Domain transform 阅读笔记

Domain transform 阅读笔记

核心思想

图像上的滤波器可以看做是一个5维空间的变换，[x,y,r,g,b]。直接估计一个5维的滤波器，有难度。

然后找到一种降维方法，构建低维的线性滤波器，然后保边就好了。

Transform for Edge-Preserving Filtering

让$\hat{p}=(x_p,y_p,r_p,g_p,b_p)\in M_I$，那么点$\hat{p}$对应到图像中就是，一个空间的坐标$p=(x_p,y_p)$，一个强度值坐标$I(p)=(r_p,g_p,b_p)$，滤波器可表示为：
$$J(p)={\int }_{\Omega }I(q)F(\hat{p},\hat{q})dq$$

重点：找到一个transformation进行降维，然后在低维空间应用滤波器：

$$J(p)={\int }_{\Omega }I(q)H(t(\hat{p},\hat{q}))dq$$

If the transformation t preserves the original distances from $R5$ in $Rl$, it will also maintain the edge-preserving property of a filter defined in the lower dimensional space

如何保边 ——> distance preserve

distance-preserving transforms

own thoughts: 理论来说，应该是一个5d滤波器，然后transform的原则是变换前后的距离最小（一个很朴素的想法）。但是5d太难做了，于是降维。比如双边滤波器，求解l2距离，可看做是在2d空间求解。5d->2d。

文章考虑x轴，计算L1距离，5d->1d.在1d上保证L1距离不变:

$$|t(x_i,I(x_i))-t(x_j,I(x_j))|=\Vert (x_i,I(x_i))-(x_j,I(x_j))\Vert$$

令 $ct(x)=t(\hat{x})=t(x,I(x))$构造$ct(x)$:
$$ct(x+h)-ct(x)=h+|I(x+h)-I(x)|$$
$$ct(u)={\int }_0^{u}1+\sum _{k=1}^c|I_k^{\prime }(x)|dx$$

Application to Edge-Presercing Filtering

引入尺度因子

$$(I\ast H_{1/a})(\tau )={\int }_{-\infty }^{+\infty }I(u)H_{1/a}(u-\tau )du=(I_a\ast H)(\tau )$$

通过卷积，信号的尺度变化可通过滤波器的尺度变化来实现；

$$ct(u)={\int }_o^{u}1+\frac{{\sigma }_s}{{\sigma }_r}\sum _{k=1}^c|I_k^{\prime }(x)|dx$$

分析

• 为什么可以保边
  $$c{t}^{\prime }(x)=1+\frac{{\sigma }_s}{{\sigma }_r}|I^{\prime }(x)|$$
  对输入信号进行尺度变化$c{t}^{\prime }(x)$相当于在滤波器上进行尺度变化$1/c{t}^{\prime }(x)$, 因此，
  $$smoothin{g}_H(x)\propto ({\sigma }_H/c{t}^{\prime }(x))={\sigma }_x/(1+\frac{{\sigma }_s}{{\sigma }_r}|I^{\prime }(x)|)$$

2D signals

首先计算horizontal pass,再计算vertical pass.

• 将2D信号转为两个1d信号，本质还是1d信号处理；

filtering in the transformed domain

• normalized convolution (NC)

  • 归一化的卷积，利用moving-average的思想构造系统函数H;
  • 在半径为r的矩形框内，计算冲激响应，然后归一化；
  • 只考虑了离散的冲击响应，可能失去了一部分的信息；
  • 基于积分图的思想计算卷积；

• interploated convolution （IC）

  • 插值，折线，计算梯形面积

• Recursive Filtering(RF)

一点感想

---

domain transform filter 由于只考虑了一个维度，非常适合优化视差图。但如果想边缘更加细腻，guided filter更好。