OpenCV: 滤镜 - OpenCV 计算机视觉库

枚举值 (Enumerator)
DTF_NC Python: cv.ximgproc.DTF_NC
DTF_IC Python: cv.ximgproc.DTF_IC
DTF_RF Python: cv.ximgproc.DTF_RF
GUIDED_FILTER Python: cv.ximgproc.GUIDED_FILTER
AM_FILTER Python: cv.ximgproc.AM_FILTER

函数文档 (Function Documentation)

◆ amFilter()

void cv::ximgproc::amFilter	(	InputArray	联合,
		InputArray	src,
		OutputArray	dst,
		double	sigma_s,
		double	sigma_r,
		bool	adjust_outliers = false )

Python
	cv.ximgproc.amFilter(	joint, src, sigma_s, sigma_r[, dst[, adjust_outliers]]	) ->	dst

简单的单行自适应流形滤波器 (Adaptive Manifold Filter) 调用。

参数

联合	联合（也称为引导）图像或具有任意数量通道的图像数组。
src	具有任意数量通道的过滤图像。
dst	输出图像。
sigma_s	空间标准差。
sigma_r	颜色空间标准差，类似于 bilateralFilter 中颜色空间中的 sigma。
adjust_outliers	可选，指定是否执行异常值调整操作（原始论文中的公式9）。

注意: 深度为 CV_8U 和 CV_16U 的联合图像在处理前转换为深度为 CV_32F 且颜色范围为 [0; 1] 的图像。因此，颜色空间 sigma sigma_r 必须在 [0; 1] 范围内，与 bilateralFilter 和 dtFilter 函数中的相同 sigma 不同。

另请参阅: bilateralFilter, dtFilter, guidedFilter

◆ bilateralTextureFilter()

void cv::ximgproc::bilateralTextureFilter	(	InputArray	src,
		OutputArray	dst,
		int	fr = 3,
		int	numIter = 1,
		double	sigmaAlpha = -1.,
		double	sigmaAvg = -1. )

Python
	cv.ximgproc.bilateralTextureFilter(	src[, dst[, fr[, numIter[, sigmaAlpha[, sigmaAvg]]]]]	) ->	dst

对图像应用双边纹理滤镜。它执行结构保留纹理滤镜。有关此滤镜的更多详细信息，请参阅[59]。

参数

src	深度为8位无符号整型或32位浮点型的源图像
dst	与源图像大小和类型相同的目标图像。
fr	用于过滤的内核半径。应为正整数
numIter	算法迭代次数，应为正整数
sigmaAlpha	控制从边缘到平滑/纹理区域的权重转换的锐度，值越大表示转换越锐利。当值为负时，它会自动计算。
sigmaAvg	用于纹理模糊的范围模糊参数。值越大，结果越模糊。当值为负时，它会按论文所述自动计算。

另请参阅: rollingGuidanceFilter, bilateralFilter

◆ colorMatchTemplate()

void cv::ximgproc::colorMatchTemplate	(	InputArray	img,
		InputArray	模板,
		OutputArray	result )

Python
	cv.ximgproc.colorMatchTemplate(	img, templ[, result]	) ->	result

将彩色模板与重叠的彩色图像区域进行比较。

参数

img	正在搜索的图像。它必须是3通道图像
模板	搜索到的模板。它必须不大于源图像且具有3个通道
result	比较结果图。它必须是单通道64位浮点型

◆ computeBadPixelPercent()

double cv::ximgproc::computeBadPixelPercent	(	InputArray	地面实况,
		InputArray	src,
		Rect	ROI,
		int	thresh = 24 )

Python
	cv.ximgproc.computeBadPixelPercent(	GT, src, ROI[, thresh]	) ->	retval

用于计算视差图中“坏”像素百分比的函数（误差高于指定阈值的像素）

参数

地面实况	地面实况视差图
src	要评估的视差图
ROI	感兴趣区域
thresh	用于确定“坏”像素的阈值

返回: 返回GT和src之间的均方误差

◆ computeMSE()

double cv::ximgproc::computeMSE	(	InputArray	地面实况,
		InputArray	src,
		Rect	ROI )

Python
	cv.ximgproc.computeMSE(	GT, src, ROI	) ->	retval

计算视差图的均方误差的函数。

参数

地面实况	地面实况视差图
src	要评估的视差图
ROI	感兴趣区域

返回: 返回GT和src之间的均方误差

◆ createAMFilter()

Ptr< AdaptiveManifoldFilter > cv::ximgproc::createAMFilter	(	double	sigma_s,
		double	sigma_r,
		bool	adjust_outliers = false )

Python
	cv.ximgproc.createAMFilter(	sigma_s, sigma_r[, adjust_outliers]	) ->	retval

工厂方法，创建AdaptiveManifoldFilter实例并执行一些初始化例程。

参数

sigma_s	空间标准差。
sigma_r	颜色空间标准差，类似于 bilateralFilter 中颜色空间中的 sigma。
adjust_outliers	可选，指定是否执行异常值调整操作（原始论文中的公式9）。

有关自适应流形滤镜参数的更多详细信息，请参阅原始论文[104]。

注意: 深度为 CV_8U 和 CV_16U 的联合图像在处理前转换为深度为 CV_32F 且颜色范围为 [0; 1] 的图像。因此，颜色空间 sigma sigma_r 必须在 [0; 1] 范围内，与 bilateralFilter 和 dtFilter 函数中的相同 sigma 不同。

◆ createDisparityWLSFilter()

Ptr< DisparityWLSFilter > cv::ximgproc::createDisparityWLSFilter ( Ptr< StereoMatcher > 左匹配器 )

Python
	cv.ximgproc.createDisparityWLSFilter(	左匹配器	) ->	retval

方便的工厂方法，创建DisparityWLSFilter实例，并根据匹配器实例自动设置所有相关的滤镜参数。目前仅支持StereoBM和StereoSGBM。

参数

左匹配器	将用于滤镜的立体匹配器实例

◆ createDisparityWLSFilterGeneric()

Ptr< DisparityWLSFilter > cv::ximgproc::createDisparityWLSFilterGeneric ( bool 使用置信度 )

Python
	cv.ximgproc.createDisparityWLSFilterGeneric(	使用置信度	) ->	retval

更通用的工厂方法，创建DisparityWLSFilter实例并执行基本初始化例程。使用此方法时，您需要自行设置ROI、匹配器和其他参数。

参数

使用置信度使用置信度进行过滤需要两个视差图（用于左视图和右视图），并且速度大约慢两倍。然而，质量通常会显著提高。

◆ createDTFilter()

Ptr< DTFilter > cv::ximgproc::createDTFilter	(	InputArray	引导,
		double	空间 sigma,
		double	sigmaColor,
		int	mode = DTF_NC,
		int	numIters = 3 )

Python
	cv.ximgproc.createDTFilter(	guide, sigmaSpatial, sigmaColor[, mode[, numIters]]	) ->	retval

工厂方法，创建DTFilter实例并执行初始化例程。

参数

引导	引导图像（用于构建变换距离，描述引导图像的边缘结构）。
空间 sigma	原始论文中的\({\sigma}_H\)参数，类似于bilateralFilter中坐标空间中的sigma。
sigmaColor	原始论文中的\({\sigma}_r\)参数，类似于bilateralFilter中颜色空间中的sigma。
mode	三种模式之一：DTF_NC、DTF_RF和DTF_IC，对应于论文中2D信号过滤的三种模式。
迭代次数	可选的过滤迭代次数，3次就足够了。

有关域变换滤镜参数的更多详细信息，请参阅原始论文[103]和域变换滤镜主页。

◆ createEdgeAwareInterpolator()

Ptr< EdgeAwareInterpolator > cv::ximgproc::createEdgeAwareInterpolator ( )

Python
	cv.ximgproc.createEdgeAwareInterpolator(		) ->	retval

#include <opencv2/ximgproc/sparse_match_interpolator.hpp>

创建EdgeAwareInterpolator实例的工厂方法。

◆ createFastBilateralSolverFilter()

Ptr< FastBilateralSolverFilter > cv::ximgproc::createFastBilateralSolverFilter	(	InputArray	引导,
		double	空间sigma,
		double	亮度sigma,
		double	色度sigma,
		double	lambda = 128.0,
		int	num_iter = 25,
		double	max_tol = 1e-5 )

Python
	cv.ximgproc.createFastBilateralSolverFilter(	guide, sigma_spatial, sigma_luma, sigma_chroma[, lambda_[, num_iter[, max_tol]]]	) ->	retval

工厂方法，创建FastBilateralSolverFilter实例并执行初始化例程。

参数

引导	用作过滤指导的图像。它应具有8位深度，且通道数为1或3。
空间sigma	参数，类似于bilateralFilter中的空间空间sigma（带宽）。
亮度sigma	参数，类似于bilateralFilter中的亮度空间sigma（带宽）。
色度sigma	参数，类似于bilateralFilter中的色度空间sigma（带宽）。
lambda	求解器的平滑强度参数。
迭代次数	用于求解器的迭代次数，通常25次就足够了。
最大容忍度	用于求解器的收敛容忍度。

有关快速双边求解器参数的更多详细信息，请参阅原始论文[21]。

◆ createFastGlobalSmootherFilter()

Ptr< FastGlobalSmootherFilter > cv::ximgproc::createFastGlobalSmootherFilter	(	InputArray	引导,
		double	lambda,
		double	sigma_color,
		double	lambda_attenuation = 0.25,
		int	num_iter = 3 )

Python
	cv.ximgproc.createFastGlobalSmootherFilter(	guide, lambda_, sigma_color[, lambda_attenuation[, num_iter]]	) ->	retval

工厂方法，创建FastGlobalSmootherFilter实例并执行初始化例程。

参数

引导	用作过滤指导的图像。它应具有8位深度，且通道数为1或3。
lambda	定义正则化量的参数
sigma_color	参数，类似于bilateralFilter中的颜色空间sigma。
lambda_衰减	内部参数，定义每次迭代后lambda减少的量。通常为0.25。将其设置为1.0可能会导致条纹伪影。
迭代次数	用于过滤的迭代次数，通常3次就足够了。

有关快速全局平滑器参数的更多详细信息，请参阅原始论文[199]。但是，请注意存在一些差异。论文中描述的Lambda衰减实现方式略有不同，因此不要期望结果与论文中的结果完全相同；论文中的sigma_color值应乘以255.0才能达到相同的效果。此外，在源图像和引导图像相同的情况下，作者建议在每次迭代后动态更新引导图像。为了最大化性能，此处未实现此功能。

◆ createGuidedFilter()

Ptr< GuidedFilter > cv::ximgproc::createGuidedFilter	(	InputArray	引导,
		int	radius,
		double	eps,
		double	scale = 1.0 )

Python
	cv.ximgproc.createGuidedFilter(	guide, radius, eps[, scale]	) ->	retval

工厂方法，创建GuidedFilter实例并执行初始化例程。

参数

引导	带有最多3个通道的引导图像（或图像数组），如果通道多于3个，则仅使用前3个通道。
radius	引导滤镜的半径。
eps	引导滤镜的正则化项。\({eps}^2\) 类似于 bilateralFilter 中颜色空间中的 sigma。
scale	快速引导滤镜的子采样因子，使用小于1的比例因子可以加快计算速度，几乎没有可见的降级。（例如，scale==0.5 会将滤镜内部的图像缩小2倍）

有关（快速）引导滤镜参数的更多详细信息，请参阅原始论文[124] [123]。

◆ createQuaternionImage()

void cv::ximgproc::createQuaternionImage	(	InputArray	img,
		OutputArray	四元数图像 )

Python
	cv.ximgproc.createQuaternionImage(	img[, qimg]	) ->	四元数图像

创建四元数图像。

参数

img	源8位、32位或64位图像，3通道图像。
四元数图像	结果CV_64FC4四元数图像（4个通道：零通道和B、G、R）。

◆ createRICInterpolator()

Ptr< RICInterpolator > cv::ximgproc::createRICInterpolator ( )

Python
	cv.ximgproc.createRICInterpolator(		) ->	retval

#include <opencv2/ximgproc/sparse_match_interpolator.hpp>

创建RICInterpolator实例的工厂方法。

◆ createRightMatcher()

Ptr< StereoMatcher > cv::ximgproc::createRightMatcher ( Ptr< StereoMatcher > 左匹配器 )

Python
	cv.ximgproc.createRightMatcher(	左匹配器	) ->	retval

便捷方法，用于设置匹配器以计算右视图视差图，这在进行置信度滤波时是必需的。

参数

左匹配器	将与滤镜一起使用的主立体匹配器实例

◆ dtFilter()

void cv::ximgproc::dtFilter	(	InputArray	引导,
		InputArray	src,
		OutputArray	dst,
		double	空间 sigma,
		double	sigmaColor,
		int	mode = DTF_NC,
		int	numIters = 3 )

Python
	cv.ximgproc.dtFilter(	guide, src, sigmaSpatial, sigmaColor[, dst[, mode[, numIters]]]	) ->	dst

简单的一行域变换滤镜调用。如果您有多个图像需要使用相同的引导图像进行滤镜，那么请使用DTFilter接口，以避免在初始化阶段进行额外计算。

参数

引导	具有无符号8位或浮点32位深度和最多4个通道的引导图像（也称为联合图像）。
src	具有无符号8位或浮点32位深度和最多4个通道的过滤图像。
dst	目标图像
空间 sigma	原始论文中的\({\sigma}_H\)参数，类似于bilateralFilter中坐标空间中的sigma。
sigmaColor	原始论文中的\({\sigma}_r\)参数，类似于bilateralFilter中颜色空间中的sigma。
mode	三种模式之一：DTF_NC、DTF_RF和DTF_IC，对应于论文中2D信号过滤的三种模式。
迭代次数	可选的过滤迭代次数，3次就足够了。

另请参阅: bilateralFilter, guidedFilter, amFilter

◆ fastBilateralSolverFilter()

void cv::ximgproc::fastBilateralSolverFilter	(	InputArray	引导,
		InputArray	src,
		InputArray	confidence,
		OutputArray	dst,
		double	sigma_spatial = 8,
		double	sigma_luma = 8,
		double	sigma_chroma = 8,
		double	lambda = 128.0,
		int	num_iter = 25,
		double	max_tol = 1e-5 )

Python
	cv.ximgproc.fastBilateralSolverFilter(	guide, src, confidence[, dst[, sigma_spatial[, sigma_luma[, sigma_chroma[, lambda_[, num_iter[, max_tol]]]]]]]	) ->	dst

简单的一行快速双边求解器滤镜调用。如果您有多个图像需要使用相同的引导图像进行滤镜，那么请使用FastBilateralSolverFilter接口，以避免进行额外计算。

参数

引导	用作过滤指导的图像。它应具有8位深度，且通道数为1或3。
src	用于过滤的源图像，具有无符号8位或有符号16位或浮点32位深度，以及最多4个通道。
confidence	具有无符号8位或浮点32位置信度和1个通道的置信度图像。
dst	目标图像。
空间sigma	参数，类似于bilateralFilter中的空间空间sigma（带宽）。
亮度sigma	参数，类似于bilateralFilter中的亮度空间sigma（带宽）。
色度sigma	参数，类似于bilateralFilter中的色度空间sigma（带宽）。
lambda	求解器的平滑强度参数。
迭代次数	用于求解器的迭代次数，通常25次就足够了。
最大容忍度	用于求解器的收敛容忍度。

有关快速双边求解器参数的更多详细信息，请参阅原始论文[21]。

注意: 深度为CV_8U的置信度图像预计在[0, 255]范围内，深度为CV_32F的置信度图像预计在[0, 1]范围内。

◆ fastGlobalSmootherFilter()

void cv::ximgproc::fastGlobalSmootherFilter	(	InputArray	引导,
		InputArray	src,
		OutputArray	dst,
		double	lambda,
		double	sigma_color,
		double	lambda_attenuation = 0.25,
		int	num_iter = 3 )

Python
	cv.ximgproc.fastGlobalSmootherFilter(	guide, src, lambda_, sigma_color[, dst[, lambda_attenuation[, num_iter]]]	) ->	dst

简单的一行快速全局平滑器滤镜调用。如果您有多个图像需要使用相同的引导图像进行滤镜，那么请使用FastGlobalSmootherFilter接口，以避免进行额外计算。

参数

引导	用作过滤指导的图像。它应具有8位深度，且通道数为1或3。
src	用于过滤的源图像，具有无符号8位或有符号16位或浮点32位深度，以及最多4个通道。
dst	目标图像。
lambda	定义正则化量的参数
sigma_color	参数，类似于bilateralFilter中的颜色空间sigma。
lambda_衰减	内部参数，定义每次迭代后lambda减少的量。通常为0.25。将其设置为1.0可能会导致条纹伪影。
迭代次数	用于过滤的迭代次数，通常3次就足够了。

◆ getDisparityVis()

void cv::ximgproc::getDisparityVis	(	InputArray	src,
		OutputArray	dst,
		double	scale = 1.0 )

Python
	cv.ximgproc.getDisparityVis(	src[, dst[, scale]]	) ->	dst

用于创建视差图可视化效果（钳位 CV_8U 图像）的函数

参数

src	输入视差图 (CV_16S 深度)
dst	输出可视化
scale	视差图将乘以该值进行可视化

◆ GradientDericheX()

void cv::ximgproc::GradientDericheX	(	InputArray	op,
		OutputArray	dst,
		double	alpha,
		double	欧米茄 )

Python
	cv.ximgproc.GradientDericheX(	op, alpha, omega[, dst]	) ->	dst

#include <opencv2/ximgproc/deriche_filter.hpp>

对图像应用 X 方向的 Deriche 滤波器。

有关此实现的更多详细信息，请参阅http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.476.5736&rep=rep1&type=pdf

参数

op	源8位或16位图像，1通道或3通道图像。
dst	结果CV_32FC图像，通道数与_op相同。
alpha	double 参见论文
欧米茄	double 参见论文

◆ GradientDericheY()

void cv::ximgproc::GradientDericheY	(	InputArray	op,
		OutputArray	dst,
		double	alpha,
		double	欧米茄 )

Python
	cv.ximgproc.GradientDericheY(	op, alpha, omega[, dst]	) ->	dst

#include <opencv2/ximgproc/deriche_filter.hpp>

对图像应用 Y 方向的 Deriche 滤波器。

有关此实现的更多详细信息，请参阅http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.476.5736&rep=rep1&type=pdf

参数

op	源8位或16位图像，1通道或3通道图像。
dst	结果CV_32FC图像，通道数与_op相同。
alpha	double 参见论文
欧米茄	double 参见论文

◆ GradientPaillouX()

void cv::ximgproc::GradientPaillouX	(	InputArray	op,
		OutputArray	_dst,
		double	alpha,
		double	欧米茄 )

#include <opencv2/ximgproc/paillou_filter.hpp>

◆ GradientPaillouY()

void cv::ximgproc::GradientPaillouY	(	InputArray	op,
		OutputArray	_dst,
		double	alpha,
		double	欧米茄 )

#include <opencv2/ximgproc/paillou_filter.hpp>

对图像应用Paillou滤镜。

有关此实现的更多详细信息，请参阅[218]

参数

op	源CV_8U(S)或CV_16U(S)，1通道或3通道图像。
_dst	结果CV_32F图像，通道数与op相同。
欧米茄	double 参见论文
alpha	double 参见论文

另请参阅: GradientPaillouX, GradientPaillouY

◆ guidedFilter()

void cv::ximgproc::guidedFilter	(	InputArray	引导,
		InputArray	src,
		OutputArray	dst,
		int	radius,
		double	eps,
		int	dDepth = -1,
		double	scale = 1.0 )

Python
	cv.ximgproc.guidedFilter(	guide, src, radius, eps[, dst[, dDepth[, scale]]]	) ->	dst

简单的单行（快速）导向滤波器 (Guided Filter) 调用。

如果您有多个图像需要使用相同的引导图像进行过滤，请使用GuidedFilter接口，以避免在初始化阶段进行额外计算。

参数

引导	带有最多3个通道的引导图像（或图像数组），如果通道多于3个，则仅使用前3个通道。
src	具有任意数量通道的过滤图像。
dst	输出图像。
radius	引导滤镜的半径。
eps	引导滤镜的正则化项。\({eps}^2\) 类似于 bilateralFilter 中颜色空间中的 sigma。
dDepth	输出图像的可选深度。
scale	快速引导滤镜的子采样因子，使用小于1的比例因子可以加快计算速度，几乎没有可见的降级。（例如，scale==0.5 会将滤镜内部的图像缩小2倍）

另请参阅: bilateralFilter, dtFilter, amFilter

◆ jointBilateralFilter()

void cv::ximgproc::jointBilateralFilter	(	InputArray	联合,
		InputArray	src,
		OutputArray	dst,
		int	d,
		double	sigmaColor,
		double	sigmaSpace,
		int	borderType = BORDER_DEFAULT )

Python
	cv.ximgproc.jointBilateralFilter(	joint, src, d, sigmaColor, sigmaSpace[, dst[, borderType]]	) ->	dst

对图像应用联合双边滤波器。

参数

联合	联合8位或浮点，1通道或3通道图像。
src	源8位或浮点，1通道或3通道图像，深度与联合图像相同。
dst	目标图像，与 src 具有相同的大小和类型。
d	过滤期间使用的每个像素邻域的直径。如果它非正，则从sigmaSpace计算。
sigmaColor	颜色空间中的滤镜sigma。参数值越大意味着像素邻域内（参见sigmaSpace）颜色差异较大的像素将被混合在一起，从而形成更大的半等色区域。
sigmaSpace	坐标空间中的滤镜sigma。参数值越大意味着较远的像素将相互影响，只要它们的颜色足够接近（参见sigmaColor）。当d>0时，它指定邻域大小，无论sigmaSpace如何。否则，d与sigmaSpace成比例。
borderType

注意: bilateralFilter 和 jointBilateralFilter 使用 L1 范数计算颜色之间的差异。

另请参阅: bilateralFilter, amFilter

◆ l0Smooth()

void cv::ximgproc::l0Smooth	(	InputArray	src,
		OutputArray	dst,
		double	lambda = 0.02,
		double	kappa = 2.0 )

Python
	cv.ximgproc.l0Smooth(	src[, dst[, lambda_[, kappa]]]	) ->	dst

通过 L0 梯度最小化进行全局图像平滑。

参数

src	用于过滤的源图像，具有无符号8位或有符号16位或浮点深度。
dst	目标图像。
lambda	定义平滑项权重的参数。
卡帕	定义梯度数据项权重增加因子的参数。

有关L0平滑器的更多详细信息，请参阅原始论文[311]。

◆ qconj()

void cv::ximgproc::qconj	(	InputArray	四元数图像,
		OutputArray	共轭图像 )

Python
	cv.ximgproc.qconj(	qimg[, qcimg]	) ->	共轭图像

计算四元数图像的共轭。

参数

四元数图像	四元数图像。
共轭图像	qimg的共轭

◆ qdft()

void cv::ximgproc::qdft	(	InputArray	img,
		OutputArray	四元数图像,
		int	flags (标志),
		bool	左侧 )

Python
	cv.ximgproc.qdft(	img, flags, sideLeft[, qimg]	) ->	四元数图像

对二维四元数数组执行正向或逆离散四元数傅里叶变换。

参数

img	四元数图像。
四元数图像	对偶空间中的四元数图像。
flags (标志)	对偶空间中的四元数图像。仅支持DFT_INVERSE标志
左侧	如果为真，则超复指数将乘以左侧（如果为假则乘以右侧）。

◆ qmultiply()

void cv::ximgproc::qmultiply	(	InputArray	src1,
		InputArray	src2,
		OutputArray	dst )

Python
	cv.ximgproc.qmultiply(	src1, src2[, dst]	) ->	dst

计算两个数组的逐元素四元数积。

参数

src1	四元数图像。
src2	四元数图像。
dst	乘积dst(I)=src1(I) . src2(I)

◆ qunitary()

void cv::ximgproc::qunitary	(	InputArray	四元数图像,
		OutputArray	单位四元数图像 )

Python
	cv.ximgproc.qunitary(	qimg[, qnimg]	) ->	单位四元数图像

将每个元素除以其模数（单位化）。

参数

四元数图像	四元数图像。
单位四元数图像	qimg的共轭

◆ readGT()

int cv::ximgproc::readGT	(	String	源路径,
		OutputArray	dst )

Python
	cv.ximgproc.readGT(	src_path[, dst]	) ->	retval, dst

用于读取地面真值（Ground Truth）视差图的函数。支持基础的 Middlebury 和 MPI-Sintel 格式。注意，生成的视差图被缩放了 16 倍。

参数

源路径	包含地面实况视差图的图像路径
dst	输出视差图，CV_16S深度

返回: 如果成功读取地面实况，则返回零

◆ rollingGuidanceFilter()

void cv::ximgproc::rollingGuidanceFilter	(	InputArray	src,
		OutputArray	dst,
		int	d = -1,
		double	sigmaColor = 25,
		double	sigmaSpace = 3,
		int	numOfIter = 4,
		int	borderType = BORDER_DEFAULT )

Python
	cv.ximgproc.rollingGuidanceFilter(	src[, dst[, d[, sigmaColor[, sigmaSpace[, numOfIter[, borderType]]]]]]	) ->	dst