针对原始全局的引导滤波算法对整幅图像各个区域使用统一的线性模型与相同的规整化因子，从而未能适应图像本身不同区域的纹理特性，提出了基于LoG边缘检测算子改进的加权自适应规整因子。通过在局部窗口内计算LoG幅值响应，对原有的规整化因子进行惩罚来取得对图像平滑区域与边缘区域的自适应，使得在保证降噪效果的前提下进一步突出边缘像素和平坦区域像素之间的差异。对开源医学图像库BrainWeb中不同断层的T1、T2与PD加权图像，共18张图像，添加9％的莱斯噪声作为测试库，并采用结构相似性因子(SSIM)与无参考图像锐化

针对多聚焦图像融合中目标物边缘处产生虚影的问题，提出一种基于引导滤波与改进脉冲耦合神经网络(PCNN)的多聚焦图像融合算法。该算法利用引导滤波器对源图像进行多尺度边缘保持分解，对分解得到的基本图像和细节图像采用不同的引导滤波加权融合策略进行初步融合；将初步融合图作为外部输入激励刺激改进的PCNN模型；根据融合权重图对多幅源图像进行融合，获得最终的融合图像。实验结果表明，与传统融合算法相比，本文方法较好地保留了源图像的边缘、区域边界以及纹理等细节信息，避免了目标物边缘处产生虚影，提高了融合图像的质量。

仅供大家参考

基于暗通道先验的图像去雾处理(DCP_GIF_Dehaze)

Python代码复制成TXT文件，TXT有代码有注释 可运行

为提高立体匹配算法的效果和稳定性, 提出了一种基于色调(H)、饱和度(S)和明度(V)颜色空间的自适应聚合区域的引导滤波算法。结合图片的结构和纹理信息, 通过颜色和横向梯度的相互作用计算初始匹配代价。在HSV颜色空间中运用颜色和距离信息计算每一点的自适应支撑臂长, 解决了图片中红、绿、蓝3种颜色变化趋势相近导致无法有效反映图片信息的问题。自适应聚合区域利用中心点纵向臂上各点的横向臂进行构造, 采用引导滤波的方法在自适应聚合区域内聚合代价空间。为避免中心点邻域信息波动造成支撑窗口过小的问题, 设置了臂长的最小范围。后处理过程采用左右一致性检测结合峰比率检测的方法寻找误匹配点, 通过近邻点匹配和加权中值滤波的方法修正视差图。采用Middlebury平台上的标准图片进行实验, 结果表明所提算法的平均匹配误差为5.24%, 比改进前的自适应窗口算法的匹配误差降低了0.92%, 具有更好的边缘保持效果, 算法参数稳健性较好。

这是基于引导滤波的图像融合matlab源码。下载解压后直接运行。

医学图像处理和分析在对疾病的成像诊断中起到辅助医生确定病变局域的重要作用。但是由于人体的组织密度极其复杂，由于各种不良因素的影响，从而导致医学图像（尤其是X射线医学影像等）普遍存在对比度低、动态范围窄、强度分布不对称、边缘不清晰等问题。针对上述问题，结合医学图像特点和光照估计模型提出一种基于Canny算子加权引导滤波的Retinex（CWGFR）医学图像增强算法。首先，利用Canny边缘检测算子准确估计加权引导滤波器的边缘权重并通.过加权引导滤波器对光照进行估计，从而得到入射光分量；然后根据Retinex算法原理计算出反射光分量，即log域上的增强图像；最后对图像进行量化处理，增强其图像对比度从而得到输出图像。对比实验结果表明，论文算法在提高图像对比度的同时，具有更高的边缘保持特性，能够凸显图像细节信息，有效消除“光晕”伪影。

利用引导滤波进行保留边缘的平滑滤波，其结果和原理在本人的文章里有讲述和展示。此资源用于已转化为灰度图的图像进行保边平滑处理。另有直接用于彩色图像的滤波器函数，也已上传。

针对传统红外与可见光图像融合算法中存在的目标不够突出、背景缺失、边缘信息保留不够充分等问题,提出了一种基于改进引导滤波和双通道脉冲发放皮层模型(DCSCM)的红外与可见光图像融合算法.首先,对源图像进行非降采样Shearlet变换(NSST),得到相应的低频和高频分量.然后,分别采用改进的引导滤波算法和DCSCM 模型对低频、高频分量进行融合.最后,对融合得到的高低频分量进行NSST 逆变换得到最终的融合图像，与其他几种方法进行比较,实验结果表明,本文算法的融合图像目标突出,背景信息丰富,且在图像清晰度、对比度、信息熵等方面均有优势.