Adaptive patched L0 gradient minimisation model applied on image smoothing

Abstract

• L0梯度最小化方法存在两个弊端：一个是无法有效地平滑较为明显的纹理，另一个是存在平滑过度的问题。
• 首先，对图像进行非子采样剪切变换，得到高频分量，并通过最大局部能量法则将所有高频分量进行组合，得到高频分解图像。
• 然后，引入与高频分解图像相关的数据项，以保持输入图像和平滑图像之间的边缘和结构的相似性。
• 最后，基于梯度定义自适应平滑系数，确保贴片的平滑效果最优。

Introduction

• 图像的滤波处理可以分为局部处理与全局处理。基于局部信息的算法通过利用由以该像素为中心的本地邻域提供的局部信息来获得输出像素。另一方面，基于全局信息的算法同时对整个图像进行滤波。
• 典型的例子是双边滤波，它不仅简单有效地去除了类似于噪声结构的图像，而且还明确地将平滑输出计算为加权平均值。
• Xu等人提出了改进的总变差模型，命名为L0梯度最小化（LGM）模型。它比总方差模型更有效，但也受到阶梯效应的影响，弱边缘或结构将过度平滑，强烈的纹理无法有效平滑。
• Cho和Lee 提出了一种有效的方案，即使用平滑图像的梯度，拉普拉斯算子和对角线导数的加权组合，该模型比其他先前的模型获得更好的性能，但不考虑局部信息。

Background

Adaptive patched LGM model

Experimental results and analysis

Conclusions and future work