基于无监督学习的加权最小二乘滤波方法及装置制造方法及图纸

本发明专利技术提供了一种基于无监督学习的加权最小二乘滤波方法及装置，设计全卷积神经网络并训练，训练时的损失函数为优化模型函数；分情况对输入图像进行滤波：若设置了平滑参数、模糊参数的值，直接采用训练好的全卷积神经网络对输入图像进行滤波，否则采用插值法，得到滤波图像。本发明专利技术方法能很好地保留住输入图像中显著的边缘，并能有效抑制各种伪像；且采用的轻量级全卷积神经网络，具有很高的计算效率。率。率。

【技术实现步骤摘要】
基于无监督学习的加权最小二乘滤波方法及装置


[0001]本专利技术属于计算机图像处理
，具体是一种基于无监督学习的加权最小二乘滤波方法及装置。

技术介绍

[0002]现有的保边滤波器可分为局部保边滤波器及全局保边滤波器。局部保边滤波器将图像中每个像素点替换为临近像素的加权平均，如双边滤波器、引导滤波器、域变换滤波器等。大部分局部保边滤波器的计算速度很快，但是在结果图像中的边缘附近容易产生光晕伪像；而全局保边滤波器将整个滤波过程建模成一个最优化问题去求解，如梯度L0范数平滑方法、加权最小二乘(WLS)滤波器等。全局保边滤波器的优点是能够较好的抑制光晕伪像，但是通常求解最优化问题计算太过耗时，并且可能会使得结果图像产生强度漂移伪像。
[0003]其中WLS滤波器是一种流行的边缘保持图像平滑器，特别适用于图像增强、HDR高动态范围影像(色调映射)、人像磨皮等。然而，由于需要求解大型稀疏线性系统，因此计算成本很高。现有的WLS加速算法没有考虑空间变化的平滑特性和2D邻域信息，因此会出现各种伪影，例如光晕和条纹。

技术实现思路

[0004]针对现有技术中存在不足，本专利技术提供了一种基于无监督学习的加权最小二乘滤波方法及装置，以解决现有WLS加速算法中出现的各种伪像，且效率欠佳的问题。
[0005]本专利技术是通过以下技术手段实现上述技术目的的。
[0006]基于无监督学习的加权最小二乘滤波方法，具体为：
[0007](1)若设置了参数λ、σ的值，直接采用训练好的全卷积神经网络对输入图像进行滤波，λ为可调节的平滑参数，σ为可调节的模糊参数；
[0008](2)如果没有设置参数λ、σ的值，首先确定参数最接近情况(1)中λ、σ数值的四个训练好的全卷积神经网络，并输入图像，得到最接近情况(1)中λ、σ数值的四组滤波图像，根据所述四组滤波图像进行插值，得到最终滤波图像；具体为：
[0009]利用p
λ1,σ1
、p
λ2,σ1
、p
λ1,σ2
、p
λ2,σ2
表示最接近情况(1)中λ、σ数值的四组滤波图像，分别对应于参数(λ1，σ1)、(λ2，σ1)、(λ1，σ2)、(λ2，σ2)下的滤波结果；
[0010]通过p
λ1,σ2
、p
λ2,σ2
进行插值操作，得到近似图像p
λ,σ2
：
[0011][0012]通过p
λ1,σ1
、p
λ2,σ1
进行插值操作，得到近似图像p
λ,σ1
：
[0013][0014]根据p
λ,σ2
和p
λ,σ1
，得到最终滤波图像p
λ,σ
为：
[0015][0016]进一步地，所述全卷积神经网络共有10个卷积层，第1
‑
9卷积层中：卷积运算后均进行批量归一化和ReLU激活操作，最后一层中：卷积运算后通过sigmoid函数激活，并生成一个3通道图像。
[0017]更进一步地，所述全卷积神经网络中，第二层是跨步卷积层，倒数第二层是反卷积层，中间6层平均分布在3个残差块中，且使用具有不同扩展因子4、8和1的扩展卷积。
[0018]更进一步地，所述全卷积神经网络训练时，将优化模型函数作为损失函数，所述优化模型函数为：
[0019][0020]其中：i代表图像像素i，n表示像素总个数，O
i
表示输出图像的像素值，I
i
表示输入图像的像素值，h、v分别代表为像素的水平方向和垂直方向，分别代表输出图像沿h、v方向上的梯度，w
h
(I)表示依据输入图像沿像素水平方向计算的权重，w
v
(I)表示依据输入图像沿像素竖直方向计算的权重。
[0021]更进一步地：
[0022][0023][0024]其中：分别表示输入图像RGB沿三个通道上图像梯度。
[0025]一种基于无监督学习的加权最小二乘滤波装置，包括：
[0026]网络构建模块，用于全卷积神经网络并对全卷积神经网络进行训练；
[0027]图像滤波模块，利用训练后的全卷积神经网络对输入图像进行滤波。
[0028]一种电子设备，包括存储器和处理器；
[0029]所述存储器用于存储计算机程序；
[0030]所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现上述加权最小二乘滤波方法。
[0031]一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行上述加权最小二乘滤波方法。
[0032]本专利技术的有益效果为：本专利技术基于不同情况对输入图像进行滤波，在滤除细节的同时，将图像中显著的边缘很好地保留住，并能有效抑制各种伪像，比如光晕、条状伪像、梯度反转等；由于本专利技术采用的轻量级全卷积神经网络，具有很高的计算效率；且由于本专利技术的在效果以及效率上的优势，在人像美颜、高动态范围影像(色调映射)HDR、图像增强等不同的实际应用中会产生更加优秀的结果。
附图说明
[0033]图1为本专利技术所述基于无监督学习的加权最小二乘滤波方法流程图；
[0034]图2为本专利技术所述全卷积神经网络示意图；
[0035]图3(a)为未经处理的图像一原图；
[0036]图3(b)是对图3(a)利用本专利技术方法滤波后的结果图；
[0037]图3(c)是对图3(a)利用传统WLS滤波法滤波后的结果图；
[0038]图3(d)是对图3(a)利用WLS最新加速方法SG滤波后的结果图；
[0039]图4(a)为未经处理的图像二原图；
[0040]图4(b)是对图4(a)利用WLS最新加速方法SG滤波后的结果图；
[0041]图4(c)是对图4(a)利用本专利技术方法滤波后的结果图；
[0042]图5(a)为未经处理的图像三原图；
[0043]图5(b)是对图5(a)利用WLS最新加速方法SG滤波后的结果图；
[0044]图5(c)是对图5(a)利用本专利技术方法滤波后的结果图；
[0045]图6(a)为未经处理的图像边缘原图；
[0046]图6(b)是对图6(a)利用WLS最新加速方法SG滤波后的结果图；
[0047]图6(c)是对图6(a)利用本专利技术方法滤波后的结果图；
[0048]图7(a)为未经处理的图像四原图；
[0049]图7(b)为直接采用训练好的全卷积神经网络对图7(a)进行图像滤波的结果图；
[0050]图7(c)为插值法对图7(a)进行图像滤波的结果图。
具体实施方式
[0051]下面结合附图以及具体实施例对本专利技术作进一步的说明，但本专利技术的保护范围并不限于此。
[0052]如图1所示，本专利技术基于无监督学习的加权最小二乘滤波方法，具体包括如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于无监督学习的加权最小二乘滤波方法，其特征在于：(1)若设置了参数λ、σ的值，直接采用训练好的全卷积神经网络对输入图像进行滤波，λ为可调节的平滑参数，σ为可调节的模糊参数；(2)如果没有设置参数λ、σ的值，首先确定参数最接近情况(1)中λ、σ数值的四个训练好的全卷积神经网络，并输入图像，得到最接近情况(1)中λ、σ数值的四组滤波图像，根据所述四组滤波图像进行插值，得到最终滤波图像；具体为：利用p
λ1,σ1
、p
λ2,σ1
、p
λ1,σ2
、p
λ2,σ2
表示最接近情况(1)中λ、σ数值的四组滤波图像，分别对应于参数(λ1，σ1)、(λ2，σ1)、(λ1，σ2)、(λ2，σ2)下的滤波结果；通过p
λ1,σ2
、p
λ2,σ2
进行插值操作，得到近似图像p
λ,σ2
：通过p
λ1,σ1
、p
λ2,σ1
进行插值操作，得到近似图像p
λ,σ1
：根据p
λ,σ2
和p
λ,σ1
，得到最终滤波图像p
λ,σ
为：2.根据权利要求1所述的基于无监督学习的加权最小二乘滤波方法，其特征在于，所述全卷积神经网络共有10个卷积层，第1
‑
9卷积层中：卷积运算后均进行批量归一化和ReLU激活操作，最后一层中：卷积运算后通过sigmoid函数激活，并生成一个3通道图像。3.根据权利要求2所述的基于无监督学习的加权最小二乘滤波方法，其特征在于，所述全卷积神经网络...

【专利技术属性】
技术研发人员：杨洋，吴丹，曾兰玲，赵岩，詹永照，
申请(专利权)人：江苏大学，
类型：发明
国别省市：