[發明專利]基于無監督學習的加權最小二乘濾波方法及裝置

在審

• 申請號: 202210921255.6
• 申請日: 2022-08-02
• 公開（公告）號: CN115311158A
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 楊洋;吳丹;曾蘭玲;趙巖;詹永照
• 申請（專利權）人: 江蘇大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08;G06T7/13
• 代理公司: 南京智造力知識產權代理有限公司 32382
• 代理人: 張明明

本發明提供了一種基于無監督學習的加權最小二乘濾波方法及裝置，設計全卷積神經網絡并訓練，訓練時的損失函數為優化模型函數；分情況對輸入圖像進行濾波：若設置了平滑參數、模糊參數的值，直接采用訓練好的全卷積神經網絡對輸入圖像進行濾波，否則采用插值法，得到濾波圖像。本發明方法能很好地保留住輸入圖像中顯著的邊緣，并能有效抑制各種偽像；且采用的輕量級全卷積神經網絡，具有很高的計算效率。

技術領域

本發明屬于計算機圖像處理技術領域，具體是一種基于無監督學習的加權最小二乘濾波方法及裝置。

背景技術

現有的保邊濾波器可分為局部保邊濾波器及全局保邊濾波器。局部保邊濾波器將圖像中每個像素點替換為臨近像素的加權平均，如雙邊濾波器、引導濾波器、域變換濾波器等。大部分局部保邊濾波器的計算速度很快，但是在結果圖像中的邊緣附近容易產生光暈偽像；而全局保邊濾波器將整個濾波過程建模成一個最優化問題去求解，如梯度L₀范數平滑方法、加權最小二乘(WLS)濾波器等。全局保邊濾波器的優點是能夠較好的抑制光暈偽像，但是通常求解最優化問題計算太過耗時，并且可能會使得結果圖像產生強度漂移偽像。

其中WLS濾波器是一種流行的邊緣保持圖像平滑器，特別適用于圖像增強、HDR高動態范圍影像(色調映射)、人像磨皮等。然而，由于需要求解大型稀疏線性系統，因此計算成本很高?，F有的WLS加速算法沒有考慮空間變化的平滑特性和2D鄰域信息，因此會出現各種偽影，例如光暈和條紋。

發明內容

針對現有技術中存在不足，本發明提供了一種基于無監督學習的加權最小二乘濾波方法及裝置，以解決現有WLS加速算法中出現的各種偽像，且效率欠佳的問題。

本發明是通過以下技術手段實現上述技術目的的。

基于無監督學習的加權最小二乘濾波方法，具體為：

(1)若設置了參數λ、σ的值，直接采用訓練好的全卷積神經網絡對輸入圖像進行濾波，λ為可調節的平滑參數，σ為可調節的模糊參數；

(2)如果沒有設置參數λ、σ的值，首先確定參數最接近情況(1)中λ、σ數值的四個訓練好的全卷積神經網絡，并輸入圖像，得到最接近情況(1)中λ、σ數值的四組濾波圖像，根據所述四組濾波圖像進行插值，得到最終濾波圖像；具體為：

利用p_λ1,σ1、p_λ2,σ1、p_λ1,σ2、p_λ2,σ2表示最接近情況(1)中λ、σ數值的四組濾波圖像，分別對應于參數(λ₁，σ₁)、(λ₂，σ₁)、(λ₁，σ₂)、(λ₂，σ₂)下的濾波結果；

通過p_λ1,σ2、p_λ2,σ2進行插值操作，得到近似圖像p_λ,σ2：

通過p_λ1,σ1、p_λ2,σ1進行插值操作，得到近似圖像p_λ,σ1：

根據p_λ,σ2和p_λ,σ1，得到最終濾波圖像p_λ,σ為：

進一步地，所述全卷積神經網絡共有10個卷積層，第1-9卷積層中：卷積運算后均進行批量歸一化和ReLU激活操作，最后一層中：卷積運算后通過sigmoid函數激活，并生成一個3通道圖像。