作者：天兒哥
有了前面的照片處理基礎，這一篇開始講美顔算法。
一、濾波為什麼要保邊？
人像美顔技術中，最重要的技術之一就是磨皮，沒有磨皮誰還敢自拍，誰還敢直播？
磨皮本質上就是對圖像進行濾波，比如前面講的均值濾波，或者高斯濾波，說直白點就是對整張圖檔進行一定程度的模糊。但是僅這麼處理是不夠的，整張圖檔都會模糊掉，是以需要在模糊的同時，保留人像面部的邊界特征，此處的“保留”就是保邊。
二、保邊濾波算法
保邊濾波算法有很多種，我們不一一展開，這裡僅讨論有代表性的“雙邊濾波”，帶大家感性認識保邊濾波的實作思路。其他的保邊濾波算法列在文末，有興趣的讀者可自行研究。
2.1 雙邊濾波原理：參看下面示意圖。
左邊的輸入是一個表面粗糙并且有邊界的圖像，那個階梯表示邊界。
中間的濾波算法是一個高斯模糊 * 範圍的權重，即在高斯模糊的基礎上，保持階梯的突變。
右邊是濾波的結果，圖像的邊界依然存在，沒有被模糊，階梯兩側均進行了平滑的模糊。
聰明的你會發現，其實就是在高斯模糊的同時，根據目前像素周圍的像素資訊，來計算不同的權重，結合權重來模糊。大多數空間濾波的本質都是如此，掌握雙邊濾波一種，其他的也更容易了解。
2.2 結合雙邊濾波的公式加深了解：
假設像素I(i， j)的鄰域半徑為R，鄰域⼤⼩為S，鄰域内的像素為I(k，l)，那麼濾波後的像素值Id的計算公式如下，w(i, j, k,l )是權重函數
其中權重w的計算如下：
σd和σr分别是空間距離、顔色內插補點的方差，exp函數即自然數e的幂。
可以想象，當處理到邊界像素時，像素突變，I(i, j) - I(k,l) 值非常大，Wr ≈ 0，W(i,j,k,l)整體很小，即周圍的像素影響很小，幾乎保留了目前像素的原始值。這就是通過權重，實作了“保邊”。
同理，當I(i, j) - I(k,l) 接近，Wr ≈ 1，則主要展現了高斯模糊Wd的權重，該像素進行了平滑的模糊處理。
處理結果：
三、其他濾波
算法比較枯燥，單篇不适宜大而全，這裡列舉其他常見保邊濾波算法，讀者可自行研究。
1. Surface Blur濾波
Surface Blur濾波又叫表⾯模糊濾波，是Photoshop中的⼀種常⽤濾波算法，也是⼀種空間域濾波算法。
2. Guided濾波算法，論文：
http://mmlab.ie.cuhk.edu.hk/pdf/pami12Guided%20Image%20Filtering.pdf
3. 局部均值濾波算法
局部均值濾波算法是 JONG-SEN LEE于 1980年在論⽂[8]中提出的⼀種基于局部均值⽅差的濾波算法。在普通的均值濾波基礎之上，增加了方差的權重，由于效率高被廣泛應用。
4. Anisotropic濾波
算法原理有點複雜，需要複習多元微積分，熟悉“散度”的定義
Anisotropic濾波也叫各向異性擴散濾波，由Pietro Perona和Jagannatch Malik在1990年發表的論⽂[9]中提出，在圖像去噪中效果明顯。此算法可以在去噪的同時，保留圖像的邊緣，是以，筆者認為此算法也可以作為美顔算法的可選算法之⼀
5. Smart Blur濾波算法
Smart Blur是Photoshop 2018(簡稱PS2018)中出現的⼀種保邊濾波器，具體參考論⽂不詳。
6. MeanShift濾波算法(均值飄移)
MeanShift即均值漂移，最早由Fukunaga在1975年提出，論⽂題⽬為“The Estimation of the Gradient of a density function”。MeanShift濾波算法是⽤MeanShift算法來實作的⼀種圖像保邊濾波算。了解起來有點複雜，算法複雜度較高，感覺不适合實際的應用，且當參考。
本篇沒有給出代碼，後面有時間，我寫一個demo，将算法内置到Android iOS中供讀者參考。
參考：圖像視訊濾鏡與人像美顔