3. 边缘保留滤波原理：双边滤波、引导滤波、加权最小二乘滤波
边缘保留滤波，说白了就是「只磨皮，不磨边」。
我在HDR项目里踩过最大的坑，就是直接用高斯滤波做细节分解。结果呢？光晕、伪影、梯度反转全来了。后来才明白——HDR处理的核心，不是把图像变模糊，而是把细节和结构分开。
这一章，我们聊三种最主流的边缘保留滤波方法。它们各有脾气，用对了地方，效果立竿见影。
3.1 双边滤波（Bilateral Filter）
双边滤波的思路很直观：空间近的像素要参考，亮度近的像素也要参考。
传统高斯滤波只考虑空间距离。你想想看，一个边缘两侧的像素，空间上很近，但亮度差很大。高斯滤波会无差别地平均它们，边缘就糊了。
双边滤波多了一个「值域核」——亮度差太大的像素，权重直接砍掉。这样边缘就被保住了。
BF[I]_p = (1/W_p) * Σ G_s(||p-q||) * G_r(|I_p - I_q|) * I_q其中 G_s 是空间高斯核，G_r 是值域高斯核。W_p 是归一化因子。
参数方面，两个σ要调：
| 参数 | 作用 | 我常用的范围 |
|---|---|---|
| σ_space | 空间标准差，控制模糊半径 | 3 ~ 10（像素） |
| σ_range | 值域标准差，控制边缘保留程度 | 0.1 ~ 0.5（归一化后） |
但双边滤波有个硬伤——速度慢。每个像素都要算一个加权平均，窗口一大，计算量爆炸。我在做4K HDR视频时，双边滤波直接跑不动。
3.2 引导滤波（Guided Filter）
引导滤波是我个人最常用的边缘保留滤波方法。它假设：输出图像是引导图像的局部线性变换。
什么意思呢？就是在一个小窗口内，输出像素 = a * 引导像素 + b。a 和 b 是常数，由最小化重建误差算出来。
q_i = a_k * I_i + b_k, ∀i ∈ ω_k其中 I 是引导图像，q 是输出图像，ω_k 是窗口。a_k 和 b_k 通过最小化 E(a_k, b_k) = Σ (a_k * I_i + b_k - p_i)² + ε * a_k² 得到。
引导滤波的好处很明显：
- 速度快——有O(N)的快速实现，比双边滤波快一个数量级
- 无梯度反转——输出不会出现双边滤波那种「伪边缘」
- 引导图像灵活——可以用原图做引导，也可以用其他图像
参数就一个：ε（正则化系数）。它控制边缘保留的敏感度。
| ε 取值 | 效果 | 适用场景 |
|---|---|---|
| ε 很小（如 0.01²） | 边缘保留强，平滑弱 | 细节增强、HDR色调映射 |
| ε 中等（如 0.1²） | 边缘保留适中，平滑明显 | 去噪、基础层提取 |
| ε 很大（如 1.0²） | 接近高斯滤波 | 强平滑、抽象化 |
引导滤波还有一个变体——快速引导滤波。先降采样再上采样，速度能再快 5~10 倍。我在移动端HDR应用里就用这个。
3.3 加权最小二乘滤波（WLS Filter）
WLS 滤波的思路更数学化：把滤波看作一个全局优化问题。
它要最小化一个能量函数：
E(u) = Σ (u_p - f_p)² + λ * Σ w_{p,q}(u_p - u_q)²
第一项是数据保真项，让输出 u 接近输入 f。第二项是平滑项，让相邻像素的差异变小。w_{p,q} 是边缘感知权重——梯度大的地方权重小，边缘就保住了。
WLS 的好处是：平滑效果均匀，没有块状伪影。双边滤波和引导滤波都是局部方法，窗口边缘可能会有不连续。WLS 是全局的，整个图像一起优化。
但代价是——慢。需要解一个大型稀疏线性方程组。虽然可以用多尺度方法加速，但实时还是吃力。
| 方法 | 速度 | 边缘保留质量 | 无伪影 | 参数数量 |
|---|---|---|---|---|
| 双边滤波 | 慢 | 好 | 有梯度反转风险 | 2（σ_space, σ_range） |
| 引导滤波 | 快 | 好 | 无梯度反转 | 1（ε） |
| WLS 滤波 | 较慢 | 优秀 | 无块状伪影 | 2（λ, 权重参数） |
3.4 三种方法的对比与选择
我总结了一张图，帮你快速决策：
我个人在实际项目中的选择原则：
- 实时系统（手机、相机预览）→ 引导滤波（快速版）
- 离线高质量（电影后期、专业HDR）→ WLS 滤波
- 快速原型验证 → 双边滤波（参数直观，好调）