1.介绍
提到导向滤波，首先想到的是“何恺明”，他的确是真大神，在图像领域，是中国人的骄傲，深度学习流行的时候，也是提出各种新算法，比如ResNets，而最近两年，深度学习的发展已经非常缓慢了，更多都是各种组合搭配。回归主题，今天的猪脚是导向滤波，我准备从三篇文章来对它进行简要介绍，导向滤波的应用范围很广泛，比如图像去雾、图像抠图和美颜等。
2.导向滤波
至于导向滤波的原理推导，我就不介绍了，直接把算法流程图抛出来，清晰明了，见下图：
以边缘保留为例：
当输入图片p和导向图I是相同的时候，下面所求协方差，方差是一样的，这样就会出现两种情况
1）当图片区域比较平滑的时候，方差就很小，a值就趋于0了，这个时候，为平滑
2）当图片区域为边缘部分或者跳变比较大的地方，方差就很大，a值就趋于1了，这个时候，为保边
3.快速导向滤波
普通的导向滤波，因为是处理原始大图，速度还是不够快，在算法界，也是讲究“天下武功唯快不破”，那么我们可不可以小图送进去，大图出来了，答案是肯定的，算法流程见下面，这个算法和上面算法的区别主要在于，这里首先来一个下采样（）,后面再来一个上采样（
）
4.基于深度学习的导向滤波
在深度学习算法流行之际，有人就在想，可不可以用神经网络来构建导向滤波呢，当然是可以的，参见论文“Fast End-to-End Trainable Guided Filter”，其实，我发现，现在很多深度学习算法都是模仿传统算法，把以前人工设计部分，直接替换可学习的，这样做的好处是，简单粗暴，鲁棒性又好。整个算法的流程见下，没什么好解释的，有些地方用卷积替换了，整个流程和上面是一样的。
