python加权最小二乘_Matlab&Python-WLS加权最小二乘滤波

最近看了论文Non-local Image Dehazing基于雾线的去雾算法。

其中算法的滤波用的是weighted least square(WLS)算法，论文全称《Edge-Preserving Decompositions for Multi-Scale Tone and Detail Manipulation》，作者Z. Farbman等，发表在ACM SIGGRAPH 2007。

保边滤波器可以是两个矛盾的目标的结合体。对于一副输入图像g(N*M)，我们目标图像u一方面我们希望其尽可能近似，与此同时除了在一些边缘梯度变化比较大的地方外应该越平滑越好。数学模型为：

下标代表像素点空间位置，其中p表示像素的位置，ax和ay控制着不同位置上的平滑程度。

目标函数第一项代表输入图像和输出图像越相似越好，第二项是正则项，通过最小化的偏导，使得输出图像越平滑越好。平滑项的权重分别是和，依赖于输入图像，当输入图像的边缘梯度变化比较大的时候，我们希望其约束小一些，以保留图像的结构信息；当图像的边缘梯度变化很小的时候，这些细节信息我们认为其不重要，约束自然可以大一些，lambda是正则项参数，平衡两者比重，越大图像也就越平滑。

上式写成矩阵就是：

其中，Ax,Ay为以ax,ay为对角元素的对角矩阵，Dx，Dy为前向差分矩阵，和是后向差分算子，要使得(2)式去的最小值，u需满足如下：

Lg为五点空间异构Laplacian矩阵。

论文中的去的平滑权重系数为：

输入图像亮度通道的log值(其实直接用原始图像也是可行的)，可以看出当的梯度比较大时，会随着变小，否则反之。权重的这样设计是很合理的，可以保留较大的边缘，平滑不必要的细节。 其中 l表示log， ε一般取0.0001。

原作者在项目主页中公布了源码:

稀疏矩阵A就是公式(3)中的I+λLg。这段程序和前面的推导不同之处在于平滑权重先乘以了−λ，但是最中的结果是一致的：对角线上用1去减，其实就是加；对于其他四个对角线，我们推导的结果是带有负号的平滑权重，然后乘以λ，其实就等价于直接乘以−λ