图像保边滤波器集锦---各向异性扩散滤波(Anisotropic Filter)算法与实现

本篇集锦要介绍的是各向异性扩散滤波,也叫Anisotropic filter,它克服了高斯模糊的缺陷,具有保留图像边缘细节同时减少噪声的作用,因此,也是可以做人像美颜磨皮算法的;

首先,我们来了解一下各向异性扩散。

各向异性扩散也叫P-M扩散,各向异性扩散(Anisotropic diffusion)的算法可以详见论文:

Scale-space and edge detection using anisotropic diffusion

具体定义如下:

假设灰度图I(x,y),它的各向异性扩散方程表示如下:

                              

其中,Δ是Laplacian算子,▽是梯度算子,c(x,y,t)是扩散系数,控制扩散速率,Anisotropic filter就是选取得图像梯度函数,因此可以在扩散的时候保留图像的边缘细节信息,K是热传导系数,用来控制边缘的灵敏度;

对于Anisotropic Filter,我们可以通俗的理解,将整张图像看作是个热量场,每个像素当作热流,热流的流动取决于当前像素与周围像素的关系,如果碰到邻域像素是边缘像素,那么,它的流动扩散系数会比较小,也就是热流不想邻域像素扩散了,或者扩散减弱了,如果不是边缘像素,那扩散系数向着流动的方向改变,流过的地方也就变的平滑,如此一来,就在保留边缘的同时,平滑了噪声区域;

假设图像为I,滤波公式如下:

      

其中,t代表迭代次数;

表示梯度算子,四个方向的梯度公式如下:

                           

c表示扩散系数,四个方向上的扩散系数计算如下:

                                                                     

注意:

在这里热传导系数K越大,图像越平滑;

K对滤波效果的影响如下(t=7,lambda=0.23,offset=3)


λ越大,图像越平滑;

λ对滤波效果的影响如下(t=7,K=10,offset=3)


迭代次数t越多,图像滤波效果越明显;

t值对滤波效果的影响如下所示:


各向异性扩散滤波的代码实现如下:

#define MIN2(a, b) ((a) < (b) ? (a) : (b))
#define MAX2(a, b) ((a) > (b) ? (a) : (b))
#define CLIP3(x, a, b) MIN2(MAX2(a,x), b)
void AnisotropicFilter(unsigned char* srcData, int width ,int height, int stride, int iter, float k, float lambda, int offset)
{
	int i, j, pos1, pos2, pos3, pos4, n, pos_src;
	int NI, SI, EI, WI;
	float cN, cS, cE, cW;
	unsigned char* grayData = (unsigned char*)malloc(sizeof(unsigned char) * stride * height);
	unsigned char* pSrc = srcData;	
	float MAP[512];
	float kk = 1.0f / (k * k);
	for(i = -255; i <= 255; i++)
	{
		MAP[i + 255] = exp(- i * i * kk) * lambda * i; 
	}
	int r, g, b;
	for(n = 0; n < iter; n++)
	{
		memcpy(grayData, srcData, sizeof(unsigned char) * height * stride);
		pSrc = srcData;
		for(j = 0; j < height; j++)
		{
			for(i = 0; i < width; i++)
			{
				pos_src = (i << 2) + j * stride;
				pos1 = (i << 2) + CLIP3((j - offset), 0, height - 1) * stride;				
				pos2 = (i << 2) + CLIP3((j + offset), 0, height - 1) * stride;				
				pos3 = (CLIP3((i - offset), 0, width - 1) << 2) + j * stride;			
				pos4 = (CLIP3((i + offset), 0, width - 1) << 2) + j * stride;
				b = grayData[pos_src];
				NI = grayData[pos1] - b;
				SI = grayData[pos2] - b;
				EI = grayData[pos3] - b;
				WI = grayData[pos4] - b;
				cN = MAP[NI + 255];// opt:exp(-NI*NI / (k * k));
				cS = MAP[SI + 255];
				cE = MAP[EI + 255];
				cW = MAP[WI + 255];
				pSrc[0] = (int)(CLIP3((b + (cN + cS + cE + cW)), 0, 255));				

				pos_src = pos_src + 1;
				pos1 = pos1 + 1;
				pos2 = pos2 + 1;
				pos3 = pos3 + 1;
				pos4 = pos4 + 1;
				g = grayData[pos_src];
				NI = grayData[pos1] - g;
				SI = grayData[pos2] - g;
				EI = grayData[pos3] - g;
				WI = grayData[pos4] - g;
				cN = MAP[NI + 255];
				cS = MAP[SI + 255];
				cE = MAP[EI + 255];
				cW = MAP[WI + 255];
				pSrc[1] = (int)(CLIP3((g + (cN + cS + cE + cW)), 0, 255));

				pos_src = pos_src + 1;
				pos1 = pos1 + 1;
				pos2 = pos2 + 1;
				pos3 = pos3 + 1;
				pos4 = pos4 + 1;
				r = grayData[pos_src];
				NI = grayData[pos1] - r;
				SI = grayData[pos2] - r;
				EI = grayData[pos3] - r;
				WI = grayData[pos4] - r;
				cN = MAP[NI + 255];
				cS = MAP[SI + 255];
				cE = MAP[EI + 255];
				cW = MAP[WI + 255];
				pSrc[2] = (int)(CLIP3((r + (cN + cS + cE + cW)), 0, 255));
				pSrc += 4;
			}
		}
	}
	free(grayData);
};

效果如下所示:


注:本集锦所述保边滤波器均为人像美颜测试;

由结果图可以看到,人脸的皱纹和褐斑被磨掉了,但是五官边缘还在,因此该滤波器也是可以做磨皮测试的!至于速度方面,没有太复杂的操作,因此速度也比较快,相对于标准的双边滤波和表面模糊,速度要快上好多倍的。

最后给出对应的DEMO:点击打开链接

本人QQ1358009172


阅读更多

扫码向博主提问

Trent1985

博客专家

人像美颜美妆滤镜
  • 擅长领域:
  • 人像美颜算法
  • 人像美妆算法
  • 照片滤镜
  • 疯狂换脸相关
  • AI美颜
去开通我的Chat快问
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/Trent1985/article/details/80625552
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

关闭
关闭
关闭