2. 双边滤波原理：空间域与值域核、权重计算、数学公式推导

双边滤波这东西，我第一次接触是在做手机HDR拍照算法的时候。当时被噪声和光晕折腾得够呛，后来才发现——嗯，理解清楚它的两个核，很多问题就迎刃而解了。

说白了，双边滤波就是「高斯滤波的升级版」。普通高斯滤波只考虑像素之间的距离，结果边缘也被模糊掉了。双边滤波多了一个心眼——它还看像素值之间的差异。

2.1 空间域核：距离越近，权重越大

空间域核，也叫距离核。它的逻辑很直观：离中心像素越近的邻居，对当前像素的影响越大。

数学上长这样：

G_s(i, j) = exp( - ( (i - cx)² + (j - cy)² ) / (2 * σ_s²) )

其中：

• (cx, cy) 是当前像素坐标
• (i, j) 是邻域像素坐标
• σ_s 是空间标准差，控制空间上的「影响半径」

这个核的形状就是一个标准的高斯钟形曲线。我在项目中习惯把 σ_s 设成 3~5 之间，太小了滤波效果不明显，太大了又容易把细节磨平。

2.2 值域核：差异越大，权重越小

这才是双边滤波的精髓。值域核看的是像素值之间的差异——如果邻居像素和当前像素的亮度差很大，那它的权重就很小。

公式如下：

G_r(p, q) = exp( - ( |I(i, j) - I(cx, cy)|² ) / (2 * σ_r²) )

其中：

• I(i, j) 是邻居像素的亮度值
• I(cx, cy) 是当前像素的亮度值
• σ_r 是值域标准差，控制「多大差异算边缘」

你想想看，如果 σ_r 设得很小，那稍微有点差异的像素就被排除在外了，边缘保留得特别好，但平滑效果就弱。反过来，σ_r 设大了，边缘也开始被模糊。

2.3 权重合成：两个核的乘积

双边滤波的最终权重，就是空间域核和值域核的乘积：

W(i, j) = G_s(i, j) × G_r(p, q)

这个乘积的意义很明确：

• 只有距离近 并且 亮度也接近的像素，才会获得高权重
• 距离近但亮度差异大的像素（比如边缘两侧），权重会被值域核压低
• 亮度接近但距离远的像素，权重会被空间域核压低

最终输出像素的值就是邻域内所有像素的加权平均：

I_filtered(cx, cy) = ( Σ W(i, j) × I(i, j) ) / ( Σ W(i, j) )

分母是归一化因子，保证所有权重之和为 1。

2.4 完整数学公式

把上面所有东西串起来，双边滤波的完整公式就是：

I_filtered(x, y) = (1 / W_p) × Σ_{i=-k}^{k} Σ_{j=-k}^{k} 
    exp( - (i² + j²) / (2σ_s²) ) × 
    exp( - |I(x+i, y+j) - I(x, y)|² / (2σ_r²) ) × 
    I(x+i, y+j)

其中 W_p 是归一化系数：

W_p = Σ_{i=-k}^{k} Σ_{j=-k}^{k} 
    exp( - (i² + j²) / (2σ_s²) ) × 
    exp( - |I(x+i, y+j) - I(x, y)|² / (2σ_r²) )

2.5 参数对比与选择指南

参数	控制内容	设小	设大	我常用的范围
σ_s	空间影响半径	只模糊小区域，噪声残留多	平滑范围大，但细节丢失	3 ~ 5
σ_r	亮度差异容忍度	边缘保留强，平滑弱	平滑强，边缘被模糊	0.05 ~ 0.15（归一化后）
窗口半径	邻域大小	计算快，但滤波不充分	计算慢，可能有光晕	3σ_s 取整

2.6 双边滤波的核心逻辑图

下面这张图展示了双边滤波的完整流程：

2.7 实际应用中的注意事项

我在实际项目中总结了几条经验：

1. σ_r 要跟图像动态范围匹配——8位图用 0.1 左右，HDR 图像得放大到 0.3~0.5
2. 彩色图像要小心——直接在 RGB 三个通道分别做双边滤波，容易产生颜色偏移。我习惯转到 Lab 或 YUV 空间，只在亮度通道做滤波
3. 计算量很大——双边滤波不是线性滤波，没法用 FFT 加速。实时应用要考虑优化方案