Python OpenCV实现图片美颜：双边滤波原理与代码解析

效果展示

效果展示

接下来直接提供实现代码：

import cv2 as cv

source = cv.imread("zhaopian.jpg")
dst = cv.bilateralFilter(src=source, d=0, sigmaColor=30, sigmaSpace=15)

cv.imshow("source", source)
cv.imshow("dst", dst)

cv.waitKey()
cv.destroyAllWindows()

关于效果展示的部分到此结束，若对背后的算法原理感兴趣，请继续阅读后续内容；若仅关注结果，可提前结束阅读。

双边滤波算法原理

双边滤波算法原理

前文展示的美颜效果，实际上调用了OpenCV库中的双边滤波器，这是一种专门用于图像降噪的处理算法。

双边滤波（Bilateral filter）属于非线性滤波范畴，其核心基础源自高斯滤波。

此前文章曾提及，传统高斯滤波在平滑图像时不可避免地会导致边缘模糊，这是由其滤波机制决定的固有缺陷。

双边滤波在此基础上进行了改进，它结合了图像的空间邻近度（Domain）和像素值相似度（Range），通过综合考量这两方面信息，在降噪的同时有效保留图像边缘细节。

通俗来说，双边滤波在计算过程中，不仅评估周围像素与中心像素的数值差异，还计算它们之间的空间距离，以此确定每个像素对中心点的影响权重。

例如在普通图像区域，相邻像素颜色通常相近；而在图像边缘区域，相邻像素的颜色变化往往非常剧烈。

传统高斯滤波因未考虑边缘区域的特性，导致处理后边缘模糊；而双边滤波通过计算像素值差值并引入空间距离因子，能够识别并保留边缘，从而实现保边降噪的效果。

具体数学推导如下：

希望读者具备一定的高中数学基础，以便理解后续公式。

双边滤波算法主要包含两个部分：一是颜色值的相似度计算（值域核），公式如下：

$$ r(i, j, k, l) = exp( - \frac{||f(i, j) − f(k, l)||2}{2{\sigma2_r}} ) $$

二是空间距离的相似度计算（空域核），即距离越近相似度越高，公式如下：

$$ d(i, j, k, l)=exp( - \frac{(i−k)^2 + (j−l)2}{2{\sigma2_d}}) $$

上述逻辑较为直观，请勿被复杂的符号所困扰。

其中，(i, j) 表示待处理像素的坐标，(k, l) 表示该像素邻域内可能影响其值的像素坐标。

最终的权重系数 w(i,j,k,l) 由空域核与值域核相乘得到，公式如下：

$$ w(i,j,k,l)=d(i,j,k,l) ∗ r(i,j,k,l) = exp( - \frac{(i−k)^2 + (j−l)2}{2{\sigma2_d}} - \frac{||f(i, j) − f(k, l)||2}{2{\sigma2_r}}) $$

下图为经典的双边滤波原理示意图：

从图中可以看出，在图（b）的空域核中，每个像素的权重符合高斯分布；而在图（c）的值域核中，由于像素取值差异较大，不同颜色的权重系数差异显著。经过双边滤波处理后，边缘两侧的像素点保留了原有的色彩值，实现了边缘保护。

函数参数详解

接下来查看双边滤波函数的具体定义：

def bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)

• src：输入的原图像。
• d：定义像素邻域的直径。若该值设为非正数，OpenCV 将自动从第五个参数 sigmaSpace 计算得出。
• sigmaColor：颜色空间滤波器的 $\sigma$ 值。该参数值越大，表示像素邻域内有更宽广的颜色范围会被混合，从而产生较大的颜色均匀区域。
• sigmaSpace：坐标空间中滤波器的 $\sigma$ 值，即坐标空间的标注方差。该数值越大，意味着越远的像素会相互影响，从而使更大区域内颜色相似的像素获得相同的颜色。当 d > 0 时，d 指定了邻域大小且与 sigmaSpace 无关；否则，d 与 sigmaSpace 成正比。实际使用中，发现该值越大，图像的过渡效果越平滑。

此处省略完整源代码，实际实现仅需调用上述一行核心代码。希望读者在掌握双边滤波可用于图像美颜的同时，也能深入理解其背后的算法原理。

本文的全部内容介绍完毕，希望对各位的学习有所帮助，欢迎继续支持本站。