L0范数图像平滑

图像平滑是计算摄影学一门基础重要的工具，其作用是拂去不重要的细节，保留较大的图像边缘，主要应用于边缘检测，JPEG压缩图像人工伪迹去除，非真实绘制等领域。

图像平滑大体上可以分为两类：基于局部和基于全局方法，基于局部的方法像有名 双边滤波， 各向异性扩散，将图像分成一些局部块进行处理；全局方法比如全变分（ Total Variation）和最小二乘滤波( Weighted Least Square)，同时处理整幅图像，可以达到全局最优的目的。
以往的方法，拂去图像中去对图像细节部分也会对图像中大的边缘进行惩罚，这样也会导致图像中大的边缘减弱或丢失，因此徐立等人提出使用图像L0范数平滑，该滤波器是一种基于稀疏策略的全局平滑滤波器。
本文是对香港中文大学徐立等人所做的《Image Smoothing via L0 Gradient Minimization》的读后笔录，也可以看成是论文的翻译吧。使用图像梯度L0范数平滑图像，具有以下优点：

• 通过去除小的非零梯度，抚平不重要的细节信息
• 增强图像显著性边缘

图像梯度L0范数最小化

L0范数可以理解为向量中非零元素的个数。
图像梯度L0范数可以如下表示

$$c(f): = \# \{ p|\left|f_p-f_{p-1} \right| \ne 0\}$$
这里 $p$和 $p+1$是图像中相邻元素， $|f_p-f_{p-1}|$就是图像梯度，也即图像的前向差分， $\#\{\}$表示计数，输出图像中满足 $|f_p-f_{p-1}| \ne 0$的个数，即 $c(f)$是图像梯度的L0范数。这样表示有一个优点，就是 $c(f)$是非零梯度个数的函数，与图像的梯度本身无关，也就是
$$\# \{ p|\left| {f_p−f_{p−1}} \right| \ne 0\} = \# \{ p|\left| {\alpha( f_p−f_{p−1})} \right| \ne 0\}$$
这还不是我们的目标函数，只是一个约束条件。

图像梯度最小化平滑

一维信号

先以一维信号为例，输入信号$g$，输出信号$f$，那么我们的目标函数可以如下表示：

$$\mathop {\min }\limits_f \sum\limits_p {(f_p - g_p)}^2 \quad s.t. \quad c(f) = k$$
左边使得输入信号与输出信号尽可能接近，右边非零约束梯度个数为 $k$。下图依次是 k=1,k=2,k=5,