CN102222328B - 一种边缘保持的自然场景图像自适应加权滤波方法 - Google Patents

一种边缘保持的自然场景图像自适应加权滤波方法 Download PDF

Info

Publication number
CN102222328B
CN102222328B CN201110182918A CN201110182918A CN102222328B CN 102222328 B CN102222328 B CN 102222328B CN 201110182918 A CN201110182918 A CN 201110182918A CN 201110182918 A CN201110182918 A CN 201110182918A CN 102222328 B CN102222328 B CN 102222328B
Authority
CN
China
Prior art keywords
pixel
template
original image
depth
image
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
Application number
CN201110182918A
Other languages
English (en)
Other versions
CN102222328A (zh
Inventor
周文晖
楼斌
孙志海
张桦
韦学辉
戴国骏
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.)
SERVICE CENTER OF COMMERCIALIZATION OF RESEARCH FINDINGS HAIAN COUNTY
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201110182918A priority Critical patent/CN102222328B/zh
Publication of CN102222328A publication Critical patent/CN102222328A/zh
Application granted granted Critical
Publication of CN102222328B publication Critical patent/CN102222328B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种边缘保持的自然场景图像自适应加权滤波方法。本发明方法首先根据高斯滤波器的标准差
Figure DEST_PATH_IMAGE002
，计算高斯模板，采用暗通道先验方法，获取原始图像中的深度线索，并归一化，生成深度先验图像。其次计算高斯模板上每个坐标点的空间近邻性权值和计算原始图像上两像素点间的亮度/颜色相似性权值。然后计算原始图像上两像素点间的深度差异性权值和计算模板中心对应于该像素点的自适应加权滤波模板，最后对原始图像中每个像素点，计算其自适应加权滤波结果。本发明方法不仅在亮度/颜色相似性权值计算中考虑了人眼对亮度差异比色彩差异的敏感度不同这一特性，使得该方法符合生物模型。

Description

一种边缘保持的自然场景图像自适应加权滤波方法
技术领域
本发明属于图像处理领域，具体涉及一种同时保持图像亮度/颜色边缘特性和深度边缘特性的自然场景图像自适应加权滤波方法。
背景技术
图像滤波是图像预处理算法中的关键技术。该技术是通过构建一个滤波模板来实现在图像空间中的局部邻域操作，如算术平均滤波、高斯平滑滤波、拉普拉斯滤波等，其目的是减少图像中的噪声以改善图像质量，或是滤除图像高频分量以建立图像尺度空间。该技术广泛应用于图像分割、图像复原、图像特征提取、图像理解和分析、图像压缩等绝大多数的图像处理算法中。
图像滤波的思想源于数学中的统计分析，通过加权平均的方式滤除误差和噪声，这其中隐含了一个假定：统计过程中所有样本应表征的是同一目标的特性。由于图像边缘通常是由不同物体的亮度/颜色差异所形成的，而现有大多数图像滤波方法采用的滤波模板大小和形状固定不变，因此在图像边缘处不可避免地违反了统计分析中的隐含假定，造成图像边缘模糊或虚假光晕。
近年来已提出了许多具有边缘保持特性的图像滤波方法。C.Tomasi等人提出了一种双边滤波器[1]，同时考虑了邻域像素与中心像素间的几何距离度量和亮度相似性度量。Z.Farbman等人提出边缘保持的多尺度分解方法[2]。R.Fattal等人提出了基于边缘的图像放大方法[3]。R.Fattal提出了一种基于小波变换的边缘保持方法[4]。S.Paris等人通过将图像边缘分解为阶越分量、平缓分量和高频细节分量，提出了边缘感知的局部拉普拉斯滤波器[5]。还有很多边缘保持的图像滤波方法被提出。然而目前已提方法都只考虑由亮度/颜色差异所引起的图像边缘，而没有考虑到由场景中不同目标深度所引起的边缘，因此已提方法难以有效处理图像中目标亮度和颜色与背景相近的情况。然而这类情况在实际的自然场景图像拍摄过程中经常发生。为解决该问题，应能从单幅自然场景图像中提取出深度信息。近年来已提出了多种从单幅图像中获取深度感知的方法。本发明中采用了K.He等人提出的暗通道先验方法获取单幅自然场景图像中的深度线索[6]。
参考文献
[1]. C.Tomasi, R. Manduchi. Bilateral filtering for gray and color images. ICCV, Bombay, India. 1998: 839-846. 
[2]. Z. Farbman, R. Fattal, D. Lischinski, etc. Edge-preserving decompositions for multi-scale tone and detail manipulation. ACM Transactions on Graphics (Proc. SIGGRAPH). 27, 3. 2008.
[3]. R. Fattal, R. Carroll and M. Agrawala. Edgebased image coarsening. ACM Transactions on Graphics 29, 1. 2009.
[4]. R. Fattal. Edge-avoiding wavelets and their applications. ACM Transactions on Graphics (Proc. SIGGRAPH). 28, 3. 2009.
[5]. S. Paris, S. Hasinoff and J. Kautz, Local Laplacian Filters: Edge-aware Image Processing with a Laplacian Pyramid. ACM Transactions on Graphics (Proc. SIGGRAPH), 2011.
[6]. K. He, J. Sun and X. Tang. Single Image Haze Removal Using Dark Channel Prior. IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2009). 2009。
发明内容
本发明针对现有图像滤波技术的不足，提供一种同时保持图像亮度/颜色边缘特性和深度边缘特性的自然场景图像自适应加权滤波方法。
本发明方法的具体步骤如下：
步骤(1)根据高斯滤波器的标准差                                                
Figure 2011101829189100002DEST_PATH_IMAGE001
，计算高斯模板,高斯模板半径为
Figure 2011101829189100002DEST_PATH_IMAGE002
。
步骤(2)采用暗通道先验方法，获取原始图像中的深度线索，并归一化至[0,255]，生成深度先验图像，所述的原始图像为自然场景图像。
步骤(3)计算高斯模板上每个坐标点的空间近邻性权值，具体为:
对于高斯模板中坐标点
Figure 2011101829189100002DEST_PATH_IMAGE003
，该坐标点到模板中心的近邻距离
Figure 2011101829189100002DEST_PATH_IMAGE004
表示为：
根据高斯模板中坐标点
Figure 433392DEST_PATH_IMAGE003
的近邻距离
Figure 350532DEST_PATH_IMAGE004
，其空间近邻性权值
Figure 2011101829189100002DEST_PATH_IMAGE006
表示为：
    
Figure 2011101829189100002DEST_PATH_IMAGE007
其中
Figure 2011101829189100002DEST_PATH_IMAGE008
为空间近邻性参数。
步骤(4)计算原始图像上两像素点间的亮度/颜色相似性权值，具体为:
对于原始图像中像素点
Figure DEST_PATH_IMAGE009
和像素点
Figure 2011101829189100002DEST_PATH_IMAGE010
，采用彩色变换方法，提取像素点
Figure 317220DEST_PATH_IMAGE009
的LUV彩色分量
Figure DEST_PATH_IMAGE011
和像素点
Figure 774746DEST_PATH_IMAGE010
的LUV彩色分量
Figure 2011101829189100002DEST_PATH_IMAGE012
，像素点和像素点
Figure 536215DEST_PATH_IMAGE010
的亮度/颜色相似性距离
Figure DEST_PATH_IMAGE013
表示为：
Figure 2011101829189100002DEST_PATH_IMAGE014
其中
Figure DEST_PATH_IMAGE015
为亮度差异阈值。 
根据像素点
Figure 871424DEST_PATH_IMAGE009
和像素点
Figure 132641DEST_PATH_IMAGE010
的亮度/颜色相似性距离
Figure 801520DEST_PATH_IMAGE013
，其亮度/颜色相似性权值表示为：
Figure DEST_PATH_IMAGE017
其中为亮度/颜色相似性参数。 
步骤(5)根据步骤(2)中得到的深度先验图像，计算原始图像上两像素点间的深度差异性权值，具体为:
对于原始图像中像素点
Figure 919518DEST_PATH_IMAGE009
和像素点，从深度先验图像中获取像素点
Figure 473176DEST_PATH_IMAGE009
的深度先验值
Figure DEST_PATH_IMAGE019
和像素点
Figure 58878DEST_PATH_IMAGE010
的深度先验值
Figure DEST_PATH_IMAGE020
，像素点
Figure 551039DEST_PATH_IMAGE009
和像素点
Figure 854981DEST_PATH_IMAGE010
的深度先验距离
Figure DEST_PATH_IMAGE021
表示为：
  
Figure DEST_PATH_IMAGE022
其中
Figure DEST_PATH_IMAGE023
为深度差异的低阈值参数，
Figure DEST_PATH_IMAGE024
为度差异的高阈值参数。
根据像素点
Figure 317056DEST_PATH_IMAGE009
和像素点
Figure 960527DEST_PATH_IMAGE010
的深度先验距离，其深度差异性权值
Figure DEST_PATH_IMAGE026
表示为：
其中为深度差异性参数。 
步骤(6)对原始图像中的每个像素点，计算模板中心对应于该像素点的自适应加权滤波模板，具体为：
对于原始图像中像素点
Figure DEST_PATH_IMAGE029
，以像素点作为滤波窗口的中心像素，对应于滤波模板的中心坐标，根据像素点和滤波模板中每个坐标点所对应的原始图像像素点
Figure DEST_PATH_IMAGE030
，计算自适应权值
Figure DEST_PATH_IMAGE031
，表示为：
Figure DEST_PATH_IMAGE032
    其中
Figure 494909DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE033
和
Figure DEST_PATH_IMAGE034
分别是通过步骤 (3)、步骤(4)和步骤(5)计算得到的空间近邻性权值、像素点
Figure 55203DEST_PATH_IMAGE029
和像素点
Figure DEST_PATH_IMAGE035
间的亮度/颜色相似性权值和深度差异性权值。
自适应加权滤波模板计算过程就是为步骤(1)中高斯模板的每个值进行自适应加权，对于高斯模板中坐标点
Figure DEST_PATH_IMAGE036
，其模板值
Figure DEST_PATH_IMAGE037
，对应于原始图像中的
Figure 13801DEST_PATH_IMAGE030
像素，其自适应加权后模板值
Figure DEST_PATH_IMAGE038
表示为：
。
步骤(7)对原始图像中每个像素点，计算其自适应加权滤波结果，具体为：
采用彩色变换方法，提取原始图像的亮度分量图、蓝色色度分量图
Figure DEST_PATH_IMAGE041
和红色色度分量图
Figure DEST_PATH_IMAGE042
。
对于原始图像的亮度分量图
Figure 151390DEST_PATH_IMAGE040
上的每个像素点，根据步骤(6)得到模板中心对应于该像素点的自适应加权滤波模板，采用模板滤波方法计算得到该像素点滤波后的新的亮度值，原始图像的亮度分量图
Figure 33895DEST_PATH_IMAGE040
上的所有像素点经滤波后生成新的亮度分量图
Figure DEST_PATH_IMAGE043
。
根据滤波后的亮度分量图
Figure 448696DEST_PATH_IMAGE043
、原始图像的蓝色色度分量图
Figure 453561DEST_PATH_IMAGE041
、原始图像的红色色度分量图，采用彩色变换方法转换回RGB彩色格式，所得图像即为原始图像滤波后的结果图像。
本发明提供了一种边缘保持的自然场景图像自适应加权滤波方法，该方法通过计算滤波窗口中像素与中心像素间的空间近邻性权值、亮度/颜色相似性权值和深度差异性权值，并加权融合到传统高斯滤波模板中，使得在图像滤波过程中同时保持了图像亮度/颜色边缘特性和深度边缘特性。与其他图像滤波方法相比，该方法不仅在亮度/颜色相似性权值计算中考虑了人眼对亮度差异比色彩差异的敏感度不同这一特性，使得该方法符合生物模型；并且通过提取单幅自然场景图像中的深度线索,融合场景的深度先验信息，可有效保持具有相近亮度/颜色的不同深度目标间的边缘特性。
附图说明
图1为本发明中的方法流程图。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示，一种边缘保持的自然场景图像自适应加权滤波方法，其具体步骤如下：
步骤(1)根据高斯滤波器的标准差
Figure 374429DEST_PATH_IMAGE001
，计算高斯模板,其高斯模板半径
Figure 909316DEST_PATH_IMAGE002
。所述的高斯模板计算方法为成熟技术。
步骤(2)采用K.He等人提出的暗通道先验方法，获取原始图像中的深度线索，并归一化至[0,255]，生成深度先验图像。所述的原始图像为自然场景图像。
步骤(3)计算高斯模板上每个坐标点的空间近邻性权值。
所述的空间近邻性权值计算方法具体为:
对于高斯模板中坐标点
Figure 22766DEST_PATH_IMAGE003
，该坐标点到模板中心的近邻距离
Figure 947996DEST_PATH_IMAGE004
表示为：
根据高斯模板中坐标点
Figure 358435DEST_PATH_IMAGE003
的近邻距离
Figure 642786DEST_PATH_IMAGE004
，其空间近邻性权值
Figure 55312DEST_PATH_IMAGE006
表示为：
    
Figure 145628DEST_PATH_IMAGE007
其中为空间近邻性参数，通常取值为滤波器模板的半径。空间近邻性权值表现为：距中心像素空间距离越远的像素对滤波结果的影响越小。
步骤(4)计算原始图像上两像素点间的亮度/颜色相似性权值
所述的亮度/颜色相似性权值计算方法具体为:
对于原始图像中像素点
Figure 579201DEST_PATH_IMAGE009
和像素点
Figure 479024DEST_PATH_IMAGE010
，采用彩色变换方法，提取像素点
Figure 113310DEST_PATH_IMAGE009
的LUV彩色分量
Figure 414979DEST_PATH_IMAGE011
和像素点
Figure 837870DEST_PATH_IMAGE010
的LUV彩色分量
Figure 224989DEST_PATH_IMAGE012
。所述的彩色变换方法为成熟技术。像素点和像素点
Figure 547703DEST_PATH_IMAGE010
的亮度/颜色相似性距离
Figure 407074DEST_PATH_IMAGE013
表示为：
Figure 15910DEST_PATH_IMAGE014
其中
Figure 251719DEST_PATH_IMAGE015
为亮度差异阈值，通常取50~80。该阈值设定是借鉴于人眼对亮度差异敏感度比色彩差异敏感度要高的生物模型特性，即当亮度差异大于阈值
Figure 262401DEST_PATH_IMAGE015
后，亮度/颜色相似性距离会大幅度上升。
根据像素点
Figure 292674DEST_PATH_IMAGE009
和像素点
Figure 388806DEST_PATH_IMAGE010
的亮度/颜色相似性距离
Figure 162727DEST_PATH_IMAGE013
，其亮度/颜色相似性权值
Figure 90231DEST_PATH_IMAGE016
表示为：
Figure 229089DEST_PATH_IMAGE017
其中
Figure 874834DEST_PATH_IMAGE018
为亮度/颜色相似性参数，通常取值为5~10。亮度/颜色相似性权值表现为：与中心像素亮度/颜色差异越大的像素对滤波结果的影响越小。
步骤(5)根据步骤(2)中得到的深度先验图像，计算原始图像上两像素点间的深度差异性权值。
所述的深度差异性权值计算方法具体为:
对于原始图像中像素点
Figure 124549DEST_PATH_IMAGE009
和像素点
Figure 172140DEST_PATH_IMAGE010
，从深度先验图像中获取像素点
Figure 481898DEST_PATH_IMAGE009
的深度先验值和像素点
Figure 668346DEST_PATH_IMAGE010
的深度先验值
Figure 570443DEST_PATH_IMAGE020
。像素点
Figure 51103DEST_PATH_IMAGE009
和像素点
Figure 405861DEST_PATH_IMAGE010
的深度先验距离
Figure 262959DEST_PATH_IMAGE021
表示为：
  
Figure 19562DEST_PATH_IMAGE022
其中
Figure 671123DEST_PATH_IMAGE023
为深度差异的低阈值参数，通常取值为5，以确保目标表面深度的平滑性。
Figure 778756DEST_PATH_IMAGE024
为度差异的高阈值参数，通常取值为100，以保持深度的不连续性。
根据像素点
Figure 173966DEST_PATH_IMAGE009
和像素点
Figure 785076DEST_PATH_IMAGE010
的深度先验距离
Figure 873117DEST_PATH_IMAGE025
，其深度差异性权值
Figure 196608DEST_PATH_IMAGE026
表示为：
Figure 395508DEST_PATH_IMAGE027
其中
Figure 861125DEST_PATH_IMAGE028
为深度差异性参数，通常取值10~20。深度差异性权值表现为：与中心像素深度先验值差异越大的像素对滤波结果的影响越小。
步骤(6)对原始图像中的每个像素点，计算模板中心对应于该像素点的自适应加权滤波模板。即每个像素点所对应的滤波模板都是随着该像素点及其邻域像素点的亮度/颜色和深度先验信息不同而自适应改变。
所述的自适应加权滤波模板计算方法具体为：
对于原始图像中像素点
Figure 120068DEST_PATH_IMAGE029
，以像素点
Figure 936714DEST_PATH_IMAGE029
作为滤波窗口的中心像素，对应于滤波模板的中心坐标。根据像素点和滤波模板中每个坐标点所对应的原始图像像素点
Figure 259428DEST_PATH_IMAGE030
，计算自适应权值
Figure 689272DEST_PATH_IMAGE031
，表示为：
Figure 727635DEST_PATH_IMAGE032
    其中
Figure 268338DEST_PATH_IMAGE006
、和
Figure 309292DEST_PATH_IMAGE034
分别是通过步骤 (3)、步骤(4)和步骤(5)计算得到的空间近邻性权值、像素点
Figure 100531DEST_PATH_IMAGE029
和像素点
Figure 179345DEST_PATH_IMAGE035
间的亮度/颜色相似性权值和深度差异性权值。
自适应加权滤波模板计算过程就是为步骤(1)中高斯模板的每个值进行自适应加权。对于高斯模板中坐标点
Figure 739640DEST_PATH_IMAGE036
，其模板值
Figure 308024DEST_PATH_IMAGE037
，对应于原始图像中的
Figure 524242DEST_PATH_IMAGE030
像素，其自适应加权后模板值
Figure 469064DEST_PATH_IMAGE038
表示为：
步骤(7)对原始图像中每个像素点，计算其自适应加权滤波结果。
所述的滤波方法具体为：
采用彩色变换方法，提取原始图像的亮度分量图
Figure 826413DEST_PATH_IMAGE040
、蓝色色度分量图和红色色度分量图
Figure 747282DEST_PATH_IMAGE042
。所述的彩色变换方法为成熟技术。
对于原始图像的亮度分量图
Figure 219851DEST_PATH_IMAGE040
上的每个像素点，根据步骤(6)得到模板中心对应于该像素点的自适应加权滤波模板，采用模板滤波方法计算得到该像素点滤波后的新的亮度值。原始图像的亮度分量图
Figure 130039DEST_PATH_IMAGE040
上的所有像素点经滤波后生成新的亮度分量图
Figure 55269DEST_PATH_IMAGE043
。所述模板滤波方法为成熟技术。
根据滤波后的亮度分量图
Figure 341894DEST_PATH_IMAGE043
、原始图像的蓝色色度分量图、原始图像的红色色度分量图，采用彩色变换方法转换回RGB彩色格式，所得图像即为原始图像滤波后的结果图像。所述的彩色变换方法为成熟技术。

Claims (1)

1.一种边缘保持的自然场景图像自适应加权滤波方法，其特征在于该方法包括如下步骤：
步骤(1)：根据高斯滤波器的标准差                                               
Figure 596645DEST_PATH_IMAGE001
，计算高斯模板，高斯模板半径为
Figure 393700DEST_PATH_IMAGE002
；
步骤(2)：采用暗通道先验方法，获取原始图像中的深度线索，并归一化至[0,255]，生成深度先验图像，所述的原始图像为自然场景图像；
步骤(3)：计算高斯模板上每个坐标点的空间近邻性权值，具体为：
对于高斯模板中坐标点
Figure 596011DEST_PATH_IMAGE003
，该坐标点到模板中心的近邻距离
Figure 972766DEST_PATH_IMAGE004
表示为：
Figure 983447DEST_PATH_IMAGE005
根据高斯模板中坐标点
Figure 544879DEST_PATH_IMAGE003
的近邻距离
Figure 641011DEST_PATH_IMAGE004
，其空间近邻性权值
Figure 821456DEST_PATH_IMAGE006
表示为：
   
Figure 545699DEST_PATH_IMAGE007
其中
Figure 684556DEST_PATH_IMAGE008
为空间近邻性参数； 
步骤(4)：计算原始图像上两像素点间的亮度/颜色相似性权值，具体为:
对于原始图像中像素点
Figure 471246DEST_PATH_IMAGE009
和像素点，采用彩色变换方法，提取像素点
Figure 565290DEST_PATH_IMAGE009
的LUV彩色分量
Figure 875049DEST_PATH_IMAGE011
和像素点
Figure 149035DEST_PATH_IMAGE010
的LUV彩色分量
Figure 795917DEST_PATH_IMAGE012
，像素点
Figure 635697DEST_PATH_IMAGE009
和像素点
Figure 585199DEST_PATH_IMAGE010
的亮度/颜色相似性距离
Figure 143219DEST_PATH_IMAGE013
表示为：
Figure 328213DEST_PATH_IMAGE014
其中
Figure 288078DEST_PATH_IMAGE015
为亮度差异阈值； 
根据像素点
Figure 408481DEST_PATH_IMAGE009
和像素点的亮度/颜色相似性距离
Figure 176903DEST_PATH_IMAGE013
，其亮度/颜色相似性权值
Figure 991275DEST_PATH_IMAGE016
表示为：
其中
Figure 143088DEST_PATH_IMAGE018
为亮度/颜色相似性参数； 
步骤(5)：根据步骤(2)中得到的深度先验图像，计算原始图像上两像素点间的深度差异性权值，具体为:
对于原始图像中像素点
Figure 341988DEST_PATH_IMAGE009
和像素点
Figure 479708DEST_PATH_IMAGE010
，从深度先验图像中获取像素点
Figure 473072DEST_PATH_IMAGE009
的深度先验值
Figure 227402DEST_PATH_IMAGE019
和像素点
Figure 823468DEST_PATH_IMAGE010
的深度先验值
Figure 346853DEST_PATH_IMAGE020
，像素点
Figure 979960DEST_PATH_IMAGE009
和像素点
Figure 221585DEST_PATH_IMAGE010
的深度先验距离
Figure 355763DEST_PATH_IMAGE021
表示为：
  
Figure 733655DEST_PATH_IMAGE022
其中
Figure 803242DEST_PATH_IMAGE023
为深度差异的低阈值参数，
Figure 860060DEST_PATH_IMAGE024
为深度差异的高阈值参数； 
根据像素点
Figure 204454DEST_PATH_IMAGE009
和像素点的深度先验距离
Figure 677340DEST_PATH_IMAGE025
，其深度差异性权值
Figure 221454DEST_PATH_IMAGE026
表示为：
其中
Figure 925285DEST_PATH_IMAGE028
为深度差异性参数； 
步骤(6)：对原始图像中的每个像素点，计算模板中心对应于该像素点的自适应加权滤波模板，具体为：
对于原始图像中像素点
Figure 461309DEST_PATH_IMAGE029
，以像素点
Figure 899243DEST_PATH_IMAGE029
作为滤波窗口的中心像素，对应于滤波模板的中心坐标，根据像素点
Figure 54281DEST_PATH_IMAGE029
和滤波模板中每个坐标点所对应的原始图像像素点
Figure 261271DEST_PATH_IMAGE030
，计算自适应权值
Figure 968196DEST_PATH_IMAGE031
，表示为：
Figure 362269DEST_PATH_IMAGE032
     其中
Figure 586576DEST_PATH_IMAGE006
、
Figure 507128DEST_PATH_IMAGE033
和
Figure 525900DEST_PATH_IMAGE034
分别是通过步骤 (3)、步骤(4)和步骤(5)计算得到的空间近邻性权值、像素点
Figure 407268DEST_PATH_IMAGE029
和像素点
Figure 435267DEST_PATH_IMAGE035
间的亮度/颜色相似性权值和深度差异性权值；
自适应加权滤波模板计算过程就是为步骤(1)中高斯模板的每个值进行自适应加权，对于高斯模板中坐标点
Figure 210325DEST_PATH_IMAGE036
，其模板值
Figure 134418DEST_PATH_IMAGE037
，对应于原始图像中的
Figure 768662DEST_PATH_IMAGE030
像素，其自适应加权后模板值
Figure 928248DEST_PATH_IMAGE038
表示为：
Figure 229916DEST_PATH_IMAGE039
；
步骤(7)：对原始图像中每个像素点，计算其自适应加权滤波结果，具体为：
采用彩色变换方法，提取原始图像的亮度分量图
Figure 324911DEST_PATH_IMAGE040
、蓝色色度分量图
Figure 446451DEST_PATH_IMAGE041
和红色色度分量图
Figure 409728DEST_PATH_IMAGE042
；
对于原始图像的亮度分量图
Figure 34744DEST_PATH_IMAGE040
上的每个像素点，根据步骤(6)得到模板中心对应于该像素点的自适应加权滤波模板，采用模板滤波方法计算得到该像素点滤波后的新的亮度值，原始图像的亮度分量图
Figure 831799DEST_PATH_IMAGE040
上的所有像素点经滤波后生成新的亮度分量图；
根据滤波后的亮度分量图、原始图像的蓝色色度分量图
Figure 421546DEST_PATH_IMAGE041
、原始图像的红色色度分量图，采用彩色变换方法转换回RGB彩色格式，所得图像即为原始图像滤波后的结果图像。
CN201110182918A 2011-07-01 2011-07-01 一种边缘保持的自然场景图像自适应加权滤波方法 Expired - Fee Related CN102222328B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110182918A CN102222328B (zh) 2011-07-01 2011-07-01 一种边缘保持的自然场景图像自适应加权滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110182918A CN102222328B (zh) 2011-07-01 2011-07-01 一种边缘保持的自然场景图像自适应加权滤波方法

Publications (2)

Publication Number Publication Date
CN102222328A CN102222328A (zh) 2011-10-19
CN102222328B true CN102222328B (zh) 2012-10-03

Family

ID=44778873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110182918A Expired - Fee Related CN102222328B (zh) 2011-07-01 2011-07-01 一种边缘保持的自然场景图像自适应加权滤波方法

Country Status (1)

Country Link
CN (1) CN102222328B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824256B (zh) * 2012-11-16 2018-02-13 腾讯科技（深圳）有限公司 一种图像处理方法及装置
CN103489161A (zh) * 2013-09-12 2014-01-01 南京邮电大学 一种灰度图像彩色化方法及装置
CN104299196A (zh) * 2014-10-11 2015-01-21 京东方科技集团股份有限公司 一种图像处理装置及方法、显示设备
CN104581199B (zh) * 2014-12-12 2018-02-27 百视通网络电视技术发展有限责任公司 视频处理***及其处理方法
CN105654445B (zh) * 2016-01-28 2018-08-21 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
CN106530275B (zh) * 2016-10-11 2019-06-11 广州视源电子科技股份有限公司 元件错件检测方法和***
CN107451971A (zh) * 2017-07-30 2017-12-08 湖南鸣腾智能科技有限公司 基于暗通道和高斯组合先验的低照度盲卷积图像复原法
CN107358591A (zh) * 2017-07-30 2017-11-17 湖南鸣腾智能科技有限公司 一种基于rgb交叉通道先验的简单透镜成像色差校正方法
CN108830594B (zh) * 2018-06-22 2019-05-07 山东高速信联支付有限公司 多模式电子支付***
CN110659547B (zh) * 2018-06-29 2023-07-14 比亚迪股份有限公司 物体识别方法、装置、车辆和计算机可读存储介质
CN109389560B (zh) * 2018-09-27 2022-07-01 深圳开阳电子股份有限公司 一种自适应加权滤波图像降噪方法、装置及图像处理设备
CN111598909B (zh) * 2020-05-08 2023-03-14 展讯通信（上海）有限公司 图像信号的频域特征判断方法及相关设备
CN111968062B (zh) * 2020-09-07 2022-12-09 新疆大学 基于暗通道先验镜面高光图像增强方法、装置及存储介质
CN113674303A (zh) * 2021-08-31 2021-11-19 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7822285B2 (en) * 2004-05-20 2010-10-26 Omnivision Technologies, Inc. Methods and systems for locally adaptive image processing filters
CN100550978C (zh) * 2006-06-20 2009-10-14 西北工业大学 一种保持边缘的自适应图像滤波方法

Also Published As

Publication number Publication date
CN102222328A (zh) 2011-10-19

Similar Documents

Publication Publication Date Title
CN102222328B (zh) 一种边缘保持的自然场景图像自适应加权滤波方法
Wang et al. An experiment-based review of low-light image enhancement methods
Wang et al. Single image dehazing based on the physical model and MSRCR algorithm
Yu et al. Fast single image fog removal using edge-preserving smoothing
Zhou et al. Retinex-based laplacian pyramid method for image defogging
Jiang et al. Image dehazing using adaptive bi-channel priors on superpixels
CN108765336B (zh) 基于暗亮原色先验与自适应参数优化的图像去雾方法
CN108564549B (zh) 一种基于多尺度稠密连接网络的图像去雾方法
CN107358585B (zh) 基于分数阶微分及暗原色先验的雾天图像增强方法
WO2016206087A1 (zh) 一种低照度图像处理方法和装置
Liu et al. A unified variational model for single image dehazing
CN104537634B (zh) 动态图像中去除雨滴影响的方法和***
CN113724164B (zh) 一种基于融合重构制导滤波的可见光图像噪声去除方法
CN108492268A (zh) 基于小波系数融合的低照度图像增强算法
CN117252773A (zh) 基于自适应颜色校正和导向滤波的图像增强方法及***
CN108550124B (zh) 一种基于仿生螺线的光照补偿及图像增强方法
Lei et al. Low-light image enhancement using the cell vibration model
CN110752013A (zh) 一种***激光图像的数据预处理***
CN117422631A (zh) 基于自适应滤波分层的红外图像增强方法
Wang et al. Single-image dehazing using color attenuation prior based on haze-lines
CN103595933B (zh) 一种图像的降噪方法
CN111611940A (zh) 一种基于大数据处理的快速视频人脸识别方法
CN116630198A (zh) 一种结合自适应伽马校正的多尺度融合水下图像增强方法
CN116563133A (zh) 基于模拟曝光和多尺度融合的低照度彩色图像增强方法
Yin et al. Low illumination image Retinex enhancement algorithm based on guided filtering

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
ASS Succession or assignment of patent right

Owner name: HAIAN SERVICE CENTER FOR TRANSFORMATION OF SCIENTI

Free format text: FORMER OWNER: HANGZHOU ELECTRONIC SCIENCE AND TECHNOLOGY UNIV

Effective date: 20131018

C41 Transfer of patent application or patent right or utility model
COR Change of bibliographic data

Free format text: CORRECT: ADDRESS; FROM: 310018 HANGZHOU, ZHEJIANG PROVINCE TO: 226600 NANTONG, JIANGSU PROVINCE

TR01 Transfer of patent right

Effective date of registration: 20131018

Address after: 226600 No. 106 middle Yangtze Road, Haian County, Nantong, Jiangsu

Patentee after: SERVICE CENTER OF COMMERCIALIZATION OF RESEARCH FINDINGS, HAIAN COUNTY

Address before: Hangzhou City, Zhejiang province 310018 Xiasha Higher Education Park No. 2 street

Patentee before: HANGZHOU DIANZI University

CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20121003