CN110599408B - 一种基于图像纹理区域选择性多尺度去纹理方法 - Google Patents

一种基于图像纹理区域选择性多尺度去纹理方法 Download PDF

Info

Publication number
CN110599408B
CN110599408B CN201910678165.7A CN201910678165A CN110599408B CN 110599408 B CN110599408 B CN 110599408B CN 201910678165 A CN201910678165 A CN 201910678165A CN 110599408 B CN110599408 B CN 110599408B
Authority
CN
China
Prior art keywords
image
texture
region
pixel
filtering
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.)
Active
Application number
CN201910678165.7A
Other languages
English (en)
Other versions
CN110599408A (zh
Inventor
杨翠
刘冲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anqing Normal University
Original Assignee
Anqing Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anqing Normal University filed Critical Anqing Normal University
Priority to CN201910678165.7A priority Critical patent/CN110599408B/zh
Publication of CN110599408A publication Critical patent/CN110599408A/zh
Application granted granted Critical
Publication of CN110599408B publication Critical patent/CN110599408B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出的一种基于图像纹理区域选择性多尺度去纹理方法，包括：对预处理后图像I进行高斯滤波，获取引导图G；通过双边范围核对预处理后图像I和引导图G进行多尺度的卷积滤波，获取分别对应带宽σh、σm和σl的图像Jh、
Figure DDA0002143962960000011
和Jl，σh＞σm＞σl；将图像
Figure DDA0002143962960000012
二值化处理，获得同尺寸的二值图蒙板BΓ；并通过对二值图蒙板BΓ进行反色处理，获取补集蒙板
Figure DDA0002143962960000013
对图像Jh和二值图蒙板BΓ进行卷积运算后的图像进行高斯频域滤波，获得纹理滤波图像
Figure DDA0002143962960000014
对图像Jl和补集蒙板
Figure DDA0002143962960000015
进行卷积运算，获得图像
Figure DDA0002143962960000016
对图像
Figure DDA0002143962960000017
和图像
Figure DDA0002143962960000018
求和，获得最终图像Iout。本发明能对图像纹理有效去除，同时对图像细节完整保留。

Description

一种基于图像纹理区域选择性多尺度去纹理方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于图像纹理区域选择性多尺度去纹理方法。
背景技术
许多自然场景和人类创造的艺术品都含有纹理，例如常见于砖上墙壁、铁路车厢和地铁的涂鸦和绘画；地毯、毛衣和其它精美工艺品的几何图案，尤其是马赛图案，在人类历史上，马赛克一直以来都是一种艺术形式来表现细节场景如人和动物等，还有其它用石头、玻璃模仿绘画，陶瓷和其它材料构成的贴画等。如果这些纹理图需要计算机处理时，我们会发现人类视觉系统很容易辨识，但计算却很难识别；另外，在研究古老墙壁画艺术价值时，图像纹理会成为对图像艺术分析的障碍，所以为了获得更佳的视觉效果和艺术价值，对图像纹理去除很有必要。
纹理在原始图像中表现为某种固有属性，很难从图像细节特征中分离出来。早期的去纹理方法是采用某种滤波对整体图像进行平滑，如双边滤波、全变分增强、自适应窗口均值滤波等，这些方法致力于抑制低振幅的细节，更多地关注如何找到一个合适的窗口参数来分解结构。这些方法在局部区域内构造纹理测量，以便进行后期的平滑处理。这类滤波框架存在两个主要问题，首先，纹理的比例各不相同，因此很难找到适合各种情况的窗口大小；其次，必须设置一个大的平滑参数，以消除明显对比度的局部纹理，它是以损失重要的结构细节为代价来去除相应区域纹理，所以这种经典的滤波去纹理方法局限性很大，去除纹理的同时会对图像造成过度模糊。另一类方法是通过机器学习，达到最佳纹理去除。当前有很多研究采用优化的思想，其中PCA方法、低秩学习、深度学习等方法是现今研究的热点，这类方法是逐步减少纹理损失的基础上，更新纹理滤波图像，以获得最佳纹理去除效果图。数学优化方法以其灵活性和良好的平滑效果而备受关注，但也面临两个问题，一是对大规模的图像，学习方法计算复杂度较高，另一个存在的问题是学习方法通常需要一定先验经验作为指导，而对于纹理图像的参考数据库很少，所以导致学习方法实用性不高。
到目前为止，很多现有的滤波器能对图像噪声消除和细节抑制有很好效果，但由于纹理模式错综复杂及多样性，直接应用于处理图像纹理，效果不佳。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于图像纹理区域选择性多尺度去纹理方法。
本发明提出的一种基于图像纹理区域选择性多尺度去纹理方法，包括：
S1、对待处理图像进行预处理；
S2、对预处理后图像I进行高斯滤波，获取引导图G；
S3、通过双边范围核对预处理后图像I和引导图G进行多尺度的卷积滤波，获取分别对应带宽σh、σm和σl的图像Jh、
Figure BDA0002143962940000021
和Jl，σh＞σm＞σl；
S4、将图像
Figure BDA0002143962940000022
二值化处理，获得同尺寸的二值图蒙板BΓ；并通过对二值图蒙板BΓ进行反色处理，获取补集蒙板
Figure BDA0002143962940000023
S5、对图像Jh和二值图蒙板BΓ进行卷积运算后的图像进行高斯频域滤波，获得纹理滤波图像
Figure BDA0002143962940000024
S6、对图像Jl和补集蒙板
Figure BDA0002143962940000031
进行卷积运算，获得图像
Figure BDA0002143962940000032
S7、对图像
Figure BDA0002143962940000033
和图像
Figure BDA0002143962940000034
求和，获得最终图像Iout。
优选的，步骤S1中，通过高斯空间和范围核组合滤波对待处理图像进行预处理。
优选的，步骤S1中，组合滤波函数为：
Figure BDA0002143962940000035
其中，Ωp为待处理图像中以p点为中心，半径为r的(2r+1)×(2r+1)区域；σ为区域Ωp的频域带宽，q为区域Ωp内的像素点，
Figure BDA0002143962940000036
分别为区域Ωp内的像素点q和像素点p的像素值；q-p为像素点q和像素点p在图像上的二维欧氏距离；gr、gσ分别为高斯空间核和范围核函数。
优选的，步骤S2具体为：通过高斯空间滤波器对预处理后图像I进行高斯滤波，获取引导图G；高斯空间滤波器函数为：
Figure BDA0002143962940000037
其中，Gp为引导图G中像素点p的像素值，Iq为预处理后图像I中像素点q的像素值。
优选的，步骤S3中，双边范围核函数为：
Figure BDA0002143962940000038
Jp为滤波后图像J中像素点p的像素值，Iq为预处理后图像I中像素点q的像素值，Gq和Gp分别为引导图G中像素点q和p的像素值。
优选的，步骤S4中，将图像
Figure BDA0002143962940000041
二值化处理，获得同尺寸的二值图蒙板BΓ的具体方法包括：
S41、首先对图像
Figure BDA0002143962940000042
中各像素点进行全变分，再对全变分后图像进行高通滤波，获得边缘图像
Figure BDA0002143962940000043
S42、再根据预设的边缘像素点数量阈值λ1，通过广度搜索方法在边缘图像
Figure BDA0002143962940000044
中搜索边缘单连通域，获取边缘图像
Figure BDA0002143962940000045
中的精确边缘
Figure BDA0002143962940000046
精确边缘
Figure BDA0002143962940000047
为边缘图像
Figure BDA0002143962940000048
中像素点数量大于阈值λ1的所有边缘单连通域的并集；
S43、在边缘图像
Figure BDA0002143962940000049
中获取多个单连通纹理区域，并获取多个单连通纹理区域在图像
Figure BDA00021439629400000410
中对应区域的平均像素值
Figure BDA00021439629400000411
S44、根据各像素点的像素值与平均像素值
Figure BDA00021439629400000412
之差，将图像
Figure BDA00021439629400000413
分割为纹理区域和非纹理区域；
S45、获取图像
Figure BDA00021439629400000414
中纹理区域与多个单连通纹理区域在图像
Figure BDA00021439629400000415
中对应区域的并集作为图像
Figure BDA00021439629400000416
中纹理总域；
S46、将图像
Figure BDA00021439629400000417
中位于纹理总域内的像素点的像素值更新为1，并将图像
Figure BDA00021439629400000418
中剩余像素点的像素值更新为0，获取二值图蒙板BΓ。
优选的，步骤S43具体为：从边缘图像
Figure BDA00021439629400000419
中精确边缘
Figure BDA00021439629400000420
以外区域选择多个大小尺寸为(2γ+1)×(2γ+1)的纹理局部片，γ为纹理局部片的半径；然后以每个纹理局部片中心点(xt,yt)为起始点进行广度优先搜索单连通域，获取每个纹理局部片对应的单连通域；然后获取所有单连通域在图像
Figure BDA00021439629400000421
上的对应区域作为单连通纹理区域，并计算所有单连通纹理区域的平均像素值
Figure BDA00021439629400000422
优选的，步骤S44具体为：设置半径阈值ε，在图像
Figure BDA00021439629400000423
中分割出纹理区域，纹理区域内任意像素点q均满足
Figure BDA00021439629400000424
步骤S45中，纹理总域
Figure BDA0002143962940000051
其中，Tt为图像
Figure BDA0002143962940000052
中第t个单连通纹理区域，K为图像
Figure BDA0002143962940000053
中单连通纹理区域总数；Tq表示纹理区域内第q个像素点，L表示纹理区域内像素点总数量。
优选的，步骤S4中，对二值图蒙板BΓ进行反色处理，获取补集蒙板
Figure BDA0002143962940000054
的函数为：
Figure BDA0002143962940000055
优选的，步骤S5具体为：
首先对图像Jh和二值图蒙板BΓ进行卷积运算，获得图像
Figure BDA0002143962940000056
Figure BDA0002143962940000057
然后对图像
Figure BDA0002143962940000058
进行高斯频域滤波，获得纹理滤波图像
Figure BDA0002143962940000059
高斯频域滤波函数为：
Figure BDA00021439629400000510
其中，
Figure BDA00021439629400000511
为纹理滤波图像
Figure BDA00021439629400000514
中像素点p的像素值，
Figure BDA00021439629400000512
分别为图像
Figure BDA00021439629400000513
中像素点q、p的像素值。
本发明提出的一种基于图像纹理区域选择性多尺度去纹理方法，首先通过引导图的引进，实现了通过高斯空间核改进的双边滤波对纹理图像细节特征进行保护滤波，获得很好的边缘信息；然后结合多尺度滤波结果和二值化处理获得的图像边缘信息进行高斯滤波去纹理。如此，本发明实现了纹理选择性的去除，最大程度的保护图像细节，同时计算复杂度较低，不需要先验参考指导。
本发明中，将图像去纹理分为五个阶段：预处理-多尺度滤波-边缘提取-纹理区域确定-深度去纹理。本发明通过多尺度五阶段选择性的模块化去纹理，能对图像纹理有效去除，同时对图像细节完整保留，提高去纹理效果，并兼顾图像品质和图像信息的差异。
本发明中，通过广度优先策略排除纹理伪边缘，再在确定的边缘图像上选择相应的纹理区域，最后在选定的纹理区域内采用大尺度高斯滤波去纹理，在保留图像边缘信息时，高效并精确。
附图说明
图1为本发明提出的一种基于图像纹理区域选择性多尺度去纹理方法流程图；
图2为图1步骤S4中获取二值图蒙板的流程图。
具体实施方式
参照图1，本发明提出的一种基于图像纹理区域选择性多尺度去纹理方法，包括：
S1、对待处理图像进行预处理。
具体的，步骤S1中，通过高斯空间和范围核组合滤波对待处理图像进行预处理，以削去图像细小纹理。。
步骤S1中，组合滤波函数为：
Figure BDA0002143962940000071
其中，Ωp为待处理图像中以p点为中心，半径为r的(2r+1)×(2r+1)区域；σ为区域Ωp的频域带宽，q为区域Ωp内的像素点，
Figure BDA0002143962940000072
分别为待处理图像上像素点q和像素点p的像素值，Ip为预处理后图像I上像素点p的像素值；q-p为像素点q和像素点p在图像上的二维欧氏距离；gr、gσ分别为高斯空间核和范围核函数。
S2、对预处理后图像I进行高斯滤波，获取引导图G。
具体的，本步骤中，通过高斯空间滤波器对预处理后图像I进行高斯滤波，获取引导图G；高斯空间滤波器函数为：
Figure BDA0002143962940000073
其中，Gp为引导图G中像素点p的像素值，Iq为预处理后图像I中像素点q的像素值。
S3、通过双边范围核对预处理后图像I和引导图G进行多尺度的卷积滤波，获取分别对应带宽σh、σm和σl的图像Jh、
Figure BDA0002143962940000075
和Jl，σh＞σm＞σl。
具体的，本步骤中，双边范围核函数为：
Figure BDA0002143962940000074
Jp为滤波后图像中像素点p的像素值，Iq为预处理后图像I中像素点q的像素值，Gq和Gp分别为引导图G中像素点q和p的像素值。
如此，当双边范围核函数中的区域Ωp的频域带宽为σh，则根据双边范围核对引导图G和图像I进行卷积处理，可获得高尺度滤波图像Jh；当双边范围核函数中的区域Ωp的频域带宽为σm，则根据双边范围核对引导图G和图像I进行卷积处理，可获得中尺度滤波图像
Figure BDA0002143962940000084
当双边范围核函数中的区域Ωp的频域带宽为σl，则根据双边范围核对引导图G和图像I进行卷积处理，可获得低尺度滤波图像Jl。
S4、将图像
Figure BDA0002143962940000085
二值化处理，获得同尺寸的二值图蒙板BΓ；并通过对二值图蒙板BΓ进行反色处理，获取补集蒙板
Figure BDA0002143962940000086
具体的，本步骤，将图像
Figure BDA0002143962940000087
二值化处理，获得同尺寸的二值图蒙板BΓ的具体方法包括：
S41、首先对图像
Figure BDA0002143962940000088
中各像素点进行全变分，再对全变分后图像进行高通滤波，获得边缘图像
Figure BDA0002143962940000089
具体的，本步骤
Figure BDA0002143962940000083
全变分函数为：
Figure BDA0002143962940000081
其中，
Figure BDA00021439629400000810
为图像
Figure BDA00021439629400000811
中坐标为(x,y)的像素点的像素值，
Figure BDA00021439629400000812
为边缘图像
Figure BDA00021439629400000813
中坐标为(x,y)的像素点的像素值。
本步骤中，对全变分后的图像进行高通滤波的具体方式为：
Figure BDA0002143962940000082
即，全变分后的图像中，对于像素值大于预设阈值λ的像素点均保留全变分后像素值；对于像素值小于或等于λ的像素点均将像素值置零处理，从而完成高通滤波，获取边缘图像
Figure BDA0002143962940000092
S42、再根据预设的边缘像素点数量阈值λ1，通过广度搜索方法在边缘图像
Figure BDA0002143962940000093
中搜索边缘单连通域，获取边缘图像
Figure BDA0002143962940000094
中的精确边缘
Figure BDA0002143962940000095
精确边缘
Figure BDA0002143962940000096
为边缘图像
Figure BDA0002143962940000097
中像素点数量大于阈值λ1的所有边缘单连通域的并集。
具体的，边缘图像
Figure BDA0002143962940000098
中的精确边缘
Figure BDA0002143962940000099
计算模型如下：
Figure BDA0002143962940000091
其中，
Figure BDA00021439629400000910
表示边缘图像
Figure BDA00021439629400000911
中第k个边缘单连通域，
Figure BDA00021439629400000912
表示边缘单连通域
Figure BDA00021439629400000913
中像素点的数量，n表示边缘图像
Figure BDA00021439629400000914
中包含的像素点数量大于阈值λ1的边缘单连通域的数量。
如此，本实施方式中，通过设置阈值λ1，对边缘单连通域进行筛选，可去除纹理伪边缘，保证最终获得精确边缘
Figure BDA00021439629400000915
的精确可靠。
S43、在边缘图像
Figure BDA00021439629400000916
中获取多个单连通纹理区域，并获取多个单连通纹理区域在图像
Figure BDA00021439629400000918
中对应区域的平均像素值
Figure BDA00021439629400000917
本步骤S43具体为：从边缘图像
Figure BDA00021439629400000919
中精确边缘
Figure BDA00021439629400000920
以外区域选择多个大小尺寸为(2γ+1)×(2γ+1)的纹理局部片，γ为纹理局部片的半径；然后以每个纹理局部片中心点(xt,yt)为起始点在边缘图像
Figure BDA00021439629400000921
中进行广度优先搜索单连通域，获取每个纹理局部片对应的单连通域；然后获取所有单连通域在图像
Figure BDA00021439629400000922
上的对应区域作为单连通纹理区域，并计算所有单连通纹理区域的平均像素值
Figure BDA00021439629400000923
具体的，假设本实施方式中，中心点(xt,yt)为边缘图像
Figure BDA00021439629400000924
上第t个纹理局部片的中心点，则中心点(xt,yt)在边缘图像
Figure BDA00021439629400000925
上对应的单连通域在图像
Figure BDA00021439629400000926
上的对应区域记为单连通纹理区域Tt，即，Tt表示图像
Figure BDA00021439629400000927
上第t个单连通纹理区域，则
Figure BDA00021439629400000928
为图像
Figure BDA0002143962940000104
上区域
Figure BDA0002143962940000101
内所有像素点的像素值均值，K为图像
Figure BDA0002143962940000105
中单连通纹理区域总数。
S44、根据各像素点的像素值与平均像素值
Figure BDA0002143962940000106
之差，将图像
Figure BDA0002143962940000107
分割为纹理区域和非纹理区域。
具体的，本步骤中，首先设置半径阈值ε，在图像
Figure BDA0002143962940000108
中分割出纹理区域，纹理区域内任意像素点q均满足
Figure BDA0002143962940000109
具体的，
Figure BDA00021439629400001010
为图像
Figure BDA00021439629400001011
中像素点q的像素值。
S45、获取图像
Figure BDA00021439629400001013
中纹理区域与多个单连通纹理区域在图像
Figure BDA00021439629400001012
中对应区域的并集作为图像
Figure BDA00021439629400001014
中纹理总域；即纹理总域为：
Figure BDA0002143962940000102
其中，Tt为图像
Figure BDA00021439629400001015
中第t个单连通纹理区域，K为图像
Figure BDA00021439629400001016
中单连通纹理区域总数；Tq表示纹理区域内第q个像素点，L表示纹理区域内像素点总数量。
S46、将图像
Figure BDA00021439629400001018
中位于纹理总域内的像素点的像素值更新为1，并将图像
Figure BDA00021439629400001017
中剩余像素点的像素值更新为0，获取二值图蒙板BΓ；即：
Figure BDA0002143962940000103
其中，p表示图像
Figure BDA00021439629400001019
中像素点位置，BΓ(p)表示像素点p在二值图蒙板BΓ上像素值。
S5、对图像Jh和二值图蒙板BΓ进行卷积运算后的图像进行高斯频域滤波，获得纹理滤波图像
Figure BDA00021439629400001020
具体的，本步骤中，首先对图像Jh和二值图蒙板BΓ进行卷积运算，获得图像
Figure BDA00021439629400001021
Figure BDA00021439629400001022
然后对图像
Figure BDA00021439629400001024
进行高斯频域滤波，获得纹理滤波图像
Figure BDA00021439629400001023
高斯频域滤波函数为：
Figure BDA0002143962940000111
其中，
Figure BDA0002143962940000113
为纹理滤波图像
Figure BDA0002143962940000116
中像素点p的像素值，
Figure BDA0002143962940000114
分别为图像
Figure BDA0002143962940000115
中像素点q、p的像素值。
S6、对图像Jl和补集蒙板
Figure BDA0002143962940000117
进行卷积运算，获得图像
Figure BDA0002143962940000118
具体的，步骤S4中，对二值图蒙板BΓ进行反色处理，获取补集蒙板
Figure BDA0002143962940000119
的函数为：
Figure BDA0002143962940000112
其中，q表示二值图蒙板BΓ上像素点位置，BΓ(q)表示像素点q在二值图蒙板BΓ上像素值，
Figure BDA00021439629400001110
表示像素点q在补集蒙板
Figure BDA00021439629400001111
上像素值。
S7、对图像
Figure BDA00021439629400001112
和图像
Figure BDA00021439629400001113
求和，获得去除纹理的最终图像Iout。
即，
Figure BDA00021439629400001114
以上所述，仅为本发明涉及的较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于图像纹理区域选择性多尺度去纹理方法，其特征在于，包括：
S1、对待处理图像进行预处理；
S2、对预处理后图像I进行高斯滤波，获取引导图G；
S3、通过双边范围核对预处理后图像I和引导图G进行多尺度的卷积滤波，获取分别对应带宽σh、σm和σl的图像Jh、
Figure FDA0002143962930000011
和Jl，σh＞σm＞σl；
S4、将图像
Figure FDA0002143962930000012
二值化处理，获得同尺寸的二值图蒙板BΓ；并通过对二值图蒙板BΓ进行反色处理，获取补集蒙板
Figure FDA0002143962930000013
S5、对图像Jh和二值图蒙板BΓ进行卷积运算后的图像进行高斯频域滤波，获得纹理滤波图像
Figure FDA0002143962930000014
S6、对图像Jl和补集蒙板
Figure FDA0002143962930000015
进行卷积运算，获得图像
Figure FDA0002143962930000016
S7、对图像
Figure FDA0002143962930000017
和图像
Figure FDA0002143962930000018
求和，获得最终图像Iout。
2.如权利要求1所述的基于图像纹理区域选择性多尺度去纹理方法，其特征在于，步骤S1中，通过高斯空间和范围核组合滤波对待处理图像进行预处理。
3.如权利要求2所述的基于图像纹理区域选择性多尺度去纹理方法，其特征在于，步骤S1中，组合滤波函数为：
Figure FDA0002143962930000019
其中，Ωp为待处理图像中以p点为中心，半径为r的(2r+1)×(2r+1)区域；σ为区域Ωp的频域带宽，q为区域Ωp内的像素点，
Figure FDA00021439629300000110
分别为区域Ωp内的像素点q和像素点p的像素值；q-p为像素点q和像素点p在图像上的二维欧氏距离；gr、gσ分别为高斯空间核和范围核函数。
4.如权利要求1所述的基于图像纹理区域选择性多尺度去纹理方法，其特征在于，步骤S2具体为：通过高斯空间滤波器对预处理后图像I进行高斯滤波，获取引导图G；高斯空间滤波器函数为：
Figure FDA0002143962930000021
其中，Gp为引导图G中像素点p的像素值，Iq为预处理后图像I中像素点q的像素值。
5.如权利要求1所述的基于图像纹理区域选择性多尺度去纹理方法，其特征在于，步骤S3中，双边范围核函数为：
Figure FDA0002143962930000022
Jp为滤波后图像J中像素点p的像素值，Iq为预处理后图像I中像素点q的像素值，Gq和Gp分别为引导图G中像素点q和p的像素值。
6.如权利要求1所述的基于图像纹理区域选择性多尺度去纹理方法，其特征在于，步骤S4中，将图像
Figure FDA0002143962930000023
二值化处理，获得同尺寸的二值图蒙板BΓ的具体方法包括：
S41、首先对图像
Figure FDA0002143962930000024
中各像素点进行全变分，再对全变分后图像进行高通滤波，获得边缘图像
Figure FDA0002143962930000025
S42、再根据预设的边缘像素点数量阈值λ1，通过广度搜索方法在边缘图像
Figure FDA0002143962930000026
中搜索边缘单连通域，获取边缘图像
Figure FDA0002143962930000027
中的精确边缘
Figure FDA0002143962930000028
精确边缘
Figure FDA0002143962930000029
为边缘图像
Figure FDA00021439629300000210
中像素点数量大于阈值λ1的所有边缘单连通域的并集；
S43、在边缘图像
Figure FDA00021439629300000211
中获取多个单连通纹理区域，并获取多个单连通纹理区域在图像
Figure FDA00021439629300000212
中对应区域的平均像素值
Figure FDA00021439629300000213
S44、根据各像素点的像素值与平均像素值
Figure FDA0002143962930000031
之差，将图像
Figure FDA0002143962930000032
分割为纹理区域和非纹理区域；
S45、获取图像
Figure FDA0002143962930000033
中纹理区域与多个单连通纹理区域在图像
Figure FDA0002143962930000034
中对应区域的并集作为图像
Figure FDA0002143962930000035
中纹理总域；
S46、将图像
Figure FDA0002143962930000036
中位于纹理总域内的像素点的像素值更新为1，并将图像
Figure FDA0002143962930000037
中剩余像素点的像素值更新为0，获取二值图蒙板BΓ。
7.如权利要求6所述的基于图像纹理区域选择性多尺度去纹理方法，其特征在于，步骤S43具体为：从边缘图像
Figure FDA0002143962930000038
中精确边缘
Figure FDA0002143962930000039
以外区域选择多个大小尺寸为(2γ+1)×(2γ+1)的纹理局部片，γ为纹理局部片的半径；然后以每个纹理局部片中心点(xt,yt)为起始点进行广度优先搜索单连通域，获取每个纹理局部片对应的单连通域；然后获取所有单连通域在图像
Figure FDA00021439629300000310
上的对应区域作为单连通纹理区域，并计算所有单连通纹理区域的平均像素值
Figure FDA00021439629300000311
8.如权利要求6所述的基于图像纹理区域选择性多尺度去纹理方法，其特征在于，步骤S44具体为：设置半径阈值ε，在图像
Figure FDA00021439629300000312
中分割出纹理区域，纹理区域内任意像素点q均满足
Figure FDA00021439629300000313
步骤S45中，纹理总域
Figure FDA00021439629300000314
其中，Tt为图像
Figure FDA00021439629300000315
中第t个单连通纹理区域，K为图像
Figure FDA00021439629300000316
中单连通纹理区域总数；Tq表示纹理区域内第q个像素点，L表示纹理区域内像素点总数量。
9.如权利要求1所述的基于图像纹理区域选择性多尺度去纹理方法，其特征在于，步骤S4中，对二值图蒙板BΓ进行反色处理，获取补集蒙板
Figure FDA00021439629300000317
的函数为：
Figure FDA0002143962930000041
10.如权利要求1所述的基于图像纹理区域选择性多尺度去纹理方法，其特征在于，步骤S5具体为：
首先对图像Jh和二值图蒙板BΓ进行卷积运算，获得图像
Figure FDA00021439629300000410
Figure FDA0002143962930000042
然后对图像
Figure FDA0002143962930000043
进行高斯频域滤波，获得纹理滤波图像
Figure FDA0002143962930000044
高斯频域滤波函数为：
Figure FDA0002143962930000045
其中，
Figure FDA0002143962930000046
为纹理滤波图像
Figure FDA0002143962930000047
中像素点p的像素值，
Figure FDA0002143962930000048
分别为图像
Figure FDA0002143962930000049
中像素点q、p的像素值。
CN201910678165.7A 2019-07-25 2019-07-25 一种基于图像纹理区域选择性多尺度去纹理方法 Active CN110599408B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910678165.7A CN110599408B (zh) 2019-07-25 2019-07-25 一种基于图像纹理区域选择性多尺度去纹理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910678165.7A CN110599408B (zh) 2019-07-25 2019-07-25 一种基于图像纹理区域选择性多尺度去纹理方法

Publications (2)

Publication Number Publication Date
CN110599408A CN110599408A (zh) 2019-12-20
CN110599408B true CN110599408B (zh) 2022-10-14

Family

ID=68852894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910678165.7A Active CN110599408B (zh) 2019-07-25 2019-07-25 一种基于图像纹理区域选择性多尺度去纹理方法

Country Status (1)

Country Link
CN (1) CN110599408B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111192190B (zh) * 2019-12-31 2023-05-12 北京金山云网络技术有限公司 消除图像水印的方法、装置及电子设备
CN113189634B (zh) * 2021-03-02 2022-10-25 四川新先达测控技术有限公司 一种类高斯成形方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960427A (zh) * 2016-01-11 2017-07-18 中兴通讯股份有限公司 二维码图像处理的方法和装置
CN106651938B (zh) * 2017-01-17 2019-09-17 湖南优象科技有限公司 一种融合高分辨率彩色图像的深度图增强方法
CN109272539A (zh) * 2018-09-13 2019-01-25 云南大学 基于引导图全变分模型的图像纹理和结构的分解方法

Also Published As

Publication number Publication date
CN110599408A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN108921800B (zh) 基于形状自适应搜索窗口的非局部均值去噪方法
Garzelli Pansharpening of multispectral images based on nonlocal parameter optimization
CN108765344A (zh) 一种基于深度卷积神经网络的单幅图像雨线去除的方法
CN106910169B (zh) 一种防止边缘模糊的图像椒盐噪声去除方法
CN110599408B (zh) 一种基于图像纹理区域选择性多尺度去纹理方法
Sharma et al. Edge detection using Moore neighborhood
Ram et al. Image denoising using nl-means via smooth patch ordering
CN105184766B (zh) 一种频域边界能量模型的水平集图像分割方法
CN108154147A (zh) 基于视觉注意模型的感兴趣区域检测方法
Akl et al. A survey of exemplar-based texture synthesis methods
CN104200434B (zh) 一种基于噪声方差估计的非局部均值图像去噪方法
CN113657528B (zh) 图像特征点提取方法、装置、计算机终端及存储介质
CN114898210B (zh) 一种基于神经网络的遥感图像目标识别方法
CN108694708A (zh) 基于图像边缘提取的小波变换图像融合方法
He et al. Textural filters based on the texture spectrum
CN106599891A (zh) 一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法
CN110751157B (zh) 图像显著性分割、图像显著性模型训练方法及装置
Braquelaire et al. Euclidean paths: a new representation of boundary of discrete regions
CN110335322B (zh) 基于图像的道路识别方法及道路识别装置
Dogra et al. An efficient image integration algorithm for night mode vision applications
CN107798663B (zh) 一种基于偏微分方程和bm3d的无参数化图像恢复方法
Gill et al. A review of enhancement and segmentation techniques for digital images
Abramson et al. Evaluation of edge-preserving smoothing filters for digital image mapping
CN112465845A (zh) 一种基于计算机视觉的图像模糊边缘信息分割方法
RU2716311C1 (ru) Устройство для восстановления карты глубины с поиском похожих блоков на основе нейронной сети

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant