何愷明讀博士提出基於暗通道採用引導濾波去霧演算法獲CVPR2009最佳論文，現在應用面很廣、很廣；能夠克服雙邊濾波的梯度翻轉現象，在濾波後影像的細節上更優，主要美顏演算法差不多都用這個。
先貼虛擬碼：

實現的話可以採用積分圖加速。

線性濾波器

其中I是引導影像,P是輸入的待濾波影像,W是根據引導圖I確定的權重值,Q是濾波後的輸出影像。

1、如果權重W與引導圖無關，那便是一個常量，比如高斯濾波那種，這種我們相對就特別好理解。
2、如果權重與引導圖相關，我們的影像就會受到引導圖影響，比如雙邊濾波中，我們採用和中心畫素差值作為引導，但這嚴格上還算不上引導圖。只能只能時有影響，有引導。

權重確定：

${\mu }_k$是視窗內畫素點的均值，$I_i$指位於視窗中心的畫素值，$I_j$指視窗內j位置的畫素點的值，${\sigma }_k^2$代表視窗內畫素點的方差，ε是一個懲罰值。

$(I_i-{\mu }_k)(I_j-{\mu }_k)$這一項表明，如果中心畫素值$I_i$小於均值時，$I_j$如果約大於均值，該項值就是負值，權重1+（-0.幾）就會越小

ε懲罰項的值越大，則分母越大，引導圖對影像的影響就越小，極端情況（比如正無窮），$W_{ij}$就將退化為$1/w^2$，這個$w$呢，實際上就是視窗邊長，也就是說極端情況下會退化為均值濾波器

但是，實際上我們不用搞得太複雜，我們直接假設該點輸出值和該點引導圖的值是線性關係：

然後我們採用最小二乘去估計出$a_k、b_k$兩個係數即可：


a的分子為I和P的協方差，分母部分為I的方差加上截斷值ε，b的值為P的均值減去a乘以I的均值。可以看出當a值很小時，b約等於視窗內畫素點的均值pk，近似於均值濾波。而當a值很大時，輸出則主要取決於a*▽I的大小，梯度資訊能夠得到保留。

更多詳細參考：【拜小白opencv】33-平滑處理6——引導濾波/導向濾波（Guided Filter）