CN116993629B - 基于图像分解的平滑方法、装置、电子设备及存储介质 - Google Patents
基于图像分解的平滑方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116993629B CN116993629B CN202311262011.2A CN202311262011A CN116993629B CN 116993629 B CN116993629 B CN 116993629B CN 202311262011 A CN202311262011 A CN 202311262011A CN 116993629 B CN116993629 B CN 116993629B
- Authority
- CN
- China
- Prior art keywords
- image
- smoothing
- processed
- structural
- iteration
- 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
- 238000009499 grossing Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 73
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101000616706 Rattus norvegicus Alpha-2,8-sialyltransferase 8E Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域，提供一种基于图像分解的平滑方法、装置、电子设备及存储介质，该方法首先获取待处理图像；然后将待处理图像进行图像分解，得到待处理图像的结构图像，并将结构图像进行二值化处理，得到二值图像；最后将待处理图像以及二值图像输入至平滑模型，并对平滑模型进行迭代求解，得到并输出待处理图像对应的平滑图像。该方法采用图像分解得到结构图像，通过图像分解与二值化处理相结合的方式，可以极大程度保留检测目标结构和边缘的同时提高背景平滑度，使得到的平滑图像结构更加突出，边缘保持较为完整，平滑效果更为显著。该方法可以应用于对待处理产品图像进行平滑处理，进而提高工业流水线产品检测的准确性和鲁棒性。
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分解的平滑方法、装置、电子设备及存储介质。
背景技术
随着近年来科学技术的蓬勃发展，工业生产制造过程中多步骤应用到图像处理等技术，即在对产品图像中的产品进行检测之前，对产品图像进行各项预处理。其中，就涉及对产品图像的平滑处理操作。
经典的平滑方法大多利用范数特性或是高斯滤波来达到平滑目的，但是依然难以避免各项干扰，例如图像采集过程中产生的噪声或者产品本身所具有的纹理，这将对产品图像中的产品的检测过程产生干扰，进而导致检测准确性不高的问题出现。
发明内容
本发明提供一种基于图像分解的平滑方法、装置、电子设备及存储介质，用以解决现有技术中存在的缺陷。
本发明提供一种基于图像分解的平滑方法，包括：
获取待处理图像；
将所述待处理图像进行图像分解，得到所述待处理图像的结构图像，并将所述结构图像进行二值化处理，得到二值图像；
将所述待处理图像以及所述二值图像输入至平滑模型，并对所述平滑模型进行迭代求解，得到并输出所述待处理图像对应的平滑图像。
根据本发明提供的一种基于图像分解的平滑方法，所述平滑模型基于加权最小二乘法构建；
所述平滑模型包括第一数据保真项和第一正则化项，所述第一数据保真项与所述第一正则化项之间具有平衡系数；
所述第一数据保真项基于所述平滑图像对应的目标变量和所述待处理图像确定，所述第一正则化项基于所述目标变量的偏导数确定。
根据本发明提供的一种基于图像分解的平滑方法，对所述平滑模型进行迭代求解，得到所述待处理图像对应的平滑图像，包括：
在第奇数次迭代，基于所述二值图像，对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果；
在第偶数次迭代，对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果。
根据本发明提供的一种基于图像分解的平滑方法，在第偶数次迭代，对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果，包括：
在第偶数次迭代，基于对应的非线性滤波算子对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果。
根据本发明提供的一种基于图像分解的平滑方法，每个偶数次迭代对应的非线性滤波算子基于将所述平滑模型的第一数据保真项与第一正则化项之间的平衡系数按目标倍数进行增加得到，所述目标倍数是缩放因子以偶数次迭代的次数为幂指数得到的结果。
根据本发明提供的一种基于图像分解的平滑方法，将所述待处理图像进行图像分解，得到所述待处理图像的结构图像，包括：
将所述待处理图像输入至结构自适应全变差正则化模型，通过对所述结构自适应全变差正则化模型进行求解，得到所述结构图像；
其中，所述结构自适应全变差正则化模型包括第二数据保真项和第二正则化项；
所述第二数据保真项基于所述结构图像对应的结构变量中每一像素点周围的目标点的多项式与所述待处理图像中所述目标点处的像素值确定；
所述第二正则化项是基于所述目标点的多项式在所述结构变量中每一像素点处的梯度确定的TV正则化项。
根据本发明提供的一种基于图像分解的平滑方法，将所述结构图像进行二值化处理，得到二值图像，包括：
确定使所述结构图像的前景像素点和背景像素点之间的类间方差值最大的分割阈值；
将所述结构图像中像素值小于分割阈值的像素点的像素值确定为0，并将所述结构图像中像素值大于或等于所述分割阈值的像素点的像素值确定为1，得到所述二值图像。
本发明还提供一种基于图像分解的平滑装置，包括：
图像获取模块，用于获取待处理图像；
结构二值化模块，用于将所述待处理图像进行图像分解，得到所述待处理图像的结构图像，并将所述结构图像进行二值化处理，得到二值图像；
模型求解模块，用于将所述待处理图像以及所述二值图像输入至平滑模型，并对所述平滑模型进行迭代求解，得到并输出所述待处理图像对应的平滑图像。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的基于图像分解的平滑方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的基于图像分解的平滑方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的基于图像分解的平滑方法。
与现有技术相比，本发明具有如下有益效果：
本发明提供的基于图像分解的平滑方法、装置、电子设备及存储介质，该方法首先获取待处理图像；然后将待处理图像进行图像分解，得到待处理图像的结构图像，并将结构图像进行二值化处理，得到二值图像；最后将待处理图像以及二值图像输入至平滑模型，并对平滑模型进行迭代求解，得到并输出待处理图像对应的平滑图像。该方法采用图像分解得到结构图像，该结构图像可以体现待处理图像的整体框架，包含图像边缘等重要描述信息；通过图像分解与二值化处理相结合的方式，可以极大程度保留检测目标结构和边缘的同时提高背景平滑度，使得到的平滑图像结构更加突出，边缘保持较为完整，平滑效果更为显著。该方法可以应用于对待处理产品图像进行平滑处理，进而提高工业流水线产品检测的准确性和鲁棒性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于图像分解的平滑方法的流程示意图；
图2是本发明提供的基于图像分解的平滑装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于现有的平滑方法无法有效地去除图像采集过程中产生的噪声或者产品本身所具有的纹理等干扰，对产品图像中的产品的检测过程产生干扰，进而导致检测准确性不高的问题出现。为此，本发明实施例中提供了一种基于图像分解的平滑方法，可以解决现有技术中存在的平滑方法存在的缺陷。
图1为本发明实施例中提供的一种基于图像分解的平滑方法的流程示意图，如图1所示，该方法包括：
S1，获取待处理图像；
S2，将所述待处理图像进行图像分解，得到所述待处理图像的结构图像，并将所述结构图像进行二值化处理，得到二值图像；
S3，将所述待处理图像以及所述二值图像输入至平滑模型，并对所述平滑模型进行迭代求解，得到并输出所述待处理图像对应的平滑图像。
具体地，本发明实施例中提供的基于图像分解的平滑方法，其执行主体为基于图像分解的平滑装置，该装置可以配置于计算机内，该计算机可以为本地计算机或云计算机，本地计算机可以是电脑、平板等，此处不作具体限定。
首先执行步骤S1，获取待处理图像。该待处理图像是指需要对其进行平滑处理的图像，既可以是彩色图像也可以是灰度图像。该待处理图像可以通过工业相机采集得到，也可以通过普通相机采集得到。该待处理图像中可以包含有待检测产品，利用该待处理图像可以实现对待检测产品进行检测。
然后执行步骤S2，将待处理图像进行图像分解，得到待处理图像的结构图像。该过程可以通过全变差正则化（Total Variation，TV）模型实现，也可以通过对TV模型进行改进得到的模型实现，例如自适应全变差正则化（Adaptive Total Variation，ATV）模型等，此处不作具体限定。
通过对待处理图像进行图像分解，可以得到待处理图像的纹理图像和结构图像，此处仅需要结构图像。此后，可以对结构图像进行二值化处理，得到二值图像。该过程可以通过双峰法、P参数法、迭代法和OTSU法等算法实现。
最后执行步骤S3，将待处理图像以及二值图像输入至平滑模型，并利用待处理图像与二值图像，对平滑模型进行求解，得到并输出待处理图像对应的平滑图像。此处，对平滑模型进行求解的过程，即为通过平滑模型对待处理图像进行迭代平滑处理的过程。
该平滑模型可以是基于加权最小二乘法（Weighted Least Square，WLS）构建的模型，即WLS模型，也可以是其他迭代平滑模型，此处不作具体限定。
在对平滑模型进行求解时，可以在每次迭代时均引入二值图像，也可以仅在第奇数次迭代时引入二值图像，引入方式可以是通过将二值图像与前次迭代得到的平滑结果应用点乘的方式进行融合，进而得到当前次迭代得到的平滑结果。可以理解的是，最后一次迭代得到的平滑结果即待处理图像对应的平滑图像，而最后一次迭代之前的每次迭代得到的平滑结果均为平滑图像的中间结果。此处，对平滑模型进行求解所需的总迭代次数可以根据需要进行设定。
本发明实施例中提供的基于图像分解的平滑方法，首先获取待处理图像；然后将待处理图像进行图像分解，得到待处理图像的结构图像，并将结构图像进行二值化处理，得到二值图像；最后将待处理图像以及二值图像输入至平滑模型，并对平滑模型进行迭代求解，得到并输出待处理图像对应的平滑图像。该方法采用图像分解得到结构图像，该结构图像可以体现待处理图像的整体框架，包含图像边缘等重要描述信息；通过图像分解与二值化处理相结合的方式，可以极大程度保留检测目标结构和边缘的同时提高背景平滑度，使得到的平滑图像结构更加突出，边缘保持较为完整，平滑效果更为显著。该方法可以应用于对待处理产品图像进行平滑处理，进而提高工业流水线产品检测的准确性和鲁棒性。
在上述实施例的基础上，本发明实施例中提供的基于图像分解的平滑方法，所述平滑模型基于加权最小二乘法构建；
所述平滑模型包括第一数据保真项和第一正则化项，所述第一数据保真项与所述第一正则化项之间具有平衡系数；
所述第一数据保真项基于所述平滑图像对应的目标变量和所述待处理图像确定，所述第一正则化项基于所述目标变量的偏导数确定。
具体地，本发明实施例中的平滑模型可以是WLS模型，该WLS模型在形式上可以表示为使如下损失函数达到最小：
； （1）
其中，p表示图像中像素点的空间位置，表示平滑图像对应的目标变量/>中的第p个像素点，/>表示待处理图像中第p个像素点，/>为第一数据保真项，其目标是最小化待处理图像/>和输出的平滑图像之间的距离；/>、/>分别为依赖于/>的x方向的平滑度权重函数和y方向的平滑度权重函数，/>为/>在x方向的偏导数，/>为/>在y方向的偏导数，/>为/>在p处的取值，/>为/>在p处的取值；为第一正则化项，其通过最小化u的偏导数来实现平滑；/>为第一数据保真项和第一正则化项之间的平衡系数，若增加/>的值，则导致输出逐渐更平滑的图像。
可以理解的是，每次迭代得到的平滑结果为该次迭代中目标变量的取值。
平滑度权重函数、/>分别定义如下：
； （2）
； （3）
其中，l为的亮度通道，可表示为/>的R、G、B三分量的线性组合，求解公式为l=0.299R+0.587G+0.114B，指数/>（通常在1.2和2.0之间）用于表征对/>的梯度的灵敏度，/>是小常数（通常为0.0001），用于防止在/>恒定的区域中分母为零。
在上述实施例的基础上，本发明实施例中提供的基于图像分解的平滑方法，对所述平滑模型进行迭代求解，得到所述待处理图像对应的平滑图像，包括：
在第奇数次迭代，基于所述二值图像，对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果；
在第偶数次迭代，对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果。
具体地，在对平滑模型进行迭代求解时，可以先使用矩阵表示法，将公式（1）重写为如下二次形式：
； （4）
其中，和/>分别是包含平滑性权重函数/>和/>的对角矩阵，矩阵为x方向的离散微分算子，矩阵/>为y方向的离散微分算子。
然后使得公式（4）最小化的被唯一定义为公式（5）的解，即/>由如下公式求解得到：
； （5）
其中，，/>表示单位矩阵。具体实现中，/>和/>作为前向差分算子，/>和/>作为后向差分算子，/>为五点空间非齐次拉普拉斯矩阵。
由公式（5）可得的公式如下：
； （6）
由公式（6）可知，可看作/>通过应用非线性滤波算子/>获得，且该非线性滤波算子/>依赖于/>。可以理解的是，非线性滤波算子/>即WLS的保边滤波算子。
对该非线性滤波算子进行推导如下：
在不包含显著边缘的图像区域，即连续区域中，x方向的平滑度权重和y方向的平滑度权重/>大致相等，即/>，因此有：
； （7）
其中，，是普通（齐次）拉普拉斯矩阵。
的频率响应可以表示为：
； （8）
其中，为频域变量，/>为平滑度权重的取值。
因此，在频域中按缩放因子c进行缩放等效于将乘以c2，即有：
； （9）
由此可以说明平衡系数的取值与平滑度之间的关系，即每次迭代时将平衡系数增加c倍，将导致每次迭代中平滑度的更显著增加。
将第一次求解得到的的取值，与二值图像M使用点乘的方法进行融合得第一次迭代得到的平滑结果/>：
； （10）
在此基础上，由于分解出的结构图像一般无法做到精细程度，若每次迭代均引入结构图像，边缘处存在一些精细纹理则无法去除，因此设定接下来的第奇数次迭代时引入结构图像：
； （11）
在第偶数次迭代时，应用非线性滤波算子，可进行迭代平滑，代入前次迭代得到的平滑结果以加速收敛，当前次迭代得到的平滑结果可以表示为：
； （12）
其中，为第2i次迭代对应的非线性滤波算子，可以通过公式（9）进行表示，即有：
； （13）
基于此，本发明实施例中的公式（1）可以通过将公式（11）和公式（12）作为约束条件进行求解。
在上述实施例的基础上，本发明实施例中提供的基于图像分解的平滑方法，每个偶数次迭代对应的非线性滤波算子基于将所述平滑模型的第一数据保真项与第一正则化项之间的平衡系数按目标倍数进行增加得到，所述目标倍数是缩放因子以偶数次迭代的次数为幂指数得到的结果。
具体地，第2i次迭代对应的非线性滤波算子为，可以通过公式（13）计算得到。其中，/>为平衡系数，/>为目标倍数，平衡系数按目标倍数进行增加即为/>，i可以理解为偶数次迭代的次数。
在上述实施例的基础上，本发明实施例中提供的基于图像分解的平滑方法，将所述待处理图像进行图像分解，得到所述待处理图像的结构图像，包括：
将所述待处理图像输入至结构自适应全变差正则化模型，通过对所述结构自适应全变差正则化模型进行求解，得到所述结构图像；
其中，所述结构自适应全变差正则化模型包括第二数据保真项和第二正则化项；
所述第二数据保真项基于所述结构图像对应的结构变量中每一像素点周围的目标点的多项式与所述待处理图像中所述目标点处的像素值确定；
所述第二正则化项是基于所述目标点的多项式在所述结构变量中每一像素点处的梯度确定的TV正则化项。
具体地，本发明实施例中，图像分解的主要目的是将可能受到噪声或纹理污染的待处理图像分离为结构图像S和纹理图像T，即：
； （14）
其中，S为结构图像，T为纹理图像。
此处，可以采用结构自适应全变差正则化（Stucture Adaptive TotalVariation，SATV）模型进行图像分解，以下为模型定义及计算：
令给定的待处理图像定义在域/>上，得到一个平滑的结构图像S，该结构图像S在每个像素点/>处的像素值S(x)的计算过程如下：
对于每个像素点，设/>是像素点x周围的有限点集。通过求解最小化问题构造一个L次多项式p(x)：
；（15）
其中，为第二数据保真项，/>为待处理图像/>中/>处的像素值，/>为第二正则化项，为TV正则化项，/>为TV范数。/>为第二数据保真项与第二正则化项之间的平衡系数。/>是/>空间中关于/>的多项式，，/>是由次数≤L的所有多项式组成的空间，即有：
； （16）
其中，表示非负整数集。
是加权函数，用于保证平滑图像中结构或重复局部特征保持不变，其定义如下：
； （17）
其中，是具有标准偏差/>的高斯函数，h为滤波参数，Y(z)是用于比较z和x两点周围贴片（patches）的恰当的小模块，y是指Y(z)小模块中的像素点。
由公式（17）可知，加权函数是数据自适应的，并且它考虑了z和x这两个位置的局部区域的相似性。
通过求解多项式p(x)，可以得到待处理图像的结构图像S。在求解多项式p(x)时，对于所有，像素值S(x)定义为：
； （18）
其中，为整体近似（逼近）函数。
在上述实施例的基础上，本发明实施例中提供的基于图像分解的平滑方法，将所述结构图像进行二值化处理，得到二值图像，包括：
确定使所述结构图像的前景像素点和背景像素点之间的类间方差值最大的分割阈值；
将所述结构图像中像素值小于分割阈值的像素点的像素值确定为0，并将所述结构图像中像素值大于或等于所述分割阈值的像素点的像素值确定为1，得到所述二值图像。
具体地，在将结构图像S进行二值化处理得到二值图像M时，由于已经将待处理图像进行图像分解操作，待处理图像/>的大部分纹理区域已被分离出来，因此可以采用简单的大津二值化（OSTU）算法实现。
OSTU大津法的主要思想是通过选取分割阈值t使得结构图像S的像素点分为前景像素点和背景像素点两类，使得前景像素点和背景像素点两类之间的类间方差值最大，即：
； （19）
其中，背景像素点为A类，前景像素点为B类，总像素点个数为，K为结构图像S的灰度级别，第i个灰度级别的像素点占比公式为/>，则背景像素点占比为，前景像素点占比为/>，背景像素点的平均灰度值为/>，前景像素点的平均灰度值为/>，灰度区间的灰度累计值为。从像素点j=0遍历到N-1，所求使得/>最大的t即为分割阈值。
此后，将结构图像S中像素值小于分割阈值t的像素点的像素值确定为0，并将结构图像S中像素值大于或等于分割阈值t的像素点的像素值确定为1，得到二值图像M。
如图2所示，在上述实施例的基础上，本发明实施例中提供了一种基于图像分解的平滑装置，包括：
图像获取模块21，用于获取待处理图像；
结构二值化模块22，用于将所述待处理图像进行图像分解，得到所述待处理图像的结构图像，并将所述结构图像进行二值化处理，得到二值图像；
模型求解模块23，用于将所述待处理图像以及所述二值图像输入至平滑模型，并对所述平滑模型进行迭代求解，得到并输出所述待处理图像对应的平滑图像。
在上述实施例的基础上，本发明实施例中提供的基于图像分解的平滑装置，所述平滑模型基于加权最小二乘法构建；
所述平滑模型包括第一数据保真项和第一正则化项，所述第一数据保真项与所述第一正则化项之间具有平衡系数；
所述第一数据保真项基于所述平滑图像对应的目标变量和所述待处理图像确定，所述第一正则化项基于所述目标变量的偏导数确定。
在上述实施例的基础上，本发明实施例中提供的基于图像分解的平滑装置，模型求解模块，具体用于：
在第奇数次迭代，基于所述二值图像，对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果；
在第偶数次迭代，对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果。
在上述实施例的基础上，本发明实施例中提供的基于图像分解的平滑装置，模型求解模块，具体用于：
在第偶数次迭代，基于对应的非线性滤波算子对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果。
在上述实施例的基础上，本发明实施例中提供的基于图像分解的平滑装置，每个偶数次迭代对应的非线性滤波算子基于将所述平滑模型的第一数据保真项与第一正则化项之间的平衡系数按目标倍数进行增加得到，所述目标倍数是缩放因子以偶数次迭代的次数为幂指数得到的结果。
在上述实施例的基础上，本发明实施例中提供的基于图像分解的平滑装置，结构二值化模块，具体用于：
将所述待处理图像输入至结构自适应全变差正则化模型，通过对所述结构自适应全变差正则化模型进行求解，得到所述结构图像；
其中，所述结构自适应全变差正则化模型包括第二数据保真项和第二正则化项；
所述第二数据保真项基于所述结构图像对应的结构变量中每一像素点周围的目标点的多项式与所述待处理图像中所述目标点处的像素值确定；
所述第二正则化项是基于所述目标点的多项式在所述结构变量中每一像素点处的梯度确定的TV正则化项。
在上述实施例的基础上，本发明实施例中提供的基于图像分解的平滑装置，结构二值化模块，还具体用于：
确定使所述结构图像的前景像素点和背景像素点之间的类间方差值最大的分割阈值；
将所述结构图像中像素值小于分割阈值的像素点的像素值确定为0，并将所述结构图像中像素值大于或等于所述分割阈值的像素点的像素值确定为1，得到所述二值图像。
具体地，本发明实施例中提供的基于图像分解的平滑装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器（Processor）310、通信接口（Communications Interface）320、存储器（Memory）330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行上述各实施例中提供的基于图像分解的平滑方法，该方法包括：获取待处理图像；将所述待处理图像进行图像分解，得到所述待处理图像的结构图像，并将所述结构图像进行二值化处理，得到二值图像；将所述待处理图像以及所述二值图像输入至平滑模型，并对所述平滑模型进行迭代求解，得到并输出所述待处理图像对应的平滑图像。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例中提供的基于图像分解的平滑方法，该方法包括：获取待处理图像；将所述待处理图像进行图像分解，得到所述待处理图像的结构图像，并将所述结构图像进行二值化处理，得到二值图像；将所述待处理图像以及所述二值图像输入至平滑模型，并对所述平滑模型进行迭代求解，得到并输出所述待处理图像对应的平滑图像。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例中提供的基于图像分解的平滑方法，该方法包括：获取待处理图像；将所述待处理图像进行图像分解，得到所述待处理图像的结构图像，并将所述结构图像进行二值化处理，得到二值图像；将所述待处理图像以及所述二值图像输入至平滑模型，并对所述平滑模型进行迭代求解，得到并输出所述待处理图像对应的平滑图像。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于图像分解的平滑方法，其特征在于，包括：
获取待处理图像；
将所述待处理图像进行图像分解，得到所述待处理图像的结构图像，并将所述结构图像进行二值化处理，得到二值图像；
将所述待处理图像以及所述二值图像输入至平滑模型，并对所述平滑模型进行迭代求解，得到并输出所述待处理图像对应的平滑图像；
将所述待处理图像进行图像分解，得到所述待处理图像的结构图像，包括：
将所述待处理图像输入至结构自适应全变差正则化模型，通过对所述结构自适应全变差正则化模型进行求解，得到所述结构图像；
其中，所述结构自适应全变差正则化模型包括第二数据保真项和第二正则化项；
所述第二数据保真项基于所述结构图像对应的结构变量中每一像素点周围的目标点的多项式与所述待处理图像中所述目标点处的像素值确定；
所述第二正则化项是基于所述目标点的多项式在所述结构变量中每一像素点处的梯度确定的TV正则化项；
所述平滑模型基于加权最小二乘法构建；
所述平滑模型包括第一数据保真项和第一正则化项，所述第一数据保真项与所述第一正则化项之间具有平衡系数；
所述第一数据保真项基于所述平滑图像对应的目标变量和所述待处理图像确定，所述第一正则化项基于所述目标变量的偏导数确定；
对所述平滑模型进行迭代求解，得到所述待处理图像对应的平滑图像，包括：
在第奇数次迭代，基于所述二值图像，对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果；
在第偶数次迭代，对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果；
在第偶数次迭代，对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果，包括：
在第偶数次迭代，基于对应的非线性滤波算子对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果；
每个偶数次迭代对应的非线性滤波算子基于将所述平滑模型的第一数据保真项与第一正则化项之间的平衡系数按目标倍数进行增加得到，所述目标倍数是缩放因子以偶数次迭代的次数为幂指数得到的结果。
2.根据权利要求1所述的基于图像分解的平滑方法，其特征在于，将所述结构图像进行二值化处理，得到二值图像，包括：
确定使所述结构图像的前景像素点和背景像素点之间的类间方差值最大的分割阈值；
将所述结构图像中像素值小于分割阈值的像素点的像素值确定为0，并将所述结构图像中像素值大于或等于所述分割阈值的像素点的像素值确定为1，得到所述二值图像。
3.一种基于图像分解的平滑装置，其特征在于，包括：
图像获取模块，用于获取待处理图像；
结构二值化模块，用于将所述待处理图像进行图像分解，得到所述待处理图像的结构图像，并将所述结构图像进行二值化处理，得到二值图像；
模型求解模块，用于将所述待处理图像以及所述二值图像输入至平滑模型，并对所述平滑模型进行迭代求解，得到并输出所述待处理图像对应的平滑图像；
将所述待处理图像进行图像分解，得到所述待处理图像的结构图像，包括：
将所述待处理图像输入至结构自适应全变差正则化模型，通过对所述结构自适应全变差正则化模型进行求解，得到所述结构图像；
其中，所述结构自适应全变差正则化模型包括第二数据保真项和第二正则化项；
所述第二数据保真项基于所述结构图像对应的结构变量中每一像素点周围的目标点的多项式与所述待处理图像中所述目标点处的像素值确定；
所述第二正则化项是基于所述目标点的多项式在所述结构变量中每一像素点处的梯度确定的TV正则化项；
所述平滑模型基于加权最小二乘法构建；
所述平滑模型包括第一数据保真项和第一正则化项，所述第一数据保真项与所述第一正则化项之间具有平衡系数；
所述第一数据保真项基于所述平滑图像对应的目标变量和所述待处理图像确定，所述第一正则化项基于所述目标变量的偏导数确定；
对所述平滑模型进行迭代求解，得到所述待处理图像对应的平滑图像，包括：
在第奇数次迭代，基于所述二值图像，对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果；
在第偶数次迭代，对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果；
在第偶数次迭代，对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果，包括：
在第偶数次迭代，基于对应的非线性滤波算子对前次迭代得到的平滑结果进行平滑处理，得到当前次迭代对应的平滑结果；
每个偶数次迭代对应的非线性滤波算子基于将所述平滑模型的第一数据保真项与第一正则化项之间的平衡系数按目标倍数进行增加得到，所述目标倍数是缩放因子以偶数次迭代的次数为幂指数得到的结果。
4.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-2中任一项所述的基于图像分解的平滑方法。
5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-2中任一项所述的基于图像分解的平滑方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311262011.2A CN116993629B (zh) | 2023-09-27 | 2023-09-27 | 基于图像分解的平滑方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311262011.2A CN116993629B (zh) | 2023-09-27 | 2023-09-27 | 基于图像分解的平滑方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116993629A CN116993629A (zh) | 2023-11-03 |
| CN116993629B true CN116993629B (zh) | 2023-12-19 |
Family
ID=88523629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311262011.2A Active CN116993629B (zh) | 2023-09-27 | 2023-09-27 | 基于图像分解的平滑方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116993629B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011134065A (ja) * | 2009-12-24 | 2011-07-07 | Ntt Comware Corp | 物体識別装置、物体識別方法、および物体識別プログラム |
| CN104331869A (zh) * | 2014-11-25 | 2015-02-04 | 南京信息工程大学 | 梯度与曲率相结合的图像平滑方法 |
| CN105654445A (zh) * | 2016-01-28 | 2016-06-08 | 东南大学 | 一种基于小波变换边缘检测的手机图像去噪方法 |
| CN108460744A (zh) * | 2018-03-21 | 2018-08-28 | 武汉理工大学 | 一种水泥刻槽路面图像降噪增强与裂缝特征提取方法 |
| CN112116623A (zh) * | 2020-09-21 | 2020-12-22 | 推想医疗科技股份有限公司 | 图像分割方法及装置 |
| CN116109871A (zh) * | 2023-02-21 | 2023-05-12 | 郑州安图生物工程股份有限公司 | 一种血清状态识别方法、装置、设备及存储介质 |
-
2023
- 2023-09-27 CN CN202311262011.2A patent/CN116993629B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011134065A (ja) * | 2009-12-24 | 2011-07-07 | Ntt Comware Corp | 物体識別装置、物体識別方法、および物体識別プログラム |
| CN104331869A (zh) * | 2014-11-25 | 2015-02-04 | 南京信息工程大学 | 梯度与曲率相结合的图像平滑方法 |
| CN105654445A (zh) * | 2016-01-28 | 2016-06-08 | 东南大学 | 一种基于小波变换边缘检测的手机图像去噪方法 |
| CN108460744A (zh) * | 2018-03-21 | 2018-08-28 | 武汉理工大学 | 一种水泥刻槽路面图像降噪增强与裂缝特征提取方法 |
| CN112116623A (zh) * | 2020-09-21 | 2020-12-22 | 推想医疗科技股份有限公司 | 图像分割方法及装置 |
| CN116109871A (zh) * | 2023-02-21 | 2023-05-12 | 郑州安图生物工程股份有限公司 | 一种血清状态识别方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116993629A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Erkan et al. | Adaptive frequency median filter for the salt and pepper denoising problem | |
| Lefkimmiatis | Universal denoising networks: a novel CNN architecture for image denoising | |
| Matakos et al. | Accelerated edge-preserving image restoration without boundary artifacts | |
| Yan | Restoration of images corrupted by impulse noise and mixed Gaussian impulse noise using blind inpainting | |
| JP6656111B2 (ja) | 画像のノイズを除去する方法及びシステム | |
| He et al. | A fast adaptive parameter estimation for total variation image restoration | |
| CN107133923B (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
| Rodríguez et al. | Mixed Gaussian-impulse noise image restoration via total variation | |
| Thakur et al. | PReLU and edge‐aware filter‐based image denoiser using convolutional neural network | |
| JP2017516233A (ja) | 雑音を有する画像の雑音を除去する方法 | |
| Zhu et al. | Self‐guided filter for image denoising | |
| Mafi et al. | Survey on mixed impulse and Gaussian denoising filters | |
| Alaoui et al. | Effective hybrid genetic algorithm for removing salt and pepper noise | |
| CN114742911A (zh) | 图像压缩感知重建方法、系统、设备及介质 | |
| Fermanian et al. | PnP-ReG: Learned regularizing gradient for plug-and-play gradient descent | |
| CN116993629B (zh) | 基于图像分解的平滑方法、装置、电子设备及存储介质 | |
| Lan et al. | Image denoising using non-local fuzzy means | |
| Maiseli et al. | Edge preservation image enlargement and enhancement method based on the adaptive Perona–Malik non‐linear diffusion model | |
| Mafi et al. | Deep convolutional neural network for mixed random impulse and Gaussian noise reduction in digital images | |
| Yang et al. | Adaptive trainable non‐linear reaction diffusion for Rician noise removal | |
| Rezayi et al. | Huber Markov random field for joint super resolution | |
| Diop et al. | Inhomogeneous morphological PDEs for robust and adaptive image shock filters | |
| CN111402173A (zh) | 一种混合噪声去除方法、装置、电子设备和存储介质 | |
| Tang et al. | Low Rank and Total Variation Based Two-Phase Method for Image Deblurring with Salt-and-Pepper Impulse Noise | |
| Asif | Fast Rauch-Tung-Striebel smoother-based image restoration for noncausal images |
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 |