基于尺度感知的相对高斯率图像平滑方法技术

本发明专利技术涉及一种基于尺度感知的相对高斯率图像平滑方法，属于图像处理技术领域，其包括：S1、构造相对高斯率滤波泛函；S2、建立尺度感知的核尺度估计模型：首先，采用快速全局最小二乘法滤波对输入图像进行初步平滑；其次，构建平滑测度函数，衡量出不同区域的平滑度，找出平坦部分和结构部分，从而构建自适应的高斯尺度函数；最后，构建自适应感知尺度函数；S3、尺度感知的相对高斯率图像平滑方法求解；首先，对其进行全局优化；其次，运用非凸正则化进行求解。本发明专利技术对于图像结构，可以有效地保持；对于弱边缘中的强角点，可以保留。在处理效率方面，该方法只采用单循环，运行时间大大缩短。短。短。

Relative Gaussian rate image smoothing method based on scale perception

【技术实现步骤摘要】
基于尺度感知的相对高斯率图像平滑方法


[0001]本专利技术属于图像处理
，具体涉及一种基于尺度感知的相对高斯率图像平滑方法。

技术介绍

[0002]目前所有的高斯及其相关滤波，其核尺度都是固定的。对于自然界图像，相对高斯滤在处理独立区域中的平滑问题时，会出现孤立的单点噪声无法滤掉，验证干扰图像平滑的效果，波鲁棒性低，无法全部满足。基于此，有必要设计一种自适应核尺度的相对高斯处理方法。

技术实现思路

[0003]鉴于现有技术的不足，本专利技术的目的在于提供一种基于尺度感知的相对高斯率图像平滑方法，以提高相对高斯滤波的效果。
[0004]为实现上述目的，本专利技术采用如下技术方案：一种基于尺度感知的相对高斯率图像平滑方法，包括：输入图像；对输入图像进行基于尺度感知的相对高斯率图像平滑处理；输出平滑后的图像；其中，所述基于尺度感知的相对高斯率平滑处理的具体方法包含如下步骤：S1、构造相对高斯率滤波泛函，其公式如下：式(1)中，R是相对高斯滤波的最终结果，G
σ1
、G
σ2
分别是局部高斯滤波函数，σ1、σ2分别是对应的滤波尺度参数，表示平滑梯度；其中，局部高斯滤波函数定义如下：式(2)中，σ为尺度参数，(x,y)是像素的中心坐标，(x0,y0)是核的中心坐标；S2、建立尺度感知的核尺度估计模型，具体包含如下步骤：首先，采用快速全局最小二乘法滤波对输入图像进行初步平滑，所述快速全局最小二乘法滤波的泛函公式如下：式(3)中，f
q
、g均代表一个颜色值，代表像素p的附近的四个邻域，w
p,q
(g)是一个变化的权重函数，％是输出的图像，g是导向图，f是输入图像，λ控制着平滑的度；其次，构建平滑测度函数，衡量出不同区域的平滑度；所述平滑测度函数的公式如下：
式(4)中，σ
e
代表平坦转变项，E
P
是像素p处的平坦度；采用式(4)对像素p左右两边的区域分别进行度量，找出平坦部分和结构部分，从而构建自适应的高斯尺度函数，其公式为：式(5)中，分别代表右、左两个方向局部区域的平坦值；最后，构建自适应感知尺度函数，其公式为：K2＝max(σC
P
,δ)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)式(6)中，δ是一个用于预防信号过度锐化的微调变量，σ是相对高斯率中的方差；S3、尺度感知的相对高斯率图像平滑方法求解：首先，对其进行全局优化：式(7)中，第一项是数据保真项，第二项是数据修正项；S、I分别代表输出和输入图像，λ是修正参数，表示输入图像x与y方向的梯度；其次，运用非凸正则化进行求解：采用迭代重加权最小二乘法进行迭代，获取最终的结果：S
k
＝(1+λL
T
‑1)
‑1I
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)式(9)中，1是单位阵；是一个稀疏的五点拉普拉斯矩阵。
[0005]优选地，式(4)中的σ
e
的数值设置为0.05。
[0006]优选地，式(6)中的δ的数值设置为1。
[0007]与现有技术相比，本专利技术具有以下有益效果：对于图像结构，可以有效地保持；对于弱边缘中的强角点，可以保留。在处理效率方面，该方法只采用单循环，运行时间大大缩短。
附图说明
[0008]图1为本专利技术实施例的输入图像图一。
[0009]图2为本专利技术实施例的输出图像图一。
[0010]图3为本专利技术实施例的输入图像图二。
[0011]图4为本专利技术实施例的输出图像图二。
具体实施方式
[0012]为了让本专利技术的上述特征和优点更明显易懂，下面特举实施例，并配合附图，作详细说明如下。
[0013]如图1～4所示，本实施例提供了一种基于尺度感知的相对高斯率图像平滑方法，包括：输入图像；对输入图像进行基于尺度感知的相对高斯率图像平滑处理；输出平滑后的图像；其中，所述基于尺度感知的相对高斯率平滑处理的具体方法包含如下步骤：S1、构造相对高斯率滤波泛函，其公式如下：式(1)中，R是相对高斯滤波的最终结果，G
σ1
、G
σ2
分别是局部高斯滤波函数，σ1、σ2分别是对应的滤波尺度参数，表示平滑梯度；其中，局部高斯滤波函数定义如下：式(2)中，σ为尺度参数，(x,y)是像素的中心坐标，(x0,y0)是核的中心坐标；S2、建立尺度感知的核尺度估计模型，具体包含如下步骤：首先，采用快速全局最小二乘法滤波对输入图像进行初步平滑，提高了效率；所述快速全局最小二乘法滤波的泛函公式如下：式(3)中，f
q
、g均代表一个颜色值，代表像素p的附近的四个邻域，w
p,q
(g)是一个变化的权重函数，％是输出的图像，g是导向图，f是输入图像，λ控制着平滑的度；其次，构建平滑测度函数，衡量出不同区域的平滑度；所述平滑测度函数的公式如下：式(4)中，σ
e
代表平坦转变项，E2是像素p处的平坦度；采用式(4)对像素p左右两边的区域分别进行度量，找出平坦部分和结构部分，从而构建自适应的高斯尺度函数，其公式为：式(5)中，分别代表右、左两个方向局部区域的平坦值；最后，构建自适应感知尺度函数，其公式为：K
P
＝max(σC2,δ)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)式(6)中，δ是一个用于预防信号过度锐化的微调变量，σ是相对高斯率中的方差；S3、尺度感知的相对高斯率图像平滑方法求解：首先，对其进行全局优化：式(7)中，第一项是数据保真项，第二项是数据修正项；S、I分别代表输出和输入图
像，λ是修正参数，表示输入图像x与y方向的梯度；其次，运用非凸正则化进行求解：采用迭代重加权最小二乘法进行迭代，获取最终的结果：S
k
＝(1+λL
k
‑1)
‑1I
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)式(9)中，1是单位阵；是一个稀疏的五点拉普拉斯矩阵。
[0014]在本实施例中，式(4)中的σ
e
的数值设置为0.05。
[0015]在本实施例中，式(6)中的δ的数值设置为1。
[0016]以上所述，仅为本专利技术的较佳实施例，并非对本专利技术做任何形式上的限制，任何熟悉本领域的技术人员但凡未脱离本专利技术技术方案的内容，依据本专利技术的技术实质对以上实施例所做任何简单的修改、均等变化与修饰，皆应属本专利技术的涵盖范围。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于尺度感知的相对高斯率图像平滑方法，其特征在于，包括：输入图像；对输入图像进行基于尺度感知的相对高斯率图像平滑处理；输出平滑后的图像；其中，所述基于尺度感知的相对高斯率平滑处理的具体方法包含如下步骤：S1、构造相对高斯率滤波泛函，其公式如下：式(1)中，R是相对高斯滤波的最终结果，G
σ1
、G
σ2
分别是局部高斯滤波函数，σ1、σ2分别是对应的滤波尺度参数，表示平滑梯度；其中，局部高斯滤波函数定义如下：式(2)中，σ为尺度参数，(x,y)是像素的中心坐标，(x0,y0)是核的中心坐标；S2、建立尺度感知的核尺度估计模型，具体包含如下步骤：首先，采用快速全局最小二乘法滤波对输入图像进行初步平滑，所述快速全局最小二乘法滤波的泛函公式如下：式(3)中，f
q
、g均代表一个颜色值，代表像素p的附近的四个邻域，w
p,q
(g)是一个变化的权重函数，u是输出的图像，g是导向图，f是输入图像，λ控制着平滑的度；其次，构建平滑测度函数，衡量出不同区域的平滑度；所述平滑测度函数的公式如下：式(4)中，σ
e
代表平坦转变项，E
P
是像素p处的平坦度；采用式(4)对像素p左右两边的区域分别进行度量，找出平坦部分和结构部分，...

【专利技术属性】
技术研发人员：陈军希，李红云，张怡娜，林源玲，
申请(专利权)人：福建省德腾智能科技有限公司，
类型：发明
国别省市：