[發(fā)明專利]基于自適應(yīng)核估計(jì)的相對(duì)高斯率圖像平滑方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210351461.8
• 申請(qǐng)日: 2022-04-04
• 公開(kāi)（公告）號(hào): CN114742728A
• 公開(kāi)（公告）日: 2022-07-12
• 發(fā)明（設(shè)計(jì)）人: 張怡娜;陳軍希;李紅云;林源玲
• 申請(qǐng)（專利權(quán)）人: 福建省德騰智能科技有限公司
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00
• 代理公司: 泉州協(xié)創(chuàng)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 35231
• 代理人: 鄭浩

1.一種基于自適應(yīng)核估計(jì)的相對(duì)高斯率圖像平滑方法，其特征在于，包括：

輸入圖像；

對(duì)輸入圖像進(jìn)行基于自適應(yīng)核估計(jì)的相對(duì)高斯率圖像平滑處理；

輸出平滑后的圖像；

其中，所述基于自適應(yīng)核估計(jì)的相對(duì)高斯率圖像平滑處理的具體方法包含如下步驟：

S1、構(gòu)造相對(duì)高斯率濾波泛函，其公式如下：

式(1)中，R是相對(duì)高斯濾波的最終結(jié)果，G_σ1、G_σ2分別是局部高斯濾波函數(shù)，σ₁、σ₂分別是對(duì)應(yīng)的濾波尺度參數(shù)，表示平滑梯度；

其中，局部高斯濾波函數(shù)定義如下：

式(2)中，σ為尺度參數(shù)，(x，y)是像素的中心坐標(biāo)，(x₀，y₀)是核的中心坐標(biāo)；

S2、建立自適應(yīng)的核尺度估計(jì)模型，具體包含如下步驟：

首先，構(gòu)造修正的各向異性擴(kuò)散濾波泛函，其公式如下：

M(p)＝A(p)·L(p)·D(p) (3)

式(3)中，p是像素p，A(p)是圖像結(jié)構(gòu)均勻分布的測(cè)度，L(p)是圖像紋理周期性測(cè)度，D(p)是局部區(qū)域結(jié)構(gòu)方向性測(cè)度，M(p)是圖像結(jié)構(gòu)測(cè)度；以上3個(gè)自變量的測(cè)度函數(shù)如下：

式(4)中，q是像素q，Ω_p是像素p的局部區(qū)域，w_p，q是權(quán)重項(xiàng)，分別是x與y方向的偏導(dǎo)數(shù)，I_p是輸入的圖像像素值；

為了求解A(p)和D(p)，先構(gòu)建一個(gè)結(jié)構(gòu)張量S(p)，具體如下：

式(5)中，分別是x與y方向的偏導(dǎo)數(shù)，I_q是q局部區(qū)域內(nèi)圖像像素值；S_p是S(p)的簡(jiǎn)寫(xiě)，它是一個(gè)半正定矩陣，具有2個(gè)特征值λ_p1和λ_p2及2個(gè)特征向量η_p和ξ_p；

A(p)函數(shù)如下：

D(p)函數(shù)如下：

式(7)中，A_P是A(p)的簡(jiǎn)寫(xiě)；

其次，進(jìn)行像素鄰域分析：

通過(guò)在修正的各向異性擴(kuò)散濾波后，運(yùn)用鄰域相關(guān)性，對(duì)像素鄰域進(jìn)行分析，獲取像素在圖像結(jié)構(gòu)中的測(cè)度信息，其函數(shù)如下：

式(8)中，表示像素p鄰域內(nèi)值；

式(9)中，M_q是各個(gè)擴(kuò)散方向上的像素圖像；

式(10)中，g_t(p，q)是高斯濾波函數(shù)，t是鄰域半徑，p是像素p，q是像素q；

最后，進(jìn)行自適應(yīng)核尺度估計(jì)：

對(duì)4鄰域的結(jié)構(gòu)測(cè)度信息進(jìn)行放大，之后進(jìn)行規(guī)整化處理；

具體放大措施如下：

式(11)中，B_p是B(p)的簡(jiǎn)寫(xiě)，σ_c是局部區(qū)域的平坦值調(diào)節(jié)參數(shù)；

規(guī)整化措施如下：

K_P＝max(tC_P，δ) (12)

式(12)中，δ是一個(gè)用于預(yù)防信號(hào)過(guò)度銳化的微調(diào)變量，t是式(10)中的鄰域半徑；

S3、自適應(yīng)核尺度的相對(duì)高斯率圖像平滑方法求解：

首先，對(duì)其進(jìn)行全局優(yōu)化：

式(13)中，第一項(xiàng)是數(shù)據(jù)保真項(xiàng)，第二項(xiàng)是數(shù)據(jù)修正項(xiàng)；S、I分別代表輸出和輸入圖像，λ是修正參數(shù)，表示輸入圖像x與y方向的梯度；

其次，運(yùn)用非凸正則化進(jìn)行求解：

采用迭代重加權(quán)最小二乘法進(jìn)行迭代，獲取最終的結(jié)果：

S^k＝(1+λL^k-1)^-1I (15)

式(15)中，1是單位陣；是一個(gè)稀疏的五點(diǎn)拉普拉斯矩陣。

2.根據(jù)權(quán)利要求1所述的基于自適應(yīng)核估計(jì)的相對(duì)高斯率圖像平滑方法，其特征在于：式(11)中的σ_c的數(shù)值設(shè)置為0.03。

3.根據(jù)權(quán)利要求1所述的基于自適應(yīng)核估計(jì)的相對(duì)高斯率圖像平滑方法，其特征在于：式(12)中的δ的數(shù)值設(shè)置為1。