版本：Python:2.7.15 OpenCV:2.4.13
导向滤波算法原理
原理可以看博主：白马负金羁 的文章导向滤波(Guided Filter)的解析与实现，对原理解释十分通俗易懂。
导向滤波：
1.实现的伪代码：
导向图像(Guidance Image) I，滤波输出图像(Filtering Input Image) p，均值平滑窗口半径 r，正则化参数 e。
利用导向滤波进行图像平滑处理时，通常令p=I。
2.opencv库代码实现：
其中：guideFilter(）函数调用opencv自带的库函数blur() 进行均值平滑。
def guideFilter(I, p, winSize, eps):
#I的均值平滑
mean_I = cv2.blur(I, winSize)
#p的均值平滑
mean_p = cv2.blur(p, winSize)
#I*I和I*p的均值平滑
mean_II = cv2.blur(I*I, winSize)
mean_Ip = cv2.blur(I*p, winSize)
#方差
var_I = mean_II - mean_I * mean_I #方差公式
#协方差
cov_Ip = mean_Ip - mean_I * mean_p
a = cov_Ip / (var_I + eps)
b = mean_p - a*mean_I
#对a、b进行均值平滑
mean_a = cv2.blur(a, winSize)
mean_b = cv2.blur(b, winSize)
q = mean_a*I + mean_b
return q3.结果对比：
下图采用了r=16也就是winSize=(16,16), eps=0.01的参数大小。
快速导向滤波
通过下采样减少像素点，计算mean_a & mean_b后进行上采样恢复到原有的尺寸大小。
假设缩放比例为s,那么缩小后像素点的个数为N/s^2，那么时间复杂度变为O(N/s^2)
1.实现的伪代码：
fmean代表均值平滑，fsubsample代表图像下采样即缩小图像，fupsample代表图片上采样即放大图像，s为缩小系数。
2.opencv库代码实现：
这里使用opencv自带库函数resize()进行上下采样。
def guideFilter(I, p, winSize, eps, s):
#输入图像的高、宽
h, w = I.shape[:2]
#缩小图像
size = (int(round(w*s)), int(round(h*s)))
small_I = cv2.resize(I, size, interpolation=cv2.INTER_CUBIC)
small_p = cv2.resize(I, size, interpolation=cv2.INTER_CUBIC)
#缩小滑动窗口
X = winSize[0]
small_winSize = (int(round(X*s)), int(round(X*s)))
#I的均值平滑
mean_small_I = cv2.blur(small_I, small_winSize)
#p的均值平滑
mean_small_p = cv2.blur(small_p, small_winSize)
#I*I和I*p的均值平滑
mean_small_II = cv2.blur(small_I*small_I, small_winSize)
mean_small_Ip = cv2.blur(small_I*small_p, small_winSize)
#方差
var_small_I = mean_small_II - mean_small_I * mean_small_I #方差公式
#协方差
cov_small_Ip = mean_small_Ip - mean_small_I * mean_small_p
small_a = cov_small_Ip / (var_small_I + eps)
small_b = mean_small_p - small_a*mean_small_I
#对a、b进行均值平滑
mean_small_a = cv2.blur(small_a, small_winSize)
mean_small_b = cv2.blur(small_b, small_winSize)
#放大
size1 = (w, h)
mean_a = cv2.resize(mean_small_a, size1, interpolation=cv2.INTER_LINEAR)
mean_b = cv2.resize(mean_small_b, size1, interpolation=cv2.INTER_LINEAR)
q = mean_a*I + mean_b
return q3.结果对比：
下图导向滤波采用了r=16也就是winSize=(16,16), eps=0.01的参数大小。
快速导向滤波采用了r=16也就是winSize=(16,16), eps=0.01，s=0.5的参数大小。
从结果上看二者的滤波结果别无二致，但是运行时间有所降低。
代码运行注意
1.输入图像必须归一化
image = cv2.imread(r'C:\Users\1.jpg', cv2.IMREAD_ANYCOLOR)
#将图像归一化
image_0_1 = image/255.02.图像保存问题
导向滤波返回的是灰度值范围在[0,1]之间的图像矩阵，像保存8位图要先乘255，再转换数据类型。
#保存导向滤波结果
gf = gf*255
gf[gf>255] = 255
gf = np.round(gf)
gf = gf.astype(np.uint8)
cv2.imwrite(r'C:\Users\2.jpg', gf)3.关于cv2.resize()函数
cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]]) -> dst
参数说明：
src - 原图
dst - 目标图像。
当参数dsize不为0时，dst的大小为size；否则，它的大小需要根据src的大小，参数fx和fy决定。dst的类型（type）和src图像相同
dsize - 目标图像大小。
当dsize为0时，它可以通过以下公式计算得出：
所以，参数dsize和参数(fx, fy)不能够同时为0
fx - 水平轴上的比例因子。当它为0时，计算公式如下：
fy - 垂直轴上的比例因子。当它为0时，计算公式如下：
interpolation - 插值方法：
１）INTER_NEAREST - 最近邻插值法
２）INTER_LINEAR - 双线性插值法（默认）
３）INTER_AREA - 基于局部像素的重采样（resampling using pixel area relation）。对于图像抽取（image decimation）来说，这可能是一个更好的方法。但如果是放大图像时，它和最近邻法的效果类似。
４）INTER_CUBIC - 基于4x4像素邻域的3次插值法
５）INTER_LANCZOS4 - 基于8x8像素邻域的Lanczos插值
4.多通道处理
本文的两个滤波函数只能对单一通道进行处理，如果是多通道，需要split()函数将原图分为RGB三张图，然后分别进行滤波，然后再用merge()函数将三张图合为一张。
#导向滤波(三通道)
b, g, r = cv2.split(image_0_1)
gf1 = guideFilter(b, b, (16,16), math.pow(0.1,2))
gf2 = guideFilter(g, g, (16,16), math.pow(0.1,2))
gf3 = guideFilter(r, r, (16,16), math.pow(0.1,2))
gf = cv2.merge([gf1, gf2, gf3])5.计算函数运行时间
# time start
t1 = cv2.getTickCount()
"""
代码段落
"""
# time end
t2 = cv2.getTickCount()
#计算执行秒数,利用getTickFrequency()获取时钟频率
t = (t2-t1)/cv2.getTickFrequency()
print t