Image Smoothing via L0 Gradient Minimization

研究背景与意义

图像分解:将图像分解为具有不同特征的两层或多层图像。

应用领域:图像去噪,图像增强,高动态图像压缩。

(1)非真实感图像(卡通,铅笔画)

(2)去除卡通图像中的振铃现象(去噪)

(3)对比度增强(图像增强)

(4)图像压缩(HDR图像压缩)

(5)边缘矫正,使边缘变换更平缓

L0 smothing算法原理

图像分解为基础层图像和细节层图像:

I=S+D

式中, I 为输入图像,S为基础层图像, D 为细节层图像。S D 未知,这是一个病态问题。为了求解,通常需要构建代价函数。

minS(SI)2)

由于需要得到的滤波图像(基础层图像)能够保留较大的边缘,同时去除图像中的纹理、小边缘等梯度较小的细节信息。因此可以考虑以下惩罚函数:
这里写图片描述

从而可得到目标函数:

这里写图片描述

为了便于求解,在此引入辅助变量h,v,公式如下:

这里写图片描述
式中, C(h,v)=#p||hp|+|vp|0| 为自适应变化参数,用于调节和其梯度的相似性。img

具体求解步骤:

计算S:

这里写图片描述

利用FFT,求解等式(7),可得滤波图像S:

这里写图片描述

计算img

这里写图片描述

为了更直观的表示,用img代替img,重写上式为:

这里写图片描述

求解等式(11)可得:

这里写图片描述

推到过程如下:

这里写图片描述

算法实现步骤:

这里写图片描述

MATLAB代码:

function S = L0Smoothing(Im, lambda, kappa)
if ~exist('kappa','var')
    kappa = 2.0;
end
if ~exist('lambda','var')
    lambda = 2e-2;
end
S = im2double(Im);
betamax = 1e5;
fx = [1, -1];
fy = [1; -1];
[N,M,D] = size(Im);
sizeI2D = [N,M];
otfFx = psf2otf(fx,sizeI2D);
otfFy = psf2otf(fy,sizeI2D);
Normin1 = fft2(S);
Denormin2 = abs(otfFx).^2 + abs(otfFy ).^2;
if D>1
    Denormin2 = repmat(Denormin2,[1,1,D]);
end
beta = 2*lambda;
while beta < betamax
    Denormin   = 1 + beta*Denormin2;
    % h-v subproblem
    h = [diff(S,1,2), S(:,1,:) - S(:,end,:)];
    v = [diff(S,1,1); S(1,:,:) - S(end,:,:)];%原文 
    if D==1
        t = (h.^2+v.^2)<lambda/beta;
    else
        t = sum((h.^2+v.^2),3)<lambda/beta;
        t = repmat(t,[1,1,D]);
    end
    h(t)=0; v(t)=0;
    % S subproblem
    Normin2 = [h(:,end,:) - h(:, 1,:), -diff(h,1,2)];
    Normin2 = Normin2 + [v(end,:,:) - v(1, :,:); -diff(v,1,1)];
    FS = (Normin1+ beta*fft2(Normin2))./Denormin;
    S = real(ifft2(FS));
    beta = beta*kappa;
    fprintf('.');
end
fprintf('\n');
end
  • 4
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值