstImg, const int rad = 9, const double eps = 0.01){
   	//--------------确保输入参数正确-----------	{
   		if (!srcImg.data || srcImg.channels() != 1)		{
   			cout << "输入图像错误，请重新输入图像" << endl;			return false;		}		if (!guideImg.data || guideImg.channels() != 1)		{
   			cout << "输入引导图像错误，请重新输入图像" << endl;			return false;		}		if (guideImg.cols != srcImg.cols || guideImg.rows != srcImg.rows)		{
   			cout << "输入图像与引导图像尺寸不匹配，请重新确认" << endl;			return false;		}		if (dstImg.cols != srcImg.cols || dstImg.rows != srcImg.rows || dstImg.channels() != 1)		{
   			cout << "参数输出图像错误，请重新确认" << endl;			return false;		}		if (rad % 2 != 1)		{
   			cout << "参数“rad”应为奇数，请修改" << endl;			return false;		}	}	//--------------转换数值类型，并归一化-------------	srcImg.convertTo(srcImg, CV_32FC1, 1.0 / 255.0);	guideImg.convertTo(guideImg, CV_32FC1, 1.0 / 255.0);	//--------------求引导图像和输入图像的均值图	Mat mean_srcImg, mean_guideImg;	boxFilter(srcImg, mean_srcImg, CV_32FC1, Size(rad, rad));	boxFilter(guideImg, mean_guideImg, CV_32FC1, Size(rad, rad));	Mat mean_guideImg_square, mean_guideImg_srcImg;	boxFilter(guideImg.mul(guideImg), mean_guideImg_square, CV_32FC1, Size(rad, rad));	boxFilter(guideImg.mul(srcImg), mean_guideImg_srcImg, CV_32FC1, Size(rad, rad));	Mat var_guideImg = mean_guideImg_square - mean_guideImg.mul(mean_guideImg);	Mat cov_guideImg_srcImg = mean_guideImg_srcImg - mean_guideImg.mul(mean_srcImg);	Mat aImg = cov_guideImg_srcImg / (var_guideImg + eps);	Mat bImg = mean_srcImg - aImg.mul(mean_guideImg);	Mat mean_aImg, mean_bImg;	boxFilter(aImg, mean_aImg, CV_32FC1, Size(rad, rad));	boxFilter(bImg, mean_bImg, CV_32FC1, Size(rad, rad));	dstImg = (mean_aImg.mul(guideImg) + mean_bImg);	//dstImg.convertTo(dstImg, CV_8UC1, 255);//加这句最后返回的是CV_8UC1的图像	return true;}//--------------------------------------------------------------//函数名：guidedFilter_threeChannel//函数功能：用于三通道图像（RGB彩色图）的引导滤波函数；//参数：Mat srcImg：输入图像，为三通道图像；//参数：Mat guideImg：引导图像，为三通道图像，尺寸与输入图像一致；//参数：Mat dstImg：输出图像，尺寸、通道数与输入图像吻合；//参数：const int rad：滤波器大小，应该保证为奇数，默认值为9；//参数：const double eps ：防止a过大的正则化参数，bool guidedFilter_threeChannel(Mat srcImg, Mat guideImg, Mat dstImg, const int rad = 9, const double eps = 0.01){
   	//----------------确保输入参数正确-------------	{
   		if (!srcImg.data || srcImg.channels() != 3)		{
   			cout << "输入图像错误，请重新输入图像" << endl;			return false;		}		if (!guideImg.data || guideImg.channels() != 3)		{
   			cout << "输入引导图像错误，请重新输入图像" << endl;			return false;		}		if (guideImg.cols != srcImg.cols || guideImg.rows != srcImg.rows)		{
   			cout << "输入图像与引导图像尺寸不匹配，请重新确认" << endl;			return false;		}		if (rad % 2 != 1)		{
   			cout << "参数“rad”应为奇数，请修改" << endl;			return false;		}	}	vector
      
        src_vec, guide_vec, dst_vec;	split(srcImg, src_vec);	split(guideImg, guide_vec);	for (int i = 0; i < 3; i++)	{
   		Mat tempImg = Mat::zeros(srcImg.rows, srcImg.cols, CV_32FC1);		guidedFilter_oneChannel(src_vec[i], guide_vec[i], tempImg, rad, eps);		dst_vec.push_back(tempImg);	}	merge(dst_vec, dstImg);	return true;}//根据2013年论文"Image Fusion with Guided Filtering"引导滤波的图像融合//double_exposure_HDR//函数名：double_exposure_HDR//函数功能：用于同一场景的不同曝光融合//参数：Mat Mat I1：输入的短曝光图像光照分量//参数：Mat Mat I2：输入的长曝光图像光照分量//返回：Mat 融合图像Mat double_exposure_HDR(Mat I1, Mat I2){
   	//论文中的A步Two-Scale Image Decomposition（双尺度分解）****************************************************	Mat B1, B2;	//average filtering得到基础层base layer	blur(I1, B1, Size(3,3));	blur(I2, B2, Size(3,3));	//imshow("短曝光基础层", B1);	//imshow("长曝光基础层", B2);	//相减得到细节层detail layer	Mat D1, D2;	D1 = I1 - B1;	D2 = I2 - B2;	//imshow("短曝光细节层", D1);	//imshow("长曝光细节层", D2);	//论文中的B步Weight Map Construction With Guided Filtering（构建权重图）*********************************	Mat H1;	Mat	H2;	//对原图来一次拉普拉斯滤波	Laplacian(I1, H1,0.3);	Laplacian(I2, H2,0.3);	//排除负值	H1 = abs(H1);	H2 = abs(H2);	//imshow("短曝光拉普拉斯滤波", H1);	//imshow("长曝光拉普拉斯滤波", H2);	//高斯滤波一次	Mat S1, S2;	GaussianBlur(H1, S1, Size(11, 11), 9);	GaussianBlur(H2, S2, Size(11, 11), 9);	//imshow("短曝光显著像素分布图Saliency map", S1);	//imshow("长曝光显著像素分布图Saliency map", S2);	//再去根据论文的像素显著性 和 空间连续性 求权重图 P1  P2	Mat P1;	Mat P2;	P1 = Mat(I1.rows, I1.cols, CV_8UC3);	P2 = Mat(I1.rows, I1.cols, CV_8UC3);	//再求之前要求一个总的显著分布图s_max	Mat S_max;	S_max = Mat(I1.rows, I1.cols, CV_8UC3);	for (int k = 0; k < I1.channels(); k++) 	{
   		for (int j = 0; j < I1.cols; j++)		{
   			for (int i = 0; i < I1.rows; i++)			{
   				S_max.at
       
        (i, j)[k] = ((S1.at
        
         (i, j)[k] > S2.at
         
          (i, j)[k]) ? S1.at
          
           (i, j)[k] : S2.at
           
            (i, j)[k]); } } } //imshow("最大显著分布图", S_max); //下面求那两个权重分布图P1,P2 for (int k = 0; k < I1.channels(); k++) { for (int j = 0; j < I1.cols; j++) { for (int i = 0; i < I1.rows; i++) { P1.at
            
             (i, j)[k] = (S1.at
             
              (i, j)[k] == S_max.at
              
               (i, j)[k]) ? 1 : 0; P2.at
               
                (i, j)[k]= (S2.at
                
                 (i, j)[k] == S_max.at
                 
                  (i, j)[k]) ? 1 : 0; } } } //imshow("短曝光权重分布图weight map", P1*255);//乘以255是为了可视化，白色代表1黑色代表0 //imshow("长曝光权重分布图weight map", P2*255);//乘以255是为了可视化，白色代表1黑色代表0 //这样我们就得到了关于各个源图像的粗略权重值。 //但是由于多个图像间容易产生噪声，并可能存在不完全对齐等问题，很容易造成融合后的图像有伪影等。 //因此在基于空间连续性的思想下，需要对得到的权重图进行导向滤波。 Mat Wb1, Wb2; Wb1 = Mat(I1.rows, I1.cols, CV_32FC3); Wb2 = Mat(I1.rows, I1.cols, CV_32FC3); guidedFilter_threeChannel(P1, I1, Wb1,9, 0.03); guidedFilter_threeChannel(P2, I2, Wb2,9, 0.03); //imshow("短曝光提炼权重分布图refined weight map Wb1", Wb1*255);//乘以255是为了可视化 //imshow("长曝光提炼权重分布图redined weight map Wb2", Wb2*255);//乘以255是为了可视化 Mat Wd1, Wd2; Wd1 = Mat(I1.rows, I1.cols, CV_32FC3); Wd2 = Mat(I1.rows, I1.cols, CV_32FC3); guidedFilter_threeChannel(P1, I1, Wd1, 5, 0.003); guidedFilter_threeChannel(P2, I2, Wd2, 5, 0.003); //imshow("短曝光提炼权重分布图refined weight map Wd1", Wd1*255);//乘以255是为了可视化 //imshow("长曝光提炼权重分布图redined weight map Wd2", Wd2*255);//乘以255是为了可视化 //得到A步骤中四个图对应的四个权重图 //论文中的C步Two-Scale Image Reconstruction（融合重建）**************************************************** Mat Wb_max, Wd_max; Wb_max = Mat(I1.rows, I1.cols, CV_32FC3); Wd_max = Mat(I1.rows, I1.cols, CV_32FC3); Wb_max = Wb1 + Wb2; Wd_max = Wd1 + Wd2; //归一化 for (int k = 0; k < I1.channels(); k++) { for (int j = 0; j < I1.cols; j++) { for (int i = 0; i < I1.rows; i++) { Wb1.at
                  
                   (i, j)[k] /= Wb_max.at
                   
                    (i, j)[k]; Wb2.at
                    
                     (i, j)[k] /= Wb_max.at
                     
                      (i, j)[k]; Wd1.at
                      
                       (i, j)[k] /= Wd_max.at
                       
                        (i, j)[k]; Wd2.at
                        
                         (i, j)[k] /= Wd_max.at
                         
                          (i, j)[k]; } } } //imshow("归一化短曝光提炼权重分布图Wb1", Wb1*255); //imshow("归一化长曝光提炼权重分布图Wb2", Wb2*255); //imshow("归一化短曝光提炼权重分布图Wd1", Wd1*255); //imshow("归一化长曝光提炼权重分布图Wd2", Wd2*255); Mat B_bar, D_bar; B_bar = Mat(I1.rows, I1.cols, CV_8UC3); D_bar = Mat(I1.rows, I1.cols, CV_8UC3); for (int k = 0; k < I1.channels(); k++) { for (int j = 0; j < I1.cols; j++) { for (int i = 0; i < I1.rows; i++) { B_bar.at
                          
                           (i, j)[k] = B1.at
                           
                            (i, j)[k] * Wb1.at
                            
                             (i, j)[k] + B2.at
                             
                              (i, j)[k] * Wb2.at
                              
                               (i, j)[k]; D_bar.at
                               
                                (i, j)[k] = D1.at
                                
                                 (i, j)[k] * Wd1.at
                                 
                                  (i, j)[k] + D2.at
                                  
                                   (i, j)[k] * Wd2.at
                                   
                                    (i, j)[k]; } } } //融合输出 Mat out; out = B_bar + D_bar; //imshow("B_bar", B_bar); //imshow("D_bar", D_bar); return out;}int main() { Mat src_UE = imread("C:\\Users\\hl\\Desktop\\I1.jpg", IMREAD_COLOR); Mat src_OE = imread("C:\\Users\\hl\\Desktop\\I2.jpg", IMREAD_COLOR); Mat out; out=double_exposure_HDR(src_UE,src_OE); imshow("过曝光", src_OE); imshow("欠曝光", src_UE); imshow("引导滤波后", out); waitKey(); return 0;}
                                   
                                  
                                 
                                
                               
                              
                             
                            
                           
                          
                         
                        
                       
                      
                     
                    
                   
                  
                 
                
               
              
             
            
           
          
         
        
       
      
     
    
   

https://blog.csdn.net/u013921430/article/details/99695647

声明：关于导向滤波C++函数模块部分借鉴了不用先生 2019-08-18 10:28:05的一篇【图像处理】引导滤波（guided image filtering）