基于图像纹理平滑的技术研究.docx

基于图像纹理平滑的技术研究.docx

《基于图像纹理平滑的技术研究.docx》由会员分享，可在线阅读，更多相关《基于图像纹理平滑的技术研究.docx（10页珍藏版）》请在冰豆网上搜索。

基于图像纹理平滑的技术研究

基于图像纹理平滑的技术研究

目录

【摘要】2

1前言3

1.1研究背景及意义3

1.2国内外研究与发展状况4

1.3课题设计目标4

2图像平滑的方法4

2.1纹理的概念及分类4

2.2图像平滑技术5

3纹理平滑模型7

4实验结果与分析8

4.1结果展示8

4.2结果分析9

5总结9

【参考文献】10

基于图像纹理平滑的技术研究

【摘要】随着互联网的普及，数字媒体技术及职能信息处理技术的迅速发展和广泛应用，大规模图像资源不断涌现。

而纹理作为图像的一种重要视觉手段，是在图像中普遍存在而又难以描述的特征。

纹理平滑技术也是层出不穷，常用的处理方式是使用滤波器，有归一化块滤波、高斯滤波、中值滤波、双边滤波，本文则提出一种新型的自适应全变差分框架来进行图像纹理平滑。

我们提议使用绝对变差来区分重要的结构和纹理细节，然后基于绝对变差和固有变差的锐化变差在处理平滑过程中锐化重要结构的边缘，最后，通过整合成我们提出的现有相对总变差，我们不仅可以平滑的包含精致细节的纹理，而且还保持了显著的结构。

【关键词】纹理平滑；滤波器；自适应全变差

1前言

1.1研究背景及意义

随着计算机处理能力的增强和多媒体技术的迅猛发展，网络上图像的数量爆炸式的增长，仅2013年，在互联网企业中，Facebook图片数量达到了2400亿，然而仅占人类所拍摄的3.5万亿照片中的4%。

可见，使用图像的方式来传递信息越来越成为信息传递的主要方式。

在如此海量的图像数据中，纹理图像又占有相当大的比例，然而如何从复杂繁琐的纹理图像中准确高效的提取所需要的信息，成为值得研究的方向。

纹理平滑技术应运而生。

随着科学技术的不断进步以及人类对未知领域的不断探索，图像处理技术在许多领域取得了重大的开拓性成就，例如，军事指导、生物医学工程、航空航天、工业检测、机器人视觉、公安司法、视频和多媒体系统以及文化艺术领域。

因此，图像纹理平滑成为一门备受关注、前景远大的研究方向。

很多国家，特别是发达国家投入更多的人力、物力到这项研究，取得了不少重要的研究成果。

然而，不同于人类视觉轻松地从纹理中识别有意义的结构，自动从纹理中提取的显着结构对于计算机而言仍然是非常困难的，纹理平滑在计算机视觉领域仍然是极为有研究意义和挑战性的问题。

1.2国内外研究与发展状况

纹理平滑是一个相对智能化的过程，人类的视觉可以很轻易的从纹理表面识别出主要结构，但是对于计算机而言，这是一个费力的过程。

所以，在计算机视觉与模式识别领域，一直以来都有各种算法被提出来。

20世纪末，Tomasi观察到双边滤波具有保边去噪的功能，将双边滤波运用于图像处理。

而后，Paris、Durand、Chen和Fattal等分别提出了一系列双边滤波的应用。

但是鉴于双边滤波在处理图像过程中保存了过多的高频信息，在彩色图像处理过程中，双边滤波只能够对低频信息进行较好的处理，而高频噪声则不能够干净的滤掉。

在纹理-结构分解方面，Liu等人提出了将空间关系运用于分析近规则结构，随后，他们在《图像de-fencing》一文中，提出将纹理-结构分解运用于de-fencing。

但是，这些方法要求事先知道纹理排列规律为前提，这一点已无法满足人们对智能化的要求。

Rudin等提出了应用于图像去噪的总差分最小化模型，简称TV模型。

该方法不仅对噪声的处理能力强，而且在旋转了

角度后维持梯度模值不变，在实现了较好的视觉效果的同时提高了运算效率。

1.3课题设计目标

纹理图像包含重要的结构以及纹理背景，而往往纹理的存在对于后续的处理存在干扰现象。

为了使计算机更好地分析处理图像，常常是需要提取图像中的某些重要信息，去除干扰性内容。

纹理平滑的意义有如下几点：

（1）提高图像的视觉感观质量；

（2）提取图像中包含的某些特殊信息或特征；

（3）图像数据的变换、编码和压缩，便于图像的传输和存储。

纹理平滑对图像的传输方面也有一定的帮助，尤其在当代社会，随着科学技术和遥感技术的迅猛发展，人们迫切需要从现场视频图像来看到真实直观的场面。

对于图像的传输和存储方式的要求越来越高，纹理平滑可以实现降噪和图像还原，以保证图像传输的质量。

2图像平滑的方法

2.1纹理的概念及分类

计算机图形学中的纹理既包括通常意义上物体表面的纹理即使物体表面呈现凹凸不平的沟纹，同时也包括在物体的光滑表面上的彩色图案，通常我们更多地称之为花纹。

纹理作为物体表面的一种基于属性广泛存在于自然界中，是描述和识别物体的一种极为重要的特征。

常见的纹理有以下3种类型：

（1）自然纹理。

这种纹理是自然界自然存在的物体表面属性，是未经人工刻意“雕刻”的，如图2-1所示，这种纹理的基本组成元素形状多样、多数不规则，分布随机性较大。

（2）人工纹理。

这种纹理是人工制造的不同于自然存在物体表面属性的一种纹理，如图2-2所示，这种纹理的主要特点是纹理基本组成元素形状规则、确定，分布规律较强。

（3）混合纹理。

该种纹理主要是一些人工制造的纹理基本元素随机分布于物体表面或自然界，如图2-3所示。

图2-1自然纹理

图2-2人工纹理

图2-3混合纹理

2.2图像平滑技术

图像的平滑处理一般用于模糊处理和减小噪声，常常作为更高应用的预处理。

常用的平滑处理操作有均值滤波、中值滤波和高斯滤波。

下面简单介绍一下这三种滤波算法。

（1）均值滤波就是用滤波掩膜确定的邻域内像素的平均灰度值代替图像中每个像素点的值，这种处理减小了图像灰度的“尖锐变化”，起到了减噪的作用。

但是均值滤波处理带来了边缘模糊的负面效应。

均值滤波器的主要应用是去除图像中的不相干细节，“不相干”是指与滤波掩膜尺寸相比较小的像素区域。

滤波掩膜大小通常为3*3，如下图2-4所示,其中掩膜也成为加权平均。

图2-4滤波掩膜

一幅图像M×N的图像经过一个

（m和n是奇数）的加权均值滤波器的滤波过程可有下式给出：

其中，x=0,1,2,...M-1,y=0,1,2,...,N-1执行上式可得一幅完全滤波的图像。

（2）中值滤波是统计排序滤波器，它是将邻域内像素灰度值的中值代替该像素的值。

中值滤波器使用非常普遍，因为对于一定类型的随机噪声，它提供了一种优秀的去噪能力，比小尺寸的线性平滑滤波器的模糊程度要低。

中值滤波器对处理椒盐噪声非常有效。

（3）高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器。

它对去除服从正态分布的噪声很有效。

常用的零均值离散高斯滤波器函数：

其中，高斯分布参数Sigma决定了高斯函数的宽度。

对于图像处理来说，常用二维零均值离散高斯函数做平滑滤波器。

三中滤波器的效果如下图所示：

图2-5原图图2-6均值滤波处理效果图

图2-7中值滤波器处理效果图2-8高斯滤波器处理效果

在本文中，我们描述了一种新框架，可以在平滑的质地中更好地进行突出结构的保护，特别是对较大尺度的纹理。

在这个新的框架中，我们引进了一种新型的绝对变差来区分显著的结构和细节纹理。

基于绝对变差和固有变差，我们提出了一个锐化变差，以保持结构边缘。

锐化变差是基于高斯高通滤波器，而基于高斯低通滤波器的相对总变差则用来抑制细节。

3纹理平滑模型

利用窗口总变差D和窗口固有变差L的特性，Xu等人提出了函数下面公式

（1）所示，

（1）

这个方法用数据项

来约束输入和输出图像的结构相似性。

公式中

是一个权值，在最佳化过程中必不可少的一个参数。

正则项

，命名为窗口相对总变差（RTV），在纹理-结构分解过程扮演者至关重要的角色。

为了避免0做被除数，表达式

（1）引进了

，

是一个很小的正数。

然而，窗口相对总变差（RTV）在抑制纹理的时候，导致了轮廓过度平滑，我们提出一种新型的观点，将窗口总变差D和窗口绝对变差H结合起来形成新的模型，可以移除纹理的同时保护结构边缘，表达式如

（2）所示，

（2）

这个方法相对简单，但是却能高效的从纹理中提出有意义的结构，其中数据项

起着关键的作用。

我们将这个数据项命名为窗口锐化总变差（STV）。

实际上，在我们的优化框架中，我们通过绝对总变差H的值来判断一个像素点是结构像素还是纹理像素。

结构像素点计算出的H值较大，而纹理像素计算出的H值较小。

基于这个特性，结构像素和纹理像素被分离开，结构像素用窗口锐化总变差（STV）进行处理，这样可以保持结构的边缘，而纹理像素则是用平滑能力较好的窗口相对总变差（RTV）处理。

我们观察到，既然我们可以利用H的值来判断出该像素点是纹理细节还是显著结构，那么对于保真项，我们可以给一个权重

。

当该像素为纹理时，理论上，该保真项

产生的值会比较大，而这不是我们想要的，因此就可以通过

来调整保真项的值。

当像素为纹理时，保真项的值应该越小越好，就可以通过减小

来实现。

在实验比较过程中，我们发现H值大则该像素为结构，H值小则该像素处于纹理部分的可能性很高，因此，

可以表达成与H相关的函数，由此可以得到以下目标函数：

.

4实验结果与分析

4.1结果展示

为了能够体现我们的方法的优越性，现在对一幅有点皱褶的十字绣图进行处理，如图4-1所示，然后将RTV模型处理图片的效果和用我们方法处理的实验效果进行一下对比，如图4-2和图4-3所示。

图4-1原图图4-2RTV模型处理效果图4-3STV模型处理效果

4.2结果分析

经过试验，与RTV模型相比，我们的方法可以通过更少的迭代次数来获得结果，尤其是对于输入图像分辨较高的情况下。

在迭代过程中，图像的像素值被正规化到区间[0,1]。

为了避免被零除，引进了

和

，这两个值设定为很小的正数。

固定为

，而

则设置为

，使我们的方法性能更好。

通过实验，我们得出结论，通常情况下设置迭代次数为3-5迭代得到的平滑效果最佳。

在每次迭代中逐渐减小σ有助于锐化边缘。

但是对于在正则化中必不可少的权重，它影响的是平滑的效果，实践证明，λ值应在区间[0.01,0.03]间变动。

我们发现，增加λ使得图像变得模糊。

我们的方法在处理多尺度纹理时，纹理尺度范围比已有的RTV模型要广，即使是纹理尺度大于50像素，仍然可以保持高精确度。

与此相反，当纹理尺度大于40像素，RTV模型的准确度却急剧下降。

而且我们的方法特殊性质使得其可以用来处理图像图形领域、计算机视觉领域的一些实质性问题，可以把它应用在边缘检测，纹理增强，图像合成等领域。

5总结

图像平滑是为了人类视觉系统的生理接受特点而设计的改善图像质量的方法，有很强的主观性。

不同的平滑算法适应于特定类型的噪声模型，实际应用中应该根据实际图像中包含的噪声情况灵活地选取适当的平滑算法。

本文介绍了对图像平滑处理的几种滤波器，中值滤波器处理图像的效果要比均值滤波好，因为这些干扰值与其邻近像素的灰度值有很大的差异，经过排序后取中值的结果就将此干扰强制变成与其邻近的某些像素值一样，从而达到去除干扰的效果。

但是由于中值滤波方法在处理过程中会带来图像模糊，所以对于细节丰富，特别是点、线和尖顶细节较多的图像不适用。

而高斯滤波对随机噪声和高斯噪声（尤其是服从正太分布的噪声）的去除效果比较好，但是对于椒盐噪声的去除就欠佳，似乎在把噪声的幅度减小的同时也把噪声点变大了。

因此在作平滑处理时要针对不同的图像噪声采用不同的滤波器才能获得好的效果。

在本文中，我们描述了一个基于分开独立处理结构和纹理像素的机制，具有强大的纹理平滑方法，可以实现全局范围的结构边缘保持和移除平滑低振幅的纹理细节。

通过本门课程的学习，我对图像处理有了更加深刻的认识，尤其是图像平滑处理技术的研究，有了新的收获，今后我会更加努力，争取在图像处理方面有所贡献。

【参考文献】

[1]CastlemanKR.朱志刚等译.数字图像处理.北京:

电子工业出版社,2002

[2]何磊,潘振宽,魏伟波.基于TV模型对含乘性噪声图像的去噪算法.青岛大学信息工程学院266071研究与探讨信息技术与信息化2009年第3期41-46

[3]胡文瑾,王维兰.基于TV模型的图像修复算法的一种数值实现.西北民族大学学报（自然科学版）第32卷总第82期.2011年6月.

[4]唐彩虹，蔡利栋.一种基于直方图的加权均值滤波器.微计算机信息，2006,22（5）：

202-204

[5]XU,L.,YAN,Q.XIA,Y.,ANDJIA,J.Structureextractionfromtextureviarelativetotalvariation.ACMTrans.Graph.31,6.2012.

[6]郭红伟,余江,朱家兴,李志勇.基于局部直方图的加权均值滤波器.计算机应用,第30卷第11期2010年11月

[7]FATTAL,R.,AGRAWALA,M.,ANDRUSINKIEWICZ,S.Multiscaleshapeanddetailenhancementfrommulti-lightimagecollections.ACMTrans.Graph.26,3,51.2007.