CN105931192B - 基于加权中值滤波的图像纹理滤波方法 - Google Patents
基于加权中值滤波的图像纹理滤波方法 Download PDFInfo
- Publication number
- CN105931192B CN105931192B CN201610194712.0A CN201610194712A CN105931192B CN 105931192 B CN105931192 B CN 105931192B CN 201610194712 A CN201610194712 A CN 201610194712A CN 105931192 B CN105931192 B CN 105931192B
- Authority
- CN
- China
- Prior art keywords
- image
- texture
- filtering
- input picture
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000000205 computational method Methods 0.000 claims description 8
- 241001229527 Mariental mammarenavirus Species 0.000 claims 1
- 229910002056 binary alloy Inorganic materials 0.000 claims 1
- 230000002146 bilateral effect Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010010254 Concussion Diseases 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于加权中值滤波的图像纹理滤波方法。该方法可以简要的概括为以下五个步骤:用户给定一幅图像作为输入图像;根据输入图像进行均值滤波操作得到一个均值滤波后的图像;根据输入图像计算得到一个改进的相对总变化的图像;根据改进的相对总变化的图像插值输入图像和均值滤波后的图像获得一个引导图像;根据引导图像计算权值,采用加权中值滤波对输入图像进行纹理滤波操作,求得纹理滤波后的图像。本方法基于加权中值滤波对图像进行纹理滤波操作,提出了一种新的计算引导图像的方法,同时该方法和已有算法相比能够较好处理图像中包含的具有极端变化的纹理信息。
Description
技术领域
本发明涉及一种图像纹理滤波方法,尤其是基于加权中值滤波的图像纹理方法。
背景技术
图像纹理滤波算法是指利用算法去除图像中包含的复杂纹理信息同时保持图像中的显著结构信息不被弱化。图像纹理滤波算法在图像处理、机器视觉、模式识别等领域都具有较为广泛的应用。例如图像纹理滤波算法能够用来去除图像中包含的一些分布比较密集的噪声信息,可以作为预处理操作来提高边缘检测的效果等。由于图像纹理滤波算法的重要性,有许多算法被提出用来进行纹理滤波操作。
基于边界保持的图像滤波算法,这类算法把高对比度的区域看作显著的结构边界。然而,一些平坦的纹理区域有时也会包含一些高的震荡。因此会容易把这些区域误判成结构边界。这类算法的典型代表有,Tomasi等人提出的双边滤波器算法(参见Tomasi C,Manduchi R.Bilateral filtering for gray and color images.Proceedings of IEEEInternational Conference on Computer Vision,IEEE Computer Society,1998:839-846)、Subr等人提出的基于局部极值的边界保持滤波器算法(参见Subr K,Soler C,DurandF.Edge-preserving multiscale image decomposition based on local extrema.ACMTransactions on Graphics,2009,28:1-9)以及Farbman等人提出的基于加权最小二乘的边界保持滤波器算法(参见Farbman Z,Fattal R,Lischinski D,Szeliski R.Edge-preserving decompositions for multi-scale tone and detail manipulation.ACMTransactions on Graphics,2008,27(3):15-19)。
根据全局变化区分图像中包含的显著结构信息和复杂纹理信息。Xu等人提出了相对总变化(Relative Total Variation)来引导图像的纹理滤波操作(参见Xu L,Yan Q,XiaY,et al.Structure extraction from texture via relative total variation.ACMTransactions on Graphics,2012,31(6):439-445)。这种类型的算法不能够很好的区分图像中结构附近的纹理信息,因此对于结构边界附近的纹理信息不能够很好的去除。
Cho等人提出了利用改进的相对总变化(modified Relative Total Variation)的图像插值生成引导图像,来进行图像的纹理滤波操作,但是Cho等人采用的是基于双边滤波器算法。由于双边滤波算法的特性,因此Cho等人的算法会在一定程度上模糊图像的结构边界同时不能够较好的处理极端变化的纹理信息(参见Cho H,Lee H,Kang H,LeeS.Bilateral texture filtering.ACM Transactions on Graphics,2014,33(4):1-8)。
除了上面介绍的图像纹理滤波算法以外还有许多其他的图像纹理滤波算法,但是这些算法都具有一些缺陷。因此本发明提出了一种基于加权中值滤波的图像纹理滤波算法。该方法给出了一种新的处理图像中纹理信息的方法,并且对于极端变化的纹理信息具有较好的处理效果。
发明内容
本发明的目的:本发明提出了一种基于加权中值滤波的图像纹理滤波方法。该方法提出了一种新的计算引导图像的方式,并且利用加权中值滤波能够较好的处理图像中包含的极端变化的纹理信息。
本发明设计了一种基于加权中值滤波的图像纹理滤波方法。该方法包括以下五个步骤:
(1)给定一幅二维的图像作为输入图像I,其宽度和高度分别记作W和H个像素,I中像素记作p=(x,y),则x∈{0,1,2,...,W-1},y∈{0,1,2,...,H-1}。p的像素值记作Ip,对于8位二进制数所表示的灰度图像,图像最多有28=256个灰度值,因此Ip∈{0,1,2,...,255}。对于利用RGB颜色空间表示的彩色图像,图像每个通道的亮度值用8位二进制数表示,Ip=[r,g,b]且r,g,b∈{0,1,2,...,255}。给定k值(k为奇数),则像素p的矩形邻域Ωp是以像素p为中心的大小为k×k的二维矩形。
(2)根据步骤(1)中输入图像I和给定的矩形邻域Ωp对I进行均值滤波操作,得到均值滤波后的图像B。计算方法如下:
N表示像素p邻域内所有像素的个数,q表示邻域Ωp内的像素。对于彩色图像需要对RGB三个通道分别计算均值。
(3)根据步骤(1)中输入图像I和给定的矩形邻域Ωp,计算改进的相对总变化的图像,记作mRTV。计算方法如下:
Imax(Ωp)和Imin(Ωp)分别表示邻域Ωp内最大和最小的像素值,表示像素q的梯度值,ε=10-9用来防止分母为零。如果图像I是彩色图像,首先将彩色图像转换为灰度图像,然后根据上述操作计算得到改进的相对总变化的图像。
(4)根据步骤(3)中的改进的相对总变化的图像mRTV,插值步骤(1)中的输入图像I和步骤(2)中得到的均值滤波后的图像B,得到引导图像G。插值方法如下:
Gp=αpIp+(1-αp)Bp
αp=tanh(σα·mRTV(Ωp))
αp∈[0,1]用来作为插值的权值,σα控制进行图像纹理滤波操作结构边界过渡到纹理区域的锐化度,默认值设为σα=k。
(5)根据步骤(4)中求得的引导图像G计算权值,基于加权中值滤波对步骤(1)中的输入图像I进行纹理滤波操作,得到纹理滤波后的图像J。根据Ma等人提出的加权中值滤波算法进行加权中值滤波(详细内容参见Ma Z,He K,Wei Y,Sun J,Wu E.Constant timeweighted median filtering for stereo matching and beyond.Proceedings of IEEEInternational Conference on Computer Vision,IEEE Computer Society,2013:49-56)。该加权中值滤波计算方法如下:
式中,h是一个多层直方图,i是一个离散的整数值并与Ip的取值范围相等,即i∈{0,1,2,...,255},因此h共有256层直方图。δ(x)表示克罗内克(Kronecker)函数,即:当x=0时函数返回值为1,反之为0。w(p,q)是根据引导图像G求得的权值,可以采用任意的边缘保持滤波器来计算。可以采用具有引导滤波算法来计算权值w(p,q)(详细内容参见KaimingH,Jian S,Xiaoou T.Guided image filtering[J].IEEE Transactions on PatternAnalysis&Machine Intelligence,2013,35(6):1397-1409),当然也可以采用双边滤波器来计算该权值(详细内容参见Tomasi C,Manduchi R.Bilateral filtering for gray andcolor images.Proceedings of IEEE International Conference on Computer Vision,IEEE Computer Society,1998:839-846)。纹理滤波后,图像中p像素的输出像素值Jp即为满足的最小层号。
至此就对输入图像进行了基于加权滤波器的纹理滤波操作。
本发明涉及的基于加权中值滤波图像纹理滤波器的优势在于,提出了一种新的简单但有效线性插值方法来计算引导图像,并且运用加权中值滤波来实现图像纹理信息的过滤,能够在去除图像纹理信息的同时较好的保持图像的显著结构边界,能够有效地过滤图像中所包含的一些亮度变化较大的纹理信息。
附图说明
图1是实施例的流程示意图。
具体实施方法
下面通过实施例结合流程示意图对本发明做进一步的阐述。
下面结合附图对本发明:基于加权中值滤波的图像纹理滤波方法进行详细说明;本实施例是以本发明技术方案为前提,进行实施的,并结合了详细的实施方式和过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例所描述的基于加权中值滤波的图像纹理滤波方法可以分为以下五个步骤:
(1)给定一幅二维的图像作为输入图像I,其宽度和高度分别记作W和H个像素,I中像素记作p=(x,y),则x∈{0,1,2,...,W-1},y∈{0,1,2,...,H-1}。p的像素值记作Ip,对于8位二进制数所表示的灰度图像,图像最多有28=256个灰度值,因此Ip∈{0,1,2,...,255}。对于利用RGB颜色空间表示的彩色图像,图像每个通道的亮度值用8位二进制数表示,Ip=[r,g,b]且r,g,b∈{0,1,2,...,255}。给定k值(k为奇数),则像素p的矩形邻域Ωp是以像素p为中心的大小为k×k的二维矩形。
(2)根据步骤(1)中输入图像I和给定的矩形邻域Ωp对I进行均值滤波操作,得到均值滤波后的图像B。计算方法如下:
N表示像素p邻域内所有像素的个数,q表示邻域内的像素。对于彩色图像需要对RGB三个通道分别计算均值。
(3)根据步骤(1)中输入图像I和给定的矩形邻域Ωp,计算改进的相对总变化的图像,记作mRTV。计算方法如下:
Imax(Ωp)和Imin(Ωp)分别表示邻域Ωp内最大和最小的像素值,表示像素q的梯度值,ε=10-9用来防止分母为零。如果图像I是彩色图像,首先将彩色图像转换为灰度图像,然后根据上述操作计算得到改进的相对总变化的图像。
(4)根据步骤(3)中的改进的相对总变化的图像mRTV,插值步骤(1)中的输入图像I和步骤(2)中得到的均值滤波后的图像B,得到引导图像G。插值方法如下:
Gp=αpIp+(1-αp)Bp
αp=tanh(σα·mRTV(Ωp))
αp∈[0,1]用来作为插值的权值,ρα控制进行图像纹理滤波操作结构边界过渡到纹理区域的锐化度,默认值设为σα=k。
(5)根据步骤(4)中求得的引导图像G计算权值,基于加权中值滤波对步骤(1)中的输入图像I进行纹理滤波操作,得到纹理滤波后的图像J。根据Ma等人提出的加权中值滤波算法进行加权中值滤波。计算方法如下:
式中,h是一个多层直方图,i是一个离散的整数值并与Ip的取值范围相等,即i∈{0,1,2,...,255},因此h共有256层直方图。δ(x)表示克罗内克(Kronecker)函数,即:当x=0时函数返回值为1,反之为0。w(p,q)是根据引导图像G求得的权值,可以采用任意的边缘保持滤波器来计算。可以采用具有引导滤波算法来计算权值w(p,q)。纹理滤波后,图像中p像素的输出像素值Jp即为满足的最小层号。
至此就对输入图像进行了基于加权滤波器的纹理滤波操作。
Claims (1)
1.一种基于加权中值滤波的图像纹理滤波方法,其特征在于:包括以下五个步骤:
(1).给定一幅图像作为输入图像I,其宽度和高度分别记作W和H个像素,I中像素记作p=(x,y),则x∈{0,1,2,...,W-1},y∈{0,1,2,...,H-1},p的像素值记作Ip,对于8位二进制数所表示的灰度图像,图像最多有28=256个灰度值,因此Ip∈{0,1,2,...,255};
(2).根据步骤(1)中输入图像I和给定的矩形邻域Ωp对I进行均值滤波操作,得到均值滤波后的图像B,计算方法如下:
N表示像素p邻域内所有像素的个数,q表示邻域Ωp内的像素;
(3).根据步骤(1)中输入图像I和给定的矩形邻域Ωp,计算改进的相对总变化的图像,记作mRTV,计算方法如下:
Imax(Ωp)和Imin(Ωp)分别表示邻域Ωp内最大和最小的像素值,表示像素q的梯度值,ε=10-9用来防止分母为零;
(4)根据步骤(3)中的改进的相对总变化的图像mRTV,插值步骤(1)中的输入图像I和步骤(2)中得到的均值滤波后的图像B,得到引导图像G,插值方法如下:
Gp=αpIp+(1-αp)Bp
αp=tanh(σα·mRTV(Ωp))
αp∈[0,1]用来作为插值的权值,σα控制进行图像纹理滤波操作结构边界过渡到纹理区域的锐化度,默认值设为σα=k;
(5).根据步骤(4)中的引导图像计算权值,基于加权中值滤波对输入图像进行纹理滤波操作,得到纹理滤波后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610194712.0A CN105931192B (zh) | 2016-03-21 | 2016-03-21 | 基于加权中值滤波的图像纹理滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610194712.0A CN105931192B (zh) | 2016-03-21 | 2016-03-21 | 基于加权中值滤波的图像纹理滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105931192A CN105931192A (zh) | 2016-09-07 |
CN105931192B true CN105931192B (zh) | 2017-08-15 |
Family
ID=56840156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610194712.0A Expired - Fee Related CN105931192B (zh) | 2016-03-21 | 2016-03-21 | 基于加权中值滤波的图像纹理滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105931192B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862715B (zh) * | 2021-02-08 | 2023-06-30 | 天津大学 | 一种实时且可控的尺度空间滤波方法 |
CN114693713A (zh) * | 2022-05-30 | 2022-07-01 | 天地智控(天津)科技有限公司 | 一种矿井下高清图像去粉尘烟雾快速恢复方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150733A (zh) * | 2013-03-25 | 2013-06-12 | 中国矿业大学(北京) | 一种应用于数字图像的自适应多级加权中值滤波算法 |
CN104504669A (zh) * | 2014-12-12 | 2015-04-08 | 天津大学 | 一种基于局部二值模式的中值滤波检测方法 |
CN105303536A (zh) * | 2015-11-26 | 2016-02-03 | 南京工程学院 | 一种基于加权均值滤波的中值滤波算法 |
-
2016
- 2016-03-21 CN CN201610194712.0A patent/CN105931192B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150733A (zh) * | 2013-03-25 | 2013-06-12 | 中国矿业大学(北京) | 一种应用于数字图像的自适应多级加权中值滤波算法 |
CN104504669A (zh) * | 2014-12-12 | 2015-04-08 | 天津大学 | 一种基于局部二值模式的中值滤波检测方法 |
CN105303536A (zh) * | 2015-11-26 | 2016-02-03 | 南京工程学院 | 一种基于加权均值滤波的中值滤波算法 |
Non-Patent Citations (4)
Title |
---|
《Bilateral texture filtering》;Hojin Cho等;《ACM Transactions on Graphics (TOG) - Proceedings of ACM SIGGRAPH 2014》;20140731;第33卷(第4期);42-48 * |
《一种基于边缘检测的改进的中值滤波去噪方法》;张毛女等;《计算机与现代化》;20110331(第187期);63-65,73 * |
《基于最小生成树的加权中值滤波算法》;崔承宗等;《计算机工程》;20101231;第36卷(第23期);第3.5部分 * |
《改进的中值滤波算法在图像去噪中的应用》;赵高长等;《应用光学》;20110731;第32卷(第4期);678-682 * |
Also Published As
Publication number | Publication date |
---|---|
CN105931192A (zh) | 2016-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Effective guided image filtering for contrast enhancement | |
Sun et al. | Gradient profile prior and its applications in image super-resolution and enhancement | |
Zhong et al. | Handling noise in single image deblurring using directional filters | |
Thanh et al. | An adaptive method for image restoration based on high-order total variation and inverse gradient | |
Lee et al. | Noise removal with Gauss curvature-driven diffusion | |
Prasath et al. | Structure tensor adaptive total variation for image restoration | |
EP2588374A2 (en) | Non-linear resolution reduction for medical imagery | |
Deng et al. | A guided edge-aware smoothing-sharpening filter based on patch interpolation model and generalized gamma distribution | |
Zhao et al. | Local activity-driven structural-preserving filtering for noise removal and image smoothing | |
Buades et al. | Cartoon+ texture image decomposition | |
Shokhan | An efficient approach for improving canny edge detection algorithm | |
Vijayakumar | Selective image enhancement and restoration for skin cancer identification | |
Bar et al. | Restoration of images with piecewise space-variant blur | |
CN105931192B (zh) | 基于加权中值滤波的图像纹理滤波方法 | |
Satti et al. | Intensity bound limit filter for high density impulse noise removal | |
Taha et al. | Partial Differential Equations and Digital Image Processing: A Review | |
Liu et al. | Multi-modal ship target image smoothing based on adaptive mean shift | |
Thakur et al. | A review on performance analysis of PDE based anisotropic diffusion approaches for image enhancement | |
Jose et al. | Bilateral edge detectors | |
Kaur et al. | An improved adaptive bilateral filter to remove gaussian noise from color images | |
JP2019016865A (ja) | 画像処理装置、画像処理方法 | |
Liu et al. | Infrared ship target image smoothing based on adaptive mean shift | |
Qiegen et al. | Adaptive image decomposition by improved bilateral filter | |
WO2009090641A1 (en) | Multi-scale representation of an out of focus image | |
Chen et al. | A pilot study on a new image enhancement method using spatial statistics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170815 |
|
CF01 | Termination of patent right due to non-payment of annual fee |