双边滤波（Bilateral Filtering）是一种图像处理技术，主要用于图像的平滑或去噪，同时保留边缘细节。它结合了空间邻近度（space proximity）和像素值相似度（pixel value similarity）两个因素来对图像中的每个像素进行加权平均。
主要特点
保留边缘：与传统的高斯模糊不同，双边滤波能够在去除噪声的同时较好地保留图像中的边缘。
平滑处理：适用于需要保留细节但减少噪声的应用场景，如图像美化、纹理分析等。
工作原理
空间高斯权重：考虑像素之间的空间距离，距离越近权重越高。
值域高斯权重：考虑像素值的差异，值越接近权重越高。
应用场景
图像去噪：在不破坏边缘的情况下减少图像噪声。
图像美化：用于创建"油画"效果或其他艺术风格的效果。
预处理步骤：作为后续图像处理任务（如分割、特征提取等）前的预处理步骤。
参数说明
d: 直径范围内的像素，通常为正奇数。
sigmaColor: 颜色空间中的标准差，控制颜色相似度的影响。
sigmaSpace: 坐标空间中的标准差，控制空间邻近度的影响
-
动态计算参数：dynamic_sigma 函数计算掩膜图像的标准差，并基于此动态设置 sigmaColor 和 sigmaSpace 参数。
-
读取与检查图像：从文件读取灰度掩膜图像，并确保图像已成功加载。
-
初始化计数器：初始化 FPS 计数器以测量处理速度。
-
应用双边滤波：使用动态计算的参数对掩膜进行双边滤波。
-
显示图像：分别显示原始掩膜和处理后的掩膜。
-
计算 FPS：计算处理图像所用的时间并显示 FPS。
-
添加 FPS 文本：在处理后的图像上添加 FPS 值。
-
保存结果：将平滑后的掩膜图像保存到文件。
import cv2
import numpy as npdef dynamic_sigma(mask):
# 计算掩膜的标准差
std_dev = np.std(mask)# 设置 sigmaColor，基于标准差的动态调整 sigmaColor = std_dev * 20 # 可根据需要调整乘数 # 设置 sigmaSpace，基于图像尺寸的动态调整 height, width = mask.shape sigmaSpace = min(height, width) / 20 # 可根据需要调整分母 return int(sigmaColor), int(sigmaSpace)读取掩膜图像
mask = cv2.imread('smoothed_image.png', cv2.IMREAD_GRAYSCALE)
检查图像是否成功加载
if mask is None:
raise ValueError("Image not found or unable to load.")初始化 FPS 计数器
fps = 0
frame_count = 0
start_time = cv2.getTickCount()动态计算 sigmaColor 和 sigmaSpace
sigmaColor, sigmaSpace = dynamic_sigma(mask)
应用双边滤波
smoothed_mask = cv2.bilateralFilter(mask, d=7, sigmaColor=sigmaColor, sigmaSpace=sigmaSpace)
显示原始掩膜和处理后的掩膜
cv2.imshow('Original Mask', mask)
cv2.imshow('Smoothed Mask', smoothed_mask)计算 FPS
end_time = cv2.getTickCount()
time_elapsed = (end_time - start_time) / cv2.getTickFrequency()
fps = 1.0 / time_elapsed在图像上显示 FPS
font = cv2.FONT_HERSHEY_SIMPLEX
cv2.putText(smoothed_mask, f'FPS: {fps:.2f}', (10, 30), font, 1, (255, 255, 255), 2, cv2.LINE_AA)显示带有 FPS 的平滑掩膜
cv2.imshow('Smoothed Mask with FPS', smoothed_mask)
保存平滑后的掩膜
cv2.imwrite('smoothed_mask.png', smoothed_mask)
等待键盘事件并关闭窗口
cv2.waitKey(0)
cv2.destroyAllWindows()