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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract description 49
- 230000002146 bilateral effect Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000000295 complement effect Effects 0.000 claims abstract description 11
- 230000000873 masking effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 20
- 239000000126 substance Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 238000009499 grossing Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
Description
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;
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:
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,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:
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:
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S43具体为:从边缘图像中精确边缘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
优选的,步骤S5具体为:
高斯频域滤波函数为:
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,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:
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,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:
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。
具体的,本步骤中,双边范围核函数为:
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。
本步骤中,对全变分后的图像进行高通滤波的具体方式为:
本步骤S43具体为:从边缘图像中精确边缘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
具体的,假设本实施方式中,中心点(xt,yt)为边缘图像上第t个纹理局部片的中心点,则中心点(xt,yt)在边缘图像上对应的单连通域在图像上的对应区域记为单连通纹理区域Tt,即,Tt表示图像上第t个单连通纹理区域,则为图像上区域内所有像素点的像素值均值,K为图像中单连通纹理区域总数。
高斯频域滤波函数为:
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)
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。
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)
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)
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 |
-
2019
- 2019-07-25 CN CN201910678165.7A patent/CN110599408B/zh active Active
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 |