Abstract

• L0梯度最小化模型是邊緣感知影象平滑方法之一，也受到階梯效應的影響，具有強紋理的影象無法有效平滑。
• 首先，對影象進行非二次取樣的小波變換，得到高頻分量，並通過最大區域性能量規則組合所有高頻分量，得到高頻分解影象，然後引入與之相關的資料項。 高頻分解影象，保持輸入和平滑影象之間的邊緣和結構的相似性。
• 其次，提出了修補的L0梯度最小化模型用於改進區域性資訊的描述，因為不同大小的塊具有不同的紋理，利用變異係數來定義塊的大小。
• 最後，基於梯度定義自適應平滑係數，以確保貼片的平滑效果是最佳的。

Introduction

• 邊緣感知影象平滑演算法與傳統低通濾波方法之間的明顯差異在於影象中的顯著邊緣是否保持。
• 邊緣感知影象平滑也可以作為影象增強演算法中的重要步驟。
• 影象平滑演算法已經擴充套件到高緯度的資料處理，並實現了三維網格去噪。
• 基於濾波處理，該演算法可分為區域性和全域性資訊演算法。 基於區域性資訊的演算法通過利用以該畫素為中心的區域性鄰域提供的區域性資訊來獲得輸出畫素。 另一方面，基於全域性資訊的演算法同時過濾整個影象。
• Xu等人提出了改進的總變差模型，命名為L0梯度最小化（LGM）模型，這比總方差模型更有效，但也受到階梯效應的影響，弱邊緣或結構將過度平滑，強烈的紋理無法有效平滑。
• Cho和Lee [18]提出了一種有效的方案，即使用平滑影象的梯度，拉普拉斯運算元和對角線導數的加權組合，該模型比其他先前的模型獲得更好的效能，但不考慮區域性資訊。
• LGM模型也受到階梯效應的影響，具有強烈紋理的影象無法有效平滑，弱邊緣或結構將過度平滑。為了克服這些缺點，對影象進行非二次取樣的小波變換（NSST），以獲得高頻分解影象，然後通過最大區域性能量規則融合所有高頻分量，以保持輸入和平滑影象之間的紋理和邊緣的相似性.

Background

Adaptive patched LGM

• 為了平滑強紋理並保持結構或弱邊緣，在演算法中採用了NSST的高頻帶。 因此，表示在二維空間中具有合成擴充套件的仿射系統

Experimental results and analysis

Conclusions and future work

• 本文提出了用於影象平滑的自適應修補LGM模型，以提高輸入和平滑影象之間紋理和邊緣的相似性，引入與高頻分解影象相關的資料項，最大限度地融合所有高頻分量。
•  首先，與基於本地資訊的演算法分支相比，所提出的演算法的計算複雜度非常高。 將來應該降低所提演算法的計算複雜度。