2. 传统散景算法

聊到手机人像模式的散景效果，很多人第一反应就是「把背景糊掉」。但怎么糊、糊到什么程度、边缘怎么处理，这里面门道可不少。今天我们就从最基础的三种传统算法说起。

这三种算法，说白了就是三种不同的「模糊策略」。我当年刚入行时，觉得高斯模糊就够了，后来被项目里的边缘光晕问题狠狠教育了一回。嗯，咱们一个一个来看。

2.1 高斯模糊：最朴素的模糊

高斯模糊是所有模糊算法的起点。它的核心思想很简单：每个像素的值，由它周围像素的加权平均决定。权重分布服从高斯函数，离中心越近权重越大。

G(x, y) = (1 / (2πσ²)) * exp(-(x² + y²) / (2σ²))

我在项目中遇到过一个问题：用高斯模糊做背景虚化，结果人物边缘出现了一圈「光晕」。为什么？因为高斯模糊不考虑深度信息，它把前景和背景的像素混在一起了。

2.2 双边滤波：边缘保护的模糊

高斯模糊的痛点在于「一视同仁」。双边滤波加了一个「颜色权重」——像素值差异大的地方，权重就小。这样，边缘就被保留下来了。

公式长这样：

BF[I]_p = (1/W_p) * Σ G_s(||p - q||) * G_r(|I_p - I_q|) * I_q

其中 G_s 是空间权重，G_r 是颜色权重。两个权重相乘，就是双边滤波的核心。

我曾经在一个人像分割项目里用双边滤波做后处理，效果确实比高斯模糊好很多。但有个坑——参数调起来很麻烦。

2.3 导向滤波：计算效率与质量的平衡

双边滤波有个硬伤——计算量太大。你想想看，每个像素都要算颜色权重，实时处理根本扛不住。导向滤波就是来解决这个问题的。

导向滤波的核心假设是：输出图像和导向图像之间存在局部线性关系。说白了，就是在一个小窗口内，输出是导向图的仿射变换。

q_i = a_k * I_i + b_k,  ∀i ∈ ω_k

我个人特别喜欢导向滤波的一点是：它可以用导向图来控制边缘保留的程度。比如用人像分割的置信度图做导向，就能实现「前景锐利、背景模糊」的效果。

2.4 三种算法的对比与选择

你可能会问：那我到底该用哪个？我的建议是：

• 高斯模糊：适合做预处理，比如降噪、下采样前的平滑。别用它做散景，效果太假。
• 双边滤波：适合离线处理，或者对边缘质量要求极高的场景。注意控制参数，别让边缘崩了。
• 导向滤波：适合实时系统，尤其是你有深度图或置信度图的时候。我现在的项目基本都用它。

2.5 知识体系总览

下面这张图帮你理清三种算法的关系：

2.6 代码实现要点

最后，给你一个简单的实现思路。以 Python 为例：

# 高斯模糊
import cv2
img = cv2.imread('portrait.jpg')
gaussian = cv2.GaussianBlur(img, (15, 15), 5.0)

# 双边滤波
bilateral = cv2.bilateralFilter(img, d=9, sigmaColor=30, sigmaSpace=10)

# 导向滤波（使用 OpenCV 的引导滤波实现）
import numpy as np
def guided_filter(I, p, r, eps):
    # I: 导向图, p: 输入图, r: 窗口半径, eps: 正则化参数
    mean_I = cv2.boxFilter(I, cv2.CV_64F, (r, r))
    mean_p = cv2.boxFilter(p, cv2.CV_64F, (r, r))
    corr_I = cv2.boxFilter(I*I, cv2.CV_64F, (r, r))
    corr_Ip = cv2.boxFilter(I*p, cv2.CV_64F, (r, r))
    var_I = corr_I - mean_I*mean_I
    cov_Ip = corr_Ip - mean_I*mean_p
    a = cov_Ip / (var_I + eps)
    b = mean_p - a*mean_I
    mean_a = cv2.boxFilter(a, cv2.CV_64F, (r, r))
    mean_b = cv2.boxFilter(b, cv2.CV_64F, (r, r))
    return mean_a*I + mean_b

guided = guided_filter(img.astype(np.float64)/255.0, 
                       img.astype(np.float64)/255.0, r=8, eps=0.01)