一种联合超像素的边缘感知纹理滤波方法

1.本发明涉及图像处理技术领域，具体涉及一种联合超像素的边缘感知纹理滤波方法。


背景技术：

2.图像平滑是计算机视觉和图形学领域中最为重要的一种预处理技术，其目的是保留图像显著边缘结构的同时去除不重要的如噪声、纹理等细节。因其涉及到图像语义和人类感知的边缘结构与纹理细节的识别，纹理滤波是一个极具挑战性的研究难题。纹理滤波有着十分广泛的应用，比如结构信息提取、色调映射、视觉抽象、细节增强和接缝雕刻等，并已逐渐成为计算机视觉领域的一个研究热点。
3.传统的边缘保留平滑方法主要通过像素颜色或亮度等差异来实现，因此这类方法在去除图像中高对比度纹理细节时并不十分有效。而由xu等提出的基于相对总变分的全局优化方法可以有效改善图像平滑质量，但是该方法会出现过平滑的现象。另一种解决办法就是空间滤波，通过有效利用局部窗口(局部滤波)或全局图像中相似像素(非局部滤波)达到边缘保留的效果。与局部滤波方法相比，非局部滤波方法通过充分考虑全局的相似像素来进一步改善纹理平滑质量。然而，这些方法大都是使用规则的局部窗口进行纹理细节的测量，因此不可避免地存在模糊现象。
4.2014年，cho等提出了双边纹理滤波，通过对纹理特征进行局部规则窗口的分析，以窗口偏移的思想从最具代表性的局部窗口中获取突出结构边缘的纹理信息，实现纹理细节平滑的同时较好的保留结构边缘。在此基础上，2018年，xu等提出边缘感知的双边纹理滤波，通过构造边缘感知窗口，使每个窗口尽可能在一个纹理区域内，并在纹理测量中考虑结构边缘的线性特征。此外，该方法使用大尺度窗口的纹理滤镜和狭长的边缘感知小窗口结构测量过滤掉大规模的纹理，同时保留细小的结构。而本技术的发明人经过研究发现，实质上以上两种方法都是基于规则的局部滤波窗口进行改进，对于细小的结构边缘不能有效地避免模糊现象，边缘保留能力不佳。


技术实现要素：

5.针对现有纹理滤波方法都是基于规则的局部滤波窗口进行改进，对于细小的结构边缘不能有效地避免模糊现象，边缘保留能力不佳的技术问题，本发明提供一种联合超像素的边缘感知纹理滤波方法，通过将像素信息和超像素信息有机结合，来提高现有纹理滤波方法的滤波质量，边缘保留能力更佳。
6.为了解决上述技术问题，本发明采用了如下的技术方案：
7.一种联合超像素的边缘感知纹理滤波方法，包括以下步骤：
8.s1、采用scac算法对输入图像i进行超像素分割得到超像素区域，并对输入图像i使用窗口大小r
×
r进行均值滤波得到均值图像b；
9.s2、针对输入图像i中的每个像素p计算mrtv值，然后找到最小的mrtv值对应的局
部窗口ω
p
，计算局部窗口ω
p
与超像素区域的重叠部分得到具有边缘感知的局部滤波区域sp
p
；
10.s3、在局部滤波区域sp
p
内计算每个像素p的sprtv生成边缘感知引导图g
p
，并对每个像素p计算权重α，利用步骤s1的均值图像b和本步骤生成的边缘感知引导图g
p
以及权重α构造最终的纹理滤波引导图g'；
11.s4、使用g'作为引导图与输入图像i进行联合双边滤波，得到滤波图像j；
12.s5、针对纹理图像的滤波结果，提出参考滤波图像与输入图像异同比较以及滤波图像自身特征的评价指标，用于更好反映图像滤波输出的优劣。
13.进一步，所述步骤s2具体包括：
14.s21、针对输入图像i中的每个像素p，使用下式计算mrtv值：
[0015][0016]
其中，δ(ω
p
)表示局部窗口ω
p
内的色度范围，表示输入图像i在像素点j的梯度，ε表示一个很小的正数；
[0017]
s22、根据步骤s21计算得到的每个像素p的r
×
r领域内mrtv值，找到最小mrtv值对应的局部窗口ω
p
；
[0018]
s23、结合步骤s1分割得到的超像素区域和步骤s22找到的局部窗口ω
p
，对每个像素p计算这两个区域的重叠部分，得到具有边缘感知的局部滤波区域sp
p
。
[0019]
进一步，所述步骤s3具体包括：
[0020]
s31、在局部滤波区域sp
p
内通过下式计算每个像素p的sprtv：
[0021][0022]
其中，表示输入图像i在像素点j的梯度，r是偏移窗口的尺度大小；
[0023]
s32、对每个像素p采用下式计算权重α：
[0024][0025]
其中，sprtv(ω
p
)表示局部窗口ω
p
的sprtv值，sprtv(sp
p
)表示局部滤波区域sp
p
的sprtv值，σ表示从边缘到纹理区域的转换权重；
[0026]
s33、对具有边缘感知的局部滤波区域sp
p
中的像素计算均值生成新的引导图g
p
，并利用步骤s1的均值图像b和步骤s32计算的权重α通过公式g
p
'＝α
pgp
+(1-α
p
)b
p
构造最终的纹理滤波引导图g'。
[0027]
进一步，所述步骤s5具体包括：
[0028]
s51、针对已公开的现有纹理图像数据集中的多幅图像，通过canny算子使用极小
的阈值进行边缘检测，得到结构与细节的所有边缘信息；
[0029]
s52、通过现有纹理图像数据集中提供的结构边缘，与步骤s51得到的边缘信息做差，分离得到图像结构边缘与细节信息边缘；
[0030]
s53、对输入图像i与滤波图像j分别计算每个像素点处x与y方向上的梯度，分别衡量滤波图像与输入图像在结构边缘与细节边缘处的梯度异同，最后整合成一个统一的评价指标ef：
[0031][0032][0033][0034]
其中，s和t分别表示结构边缘与细节信息像素集，i
x
(i)和iy(i)是原始输入图像像素点i的梯度，j
x
(j)和jy(j)是滤波图像像素点j的梯度，j
x
(i)和jy(i)是滤波图像像素点i的梯度，且滤波图像像素点j是i的邻域，n(i)表示以像素点i为中心的3
×
3邻域。
[0035]
与现有技术相比，本发明提供的联合超像素的边缘感知纹理滤波方法具有以下优点：
[0036]
1、本发明采用scac算法对输入图像进行超像素区域分割，由此构造具有边缘感知的局部滤波区域，改进已有纹理滤波方法大都使用规则矩形窗口造成边缘模糊的问题。针对每个像素，利用超像素的特性即通过特征度量方式将相同或相似的局部像素集结为一个超像素块，结合窗口偏移，构造出更具边缘感知的局部滤波区域。对于图像中的细小结构边缘，本发明提出的边缘感知窗口所包含的像素更具代表性，从而能更好地保留图像的结构边缘。
[0037]
2、在生成双边纹理滤波引导图中，本发明改进了rtv值的计算方式，在边缘感知窗口的基础上改进了纹理测量。然后，本发明提出了一种新的权重计算方法，进一步提高了引导图的质量，从而加强结构边缘的保留能力。
[0038]
3、在进行图像纹理滤波质量评价时，本发明通过比较滤波图像与原始输入图像异同以及滤波图像自身特征得到更能反映图像滤波质量的评价指标。
附图说明
[0039]
图1是本发明实施例提供的联合超像素的边缘感知纹理滤波方法流程示意图。
[0040]
图2是本发明实施例提供的slic算法和scac算法进行超像素分割的结果对比图。
[0041]
图3是本发明实施例提供的本发明方法(h)与经典滤波方法：相对总变分的滤波方法(b)、双边纹理滤波(c)、迭代引导滤波(d)、树滤波(e)、高斯相关纹理滤波(f)、侧窗滤波(g)的滤波结果图。
[0042]
图4是本发明实施例提供的本发明方法(e)与尺度感知纹理滤波方法：尺度自适应的纹理滤波(b)、快速尺度自适应的双边纹理滤波(c)、尺度感知的纹理滤波(d)的滤波结果
图。
[0043]
图5是本发明实施例提供的对woman图像分别采用相对总变分的滤波方法(a)、双边纹理滤波(b)、迭代引导滤波(c)、树滤波(d)、高斯相关纹理滤波(e)、侧窗滤波(f)、尺度自适应的纹理滤波(g)、快速尺度自适应的双边纹理滤波(h)、尺度感知的纹理滤波(i)和本发明提出方法(j)所得到的滤波结果图。
[0044]
图6是本发明实施例提供的对纹理图像分别采用相对总变分的滤波方法(c)、双边纹理滤波(d)、迭代引导滤波(e)、树滤波(f)、高斯相关纹理滤波(g)、侧窗滤波(h)、尺度自适应的纹理滤波(i)、快速尺度自适应的双边纹理滤波(j)、尺度感知的纹理滤波(k)和本发明提出方法(b)所得到的滤波结果图。
[0045]
图7是本发明实施例提供的使用canny算子并通过提供的结构边缘得到纹理信息。
[0046]
图8是本发明实施例提供的使用上述十种滤波方法在200副图像上使用提出的评价指标求出的均值对比图。
具体实施方式
[0047]
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
[0048]
请参考图1所示，本发明提供一种联合超像素的边缘感知纹理滤波方法，包括以下步骤：
[0049]
s1、采用scac算法对输入图像i进行超像素分割得到超像素区域，并对输入图像i使用窗口大小r
×
r进行均值滤波得到均值图像b。具体地，超像素是指具有相似纹理、颜色、亮度等特征的局部像素构成的有一定视觉意义的不规则像素块，超像素技术利用像素之间的相似性将像素分组，使相似像素聚集成一个超集。slic(simple linear iterative clustering，简单线性迭代聚类)算法能生成紧凑近似均匀的超像素，在运算速度、物体轮廓保持、超像素形状等方面具有较高性能，符合人类视觉期望的分割效果。但是，slic算法仅针对图像的颜色信息进行超像素的划分，通过不断更新种子点的聚类算法进行迭代分割，对于图像中的细小边缘不能很好的适用，尤其是纹理复杂的图像。2021年，yuan等提出了具有内容自适应的超像素分割方法(scac)，通过梯度、颜色、纹理信息对图像中的内容进行分类，针对不同信息分别进行自适应的超像素分割，最后将各类分割结果进行聚合得到最终的具有内容自适应的超像素分割图像。与slic算法相比，scac算法对于纹理图像具有更佳的超像素分割结果，尤其在纹理区域以及物体结构边缘处。如图2所示，白色区域是偏移的窗口与超像素区域的重叠部分，即本发明提出的边缘感知局部滤波区域sp
p
，其中(a)是输入图像，(b)是slic算法的分割结果，(c)是scac算法的分割结果，可以看出使用scac算法分割的更加准确。因此，本发明最终采用scac算法对输入图像i进行分割得到超像素区域，并对输入图像i使用窗口大小r
×
r进行均值滤波得到均值图像b。
[0050]
s2、针对输入图像i中的每个像素p计算mrtv值，然后找到最小的mrtv值对应的局部窗口ω
p
，计算局部窗口ω
p
与超像素区域的重叠部分得到具有边缘感知的局部滤波区域sp
p
。虑双边纹理滤波局部滤波窗口的策略，本发明提出的边缘感知局部滤波区域是由不规则超像素和窗口偏移结合生成的，窗口偏移为像素选择了一个最不可能包含结构边缘的规则局部窗口，然后与超像素计算重叠部分得到一个不包含结构边缘的不规则局部滤波区
域，避免了滤波窗口跨越结构边缘产生的模糊现象。具体地，步骤s2包括以下步骤：
[0051]
s21、针对输入图像i中的每个像素p，使用下式计算mrtv值：
[0052][0053]
其中，δ(ω
p
)表示局部窗口ω
p
内的色度范围，表示输入图像i在像素点j的梯度，ε表示一个很小的正数。
[0054]
s22、根据步骤s21计算得到的每个像素p的r
×
r领域内mrtv值，找到最小mrtv值对应的局部窗口ω
p
。理论上，较小的mrtv值表明该区域内所包含的像素点同属于相同或相似的纹理结构，因此选择最小mrtv值对应的局部窗口ω
p
，尽可能使规则的矩形窗口不包含差异较大的像素，从而减弱差异像素带来的影响。
[0055]
s23、结合步骤s1分割得到的超像素区域和步骤s22找到的局部窗口ω
p
，对每个像素p计算这两个区域的重叠部分，得到具有边缘感知的局部滤波区域sp
p
，该区域围绕结构边缘呈现不规则性，表现出边缘感知的特点。
[0056]
s3、在局部滤波区域sp
p
内计算每个像素p的sprtv生成边缘感知引导图g
p
，并对每个像素p计算权重α，利用步骤s1的均值图像b和本步骤生成的边缘感知引导图g
p
以及权重α构造最终的纹理滤波引导图g'。具体地，给定输入图像i，结合中间引导图g，通过联合双边滤波得到纹理滤波结果图像：
[0057][0058]
其中，k
p
是归一化项，ω
p
是以像素p为中心的局部窗口，输出j
p
是iq在像素p的邻域ω
p
内的加权平均，空间位置核f和颜色范围核g是典型的高斯函数，颜色范围核g与引导图g的两个像素p和q之间的特征差异成反比，因此引导图的好坏对于滤波结果有着很大的影响。理想的引导图应具备以下两个特征：其一，在纹理区域的像素梯度应该足够小，这将有利于纹理的去除；其二，在结构边缘处的梯度应与原图保持一致，呈现不连续性，保留原图的结构特征。
[0059]
由于使用规则的矩形滤波窗口，对于细小结构边缘上的像素仍然存在较大的误差。此外，对于色度值很高的噪声，由于其可能具有较高的rtv(相对总变分)值，故也可能将其识别为边缘噪声。为了改善上述现象，本步骤s3具体包括以下步骤：
[0060]
s31、在局部滤波区域sp
p
内通过下式计算每个像素p的sprtv：
[0061][0062]
其中，sp
p
是像素p对应的融合窗口偏移与超像素分割得到的边缘感知局部滤波区域，表示输入图像i在像素点j的梯度，r是偏移窗口的尺度大小。
[0063]
s32、在上述步骤s31的基础上，加强权重α的计算，从而提高引导图的质量；改进后
权重α的计算公式如下，即对每个像素p采用下式计算权重α：
[0064][0065]
其中，ω
p
代表以像素p为中心的局部窗口，sprtv(ω
p
)表示局部窗口ω
p
的sprtv值，sprtv(sp
p
)表示局部滤波区域sp
p
的sprtv值，σ表示从边缘到纹理区域的转换权重。
[0066]
对于图像边缘上的像素点，sprtv(sp
p
)比sprtv(ω
p
)的值要小，因为规则矩形偏移窗口ω
p
中包含结构边缘，而边缘感知局部滤波区域sp
p
中的像素属于同一种纹理区域，这将会使得改进的权重α值较大，故可以保持图像的结构边缘。
[0067]
对于图像中纹理边缘上的像素点，情况与结构边缘处像素类似，其权重α值也会较大。但是，由于周围像素也同属于纹理区域，且随着迭代次数的增加，该像素的梯度将迅速降低，从而可以达到去除纹理边缘的效果。
[0068]
对于图像中平坦区域内的像素点，sprtv(sp
p
)与sprtv(ω
p
)的值很接近，通过上述公式将会使得权重α值较小，故可以高效地对图像的纹理信息进行去除。
[0069]
s33、对具有边缘感知的局部滤波区域sp
p
中的像素计算均值生成新的引导图g
p
，并利用步骤s1的均值图像b和步骤s32计算的权重α通过公式g
p
'＝α
pgp
+(1-α
p
)b
p
构造最终的纹理滤波引导图g'。
[0070]
s4、使用g'作为引导图与输入图像i进行联合双边滤波，得到滤波图像j。
[0071]
s5、针对纹理图像的滤波结果，提出参考滤波图像与输入图像异同比较以及滤波图像自身特征的评价指标，用于更好反映图像滤波输出的优劣。具体地，步骤s5包括以下步骤：
[0072]
s51、针对已公开的现有纹理图像数据集中的多幅图像(如2012年xuli提供的纹理图像数据集的200幅图像)，通过canny算子使用极小的阈值进行边缘检测，得到结构与细节的所有边缘信息。
[0073]
s52、通过现有纹理图像数据集中提供的结构边缘，与步骤s51得到的边缘信息做差，分离得到图像结构边缘与细节信息边缘。请参考图7所示，(a)是输入图像，(b)是对输入图像使用canny算子进行边缘提取得到的所有边缘信息，(c)是数据集中提供的结构边缘，(d)是做差得到的纹理信息边缘。
[0074]
为了对比本发明提出的方法与其他现有滤波方法的滤波效果量化测量，对目前使用的评价指标进行了研究。然而，大量研究使用的评价指标都是峰值信噪比(psnr)和结构相似性(ssim)，但这两个评价指标对于纹理滤波方法并不适用。考虑滤波图像与输入图像之间的差异，并结合滤波输出图像自身的特点。视觉理解是，在纹理信息处，滤波输出图像应该与输入图像有着较大的梯度差异，因为纹理信息应该被平滑；在边缘结构处，滤波输出图像应该与输入图像一致，故其梯度差异小，因为边缘结构需要被保留。更进一步，滤波输出图像的自身特点也应该被考虑，其纹理边缘处的梯度不仅与输出图像差异较大，且其自身梯度应该较小；同理，结构边缘处的梯度不仅与输出图像差异较小，且其自身梯度应该较大。所以，本发明提出了适用于纹理滤波方法的评价指标ef。
[0075]
s53、对输入图像i与滤波图像j分别计算每个像素点处x与y方向上的梯度，分别衡
量滤波图像与输入图像在结构边缘与细节边缘处的梯度异同，最后整合成一个统一的评价指标ef：
[0076][0077][0078][0079]
其中，s和t分别表示结构边缘与细节信息像素集，i
x
(i)和iy(i)是原始输入图像像素点i的梯度，j
x
(j)和jy(j)是滤波图像像素点j的梯度，j
x
(i)和jy(i)是滤波图像像素点i的梯度，且滤波图像像素点j是i的邻域，n(i)表示以像素点i为中心的3
×
3邻域。
[0080]
从上述计算es的公式可以得知，若结构边缘能较好的保留，es值较小；否则，es值将较大。从上述计算e
t
的公式可以得知，若纹理边缘能有效地去除，es值较大；否则，es值将较小。因此，上述计算ef的公式中ef值越大，表明算法的滤波性能越好。请参考图8所示，为在收集整理的200幅图像数据集上，对不同滤波方法使用本发明提出的评价指标进行比较的对比图，从中可以看出，本发明提出的方法在该指标上有着更佳的表现。
[0081]
请参考图3所示，为使用相对总变分的滤波方法(b)、双边纹理滤波(c)、迭代引导滤波(d)、树滤波(e)、高斯相关纹理滤波(f)、侧窗滤波(g)和本发明提出的方法(h)的滤波结果图。从放大图可以看出，本发明提出的方法可以很好地去除图像中纹理信息，同时保留图像的结构边缘。
[0082]
请参考图4所示，为使用尺度自适应的纹理滤波(b)、快速尺度自适应的双边纹理滤波(c)、尺度感知的纹理滤波(d)和本发明方法(e)的滤波结果图。尺度自适应的纹理滤波和快速尺度自适应的双边纹理滤波方法都是通过方向梯度信息自适应计算每个像素的最佳滤波尺度，由于仍是使用规则的矩形窗口，只是针对不同区域的像素设置不同大小的尺度半径，因此不能有效保留细小的边缘结构。尺度感知的纹理滤波方法通过尺度感知滤波削弱高对比度的小尺度纹理的梯度，结合l0h-1
变分模型保留结构同时实现滤波操作。但l0梯度最小化模型对图像的梯度信息有很大依赖，对于细小的结构边缘不能很好感知，从而产生模糊现象。而本发明提出的方法可以很好地缓解上述问题，在纹理去除的同时达到结构边缘保留的目的，获得不错的滤波效果。
[0083]
请参考图5所示，对woman图像分别采用相对总变分的滤波方法(a)、双边纹理滤波(b)、迭代引导滤波(c)、树滤波(d)、高斯相关纹理滤波(e)、侧窗滤波(f)、尺度自适应的纹理滤波(g)、快速尺度自适应的双边纹理滤波(h)、尺度感知的纹理滤波(i)和本发明提出方法(j)所得到的滤波结果图。相较其他方法，在头部饰品部分本发明提出的方法更能较好地保留其结构边缘；在左下角的衣服花纹区域，本发明提出的方法在平滑细节的同时也能保留其结构边缘。
[0084]
请参考图6所示，对纹理图像分别采用相对总变分的滤波方法(c)、双边纹理滤波(d)、迭代引导滤波(e)、树滤波(f)、高斯相关纹理滤波(g)、侧窗滤波(h)、尺度自适应的纹
理滤波(i)、快速尺度自适应的双边纹理滤波(j)、尺度感知的纹理滤波(k)和本发明提出方法(b)所得到的滤波结果图。由此可以明显看出本发明提出的方法能很好地去除纹理信息，同时也能保留图像的结构边缘，与其他滤波方法相比具有更佳的视觉效果。
[0085]
与现有技术相比，本发明提供的联合超像素的边缘感知纹理滤波方法具有以下优点：
[0086]
1、本发明采用scac算法对输入图像进行超像素区域分割，由此构造具有边缘感知的局部滤波区域，改进已有纹理滤波方法大都使用规则矩形窗口造成边缘模糊的问题。针对每个像素，利用超像素的特性即通过特征度量方式将相同或相似的局部像素集结为一个超像素块，结合窗口偏移，构造出更具边缘感知的局部滤波区域。对于图像中的细小结构边缘，本发明提出的边缘感知窗口所包含的像素更具代表性，从而能更好地保留图像的结构边缘。
[0087]
2、在生成双边纹理滤波引导图中，本发明改进了rtv值的计算方式，在边缘感知窗口的基础上改进了纹理测量。然后，本发明提出了一种新的权重计算方法，进一步提高了引导图的质量，从而加强结构边缘的保留能力。
[0088]
3、在进行图像纹理滤波质量评价时，本发明通过比较滤波图像与原始输入图像异同以及滤波图像自身特征得到更能反映图像滤波质量的评价指标。
[0089]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种联合超像素的边缘感知纹理滤波方法，其特征在于，包括以下步骤：s1、采用scac算法对输入图像i进行超像素分割得到超像素区域，并对输入图像i使用窗口大小r
×
r进行均值滤波得到均值图像b；s2、针对输入图像i中的每个像素p计算mrtv值，然后找到最小的mrtv值对应的局部窗口ω
p
，计算局部窗口ω
p
与超像素区域的重叠部分得到具有边缘感知的局部滤波区域sp
p
；s3、在局部滤波区域sp
p
内计算每个像素p的sprtv生成边缘感知引导图g
p
，并对每个像素p计算权重α，利用步骤s1的均值图像b和本步骤生成的边缘感知引导图g
p
以及权重α构造最终的纹理滤波引导图g'；s4、使用g'作为引导图与输入图像i进行联合双边滤波，得到滤波图像j；s5、针对纹理图像的滤波结果，提出参考滤波图像与输入图像异同比较以及滤波图像自身特征的评价指标，用于更好反映图像滤波输出的优劣。2.根据权利要求1所述的联合超像素的边缘感知纹理滤波方法，其特征在于，所述步骤s2具体包括：s21、针对输入图像i中的每个像素p，使用下式计算mrtv值：其中，δ(ω
p
)表示局部窗口ω
p
内的色度范围，表示输入图像i在像素点j的梯度，ε表示一个很小的正数；s22、根据步骤s21计算得到的每个像素p的r
×
r领域内mrtv值，找到最小mrtv值对应的局部窗口ω
p
；s23、结合步骤s1分割得到的超像素区域和步骤s22找到的局部窗口ω
p
，对每个像素p计算这两个区域的重叠部分，得到具有边缘感知的局部滤波区域sp
p
。3.根据权利要求1所述的联合超像素的边缘感知纹理滤波方法，其特征在于，所述步骤s3具体包括：s31、在局部滤波区域sp
p
内通过下式计算每个像素p的sprtv：其中，表示输入图像i在像素点j的梯度，r是偏移窗口的尺度大小；s32、对每个像素p采用下式计算权重α：其中，sprtv(ω
p
)表示局部窗口ω
p
的sprtv值，sprtv(sp
p
)表示局部滤波区域sp
p
的
sprtv值，σ表示从边缘到纹理区域的转换权重；s33、对具有边缘感知的局部滤波区域sp
p
中的像素计算均值生成新的引导图g
p
，并利用步骤s1的均值图像b和步骤s32计算的权重α通过公式g
p
'＝α
p
g
p
+(1-α
p
)b
p
构造最终的纹理滤波引导图g'。4.根据权利要求1所述的联合超像素的边缘感知纹理滤波方法，其特征在于，所述步骤s5具体包括：s51、针对已公开的现有纹理图像数据集中的多幅图像，通过canny算子使用极小的阈值进行边缘检测，得到结构与细节的所有边缘信息；s52、通过现有纹理图像数据集中提供的结构边缘，与步骤s51得到的边缘信息做差，分离得到图像结构边缘与细节信息边缘；s53、对输入图像i与滤波图像j分别计算每个像素点处x与y方向上的梯度，分别衡量滤波图像与输入图像在结构边缘与细节边缘处的梯度异同，最后整合成一个统一的评价指标e
f
：：：其中，s和t分别表示结构边缘与细节信息像素集，i
x
(i)和i
y
(i)是原始输入图像像素点i的梯度，j
x
(j)和j
y
(j)是滤波图像像素点j的梯度，j
x
(i)和j
y
(i)是滤波图像像素点i的梯度，且滤波图像像素点j是i的邻域，n(i)表示以像素点i为中心的3
×
3邻域。

技术总结
本发明提供一种联合超像素的边缘感知纹理滤波方法，包括步骤S1、采用SCAC算法对输入图像进行超像素分割得到超像素区域并使用窗口大小进行均值滤波得到均值图像；S2、针对输入图像中的每个像素计算mRTV值，找到最小mRTV值对应的局部窗口，计算局部窗口与超像素区域的重叠部分得到局部滤波区域；S3、在局部滤波区域内计算每个像素的SPRTV生成边缘感知引导图，并对每个像素计算权重，利用均值图像和边缘感知引导图以及权重构造纹理滤波引导图G'；S4、使用G'作为引导图与输入图像进行联合双边滤波得到滤波图像；S5、提出参考滤波图像与输入图像异同比较以及滤波图像自身特征的评价指标。本申请通过将像素信息和超像素信息有机结合来提高现有纹理滤波方法的滤波质量。结合来提高现有纹理滤波方法的滤波质量。结合来提高现有纹理滤波方法的滤波质量。


技术研发人员：龙建武 朱江洲 王雪梅
受保护的技术使用者：重庆理工大学
技术研发日：2022.04.11
技术公布日：2022/7/5