CN112116544B - 一种抵抗图像平滑滤波的预处理方法 - Google Patents
一种抵抗图像平滑滤波的预处理方法 Download PDFInfo
- Publication number
- CN112116544B CN112116544B CN202011067986.6A CN202011067986A CN112116544B CN 112116544 B CN112116544 B CN 112116544B CN 202011067986 A CN202011067986 A CN 202011067986A CN 112116544 B CN112116544 B CN 112116544B
- Authority
- CN
- China
- Prior art keywords
- image
- filtering
- function
- psnr
- smoothing
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 44
- 238000003706 image smoothing Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000007781 pre-processing Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 27
- 230000006835 compression Effects 0.000 description 11
- 238000007906 compression Methods 0.000 description 11
- 238000012805 post-processing Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000007 visual effect 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明提供了一种抵抗图像平滑滤波的预处理方法,包括以下步骤:一种抵抗图像平滑滤波的预处理方法,包括以下步骤:1)记服务器端的原始图像为X,图像传送到客户端会经历图像平滑滤波,这个过程表示为:2)设图像预处理的函数为g(·),使得预处理后图像X*=g(X)与原始图像X尽可能一样,则:f(X*)≈X求解可建模为以下优化问题:将公式进一步转化为等式求根的形式,即求解根X*使得:f(X*)‑X=0,3)使用零阶优化算法迭代求解公式(4),其具体表达式为:X(i)←X(i‑1)+(X‑f(X(i‑1)))其中X(i)代表第i次迭代产生的图像。本发明提供的一种抵抗图像平滑滤波的预处理方法,无需假设平滑滤波函数具体形式可知,仅在平滑滤波函数可访问的情况下,即能生成可抵抗平滑滤波的图像。
Description
技术领域
本发明涉及图像处理领域,具体是指一种抵抗图像平滑滤波的预处理方法。
背景技术
随着互联网发展,人们越来越***滑滤波便是其中最为基础的图像滤波类型之一。比如定制的图像平滑滤波函数来去除噪声,或在传输通道受到图像平滑模糊退化滤波。图像平滑滤波在保留图像主要信息(如边缘)的情况下,模糊或去除掉一些图像细节,实现去除图像噪声等目的。但经过图像平滑滤波的图像在具体细节显示上模糊,会影响用户对图像视觉信息的感知。为了在客户端能得到与原始图像尽可能一致的图像,常见的策略是使用图像后处理算法对平滑滤波后的图像进行恢复,通过算法尽量还原丢掉的图像细节。这种图像后处理的算法可大致分为两类:基于模型的算法以及基于深度神经网络的算法。基于模型的方法,通常会根据图像的退化过程以及自然图像的先验知识,构建优化模型,通过解优化问题来寻求最佳的恢复图像。而基于深度神经网络的方法,则是属于数据驱动的判别式模型。它能够实现端到端的映射,即直接将退化的模糊图像映射到清晰图像。但是,神经网络高度依赖于大量且高质量的数据样本来学习网络参数,当数据不足或质量较差时会出现过拟合,导致泛化性能下降。以上两类图像后处理方法通常在客户端实现,算法的运行需要大量计算资源和时间开销。尽管有很多工作对算法优化加速,但对计算资源受限的客户端(如手机)依然存在不小的计算负担。此外,在客户端大规模地部署图像后处理算法也需要成本,这也阻碍了其现实应用。
另外一种解决策略是在图像发送给客户端前进行预处理,客户端在接收到图像后,不需要或者很少量进行处理。这种图像预处理的优势较为明显,即不需要在客户端部署后处理算法,从而能极大减少了客户端计算资源需求压力。但这种图像预处理策略研究实现难度较大,相关工作较少。
目前没有针对抵抗图像平滑滤波的预处理技术研究,但存在一些与本发明相关的抵抗图像滤波的预处理算法。其中最为相关的是抵抗图像/视频压缩噪声的预处理技术。这里图像/视频压缩算法视作图像滤波的一种。为了抵抗JPEG压缩算法引起的压缩噪声,OferHadar等人设计了一组低通滤波器,提出在图像压缩前使用这组滤波器对原始图像进行预处理,去除其高频信息。实验结果表明该预处理算法能缓解JPEG块状噪声(blockingartifacts),预处理图像经JPEG压缩后的视觉感知质量明显优于原始图像经过JPEG压缩。但设计低通滤波器预处理是针对JPEG压缩算法,并不适用于图像平滑滤波领域。YehudaDar等人综合考虑HEVC压缩产生的视频/图像噪声及在客户端显示时产生的运动模糊问题,提出使用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)优化算法来对视频/图像进行预处理。需要指出的是,该方法需要明确知道造成运动模糊函数(可视作图像平滑滤波)的具体信息,否则优化算法不可解。2020年,Hossein Talebi等人提出使用深度神经网络对原始图像进行预处理。通过对JPEG算法中的量化系数函数进行可微近似,Hossein Talebi等人将可微版的JPEG编解码器嵌入到神经网络训练流程中。但在网络构建和训练过程中,JPEG压缩算法的所有的算法实现细节都必须知道,否则无法在训练神经网络的时候将误差梯度回传,进而导致无法学习预处理神经网络。综上,目前相关的图像预处理方法多是针对图像压缩算法领域,并且要求完全知道图像滤波函数的具体信息,否则无法实现抵抗图像滤波算法的效果。
发明内容
以解决上述背景技术中提出的问题,本发明的目的在于提供一种抵抗图像平滑滤波的预处理方法,无需假设平滑滤波函数具体形式可知,仅在平滑滤波函数可访问的情况下,即能生成可抵抗平滑滤波的图像。
为解决上述技术问题,本发明提供的技术方案为:
一种抵抗图像平滑滤波的预处理方法,包括以下步骤:
1)记服务器端的原始图像为X,图像传送到客户端会经历图像平滑滤波,这个过程表示为:
2)设图像预处理的函数为g(·),使得预处理后图像X*=g(X)与原始图像X尽可能一样,则:
f(X*)≈X (2)
求解可建模为以下优化问题:
其中,d(·,·)为衡量两幅图像相似度的指标函数;将公式(2)进一步转化为等式求根的形式,即求解根X*使得:
f(X*)-X=0 (4);
3)使用零阶优化算法迭代求解公式(4),其具体表达式为:
X(i)←X(i-1)+(X-f(X(i-1))) (5)
其中X(i)代表第i次迭代产生的图像,i=0,1,2,…,M;M为最大迭代次数;第0次迭代图像X(0)为初始化原始图像;
4)预先设定阈值,比较相邻两次迭代中间图像的PSNR提升效果,若PSNR值提升效果小于预先设定阈值则迭代结束,结束条件具体表达为:
PSNR(X(i),X)-PSNR(X(i-1),X)<τ (6)
其中,PSNR(X,Y)用于计算图像X与Y之间的相似度,具体表达式为:
作为改进,所述图像平滑函数可访问,其函数形式是不可知的。
作为改进,其特征在于,所述d(·,·)指标函数使用反映图像质量的客观标准峰值信噪。
本发明的有益效果是:
本发明仅在图像平滑滤波函数可访问但具体形式未知的情况下,实现能够抵抗图像平滑滤波的图像预处理,使用零阶优化算法对原始图像进行迭代处理,实现抵抗图像平滑滤波的图像预处理。
附图说明
图1为本发明实施的流程图。
具体实施方式
图像平滑滤波可以实现图像去噪等功能,但滤波也不可避免地抹掉了很多图像细节,影响用户对图像的视觉感知质量。为恢复还原图像细节,大多方法采用图像后处理策略,但后处理策略通常需要大量计算和时间开销,在计算资源受限的设备上不实用;而现存少数图像预处理方案,都需要假设图像平滑滤波函数具体操作形式可知。
本发明提供一种可以抵抗图像平滑滤波的预处理方法,无需假设平滑滤波函数具体形式可知,仅在平滑滤波函数可访问的情况下,即能生成可抵抗平滑滤波的图像。所述预处理方法为:
1)记服务器端的原始图像为X,图像传送到客户端会经历图像平滑滤波,这个过程表示为:
其中,f(·)是图像平滑函数,是经过图像平滑操作后的图像,图像平滑函数是可访问,但其函数形式是不可知的。即图像平滑函数可作为一个黑箱函数,用户只知道输入和输出,不知道f(·)的具体实现,图像平滑滤波可以实现去除噪声。
2)平滑滤波也不可避免地抹掉了很多图像细节,在具体细节显示上比较模糊,进而用户对图像的视觉感知质量。为了在客户端能得到与原始图像尽可能一致的图像;因此需要对原始图像进行预处理操作,将原始图像经过预处理后传送至客户端,客户端只需要按照传统方式进行解码显示,不需要进行额外的图像后处理恢复等操作,即:
设图像预处理的函数为g(·),使得预处理后图像X*=g(X)与原始图像X尽可能一样,则:
f(X*)≈X (2)
求解可建模为以下优化问题:
其中,d(·,·)为衡量两幅图像相似度的指标函数;可使用反映图像质量的客观标准峰值信噪比,因为(3)中的图像平滑滤波函数f(·)具体形式是不可知,无法使用常见解析解优化算法求解。因此,将公式(2)进一步转化为等式求根的形式,即求解根X*使得:
f(X*)-X=0 (4);
3)使用零阶优化算法迭代求解公式(4),其具体表达式为:
X(i)←X(i-1)+(X-f(X(i-1))) (5)
其中X(i)代表第i次迭代产生的图像,i=0,1,2,…,M;M为最大迭代次数;第0次迭代图像X(0)为初始化原始图像,图像预处理函数g(·)不是一个具体数学表达式,而是通过公式(5)中的迭代步骤完成g(·)的功能;
4)预先设定阈值,比较相邻两次迭代中间图像的PSNR提升效果,若PSNR值提升效果小于预先设定阈值则迭代结束,结束条件具体表达为:
PSNR(X(i),X)-PSNR(X(i-1),X)<τ (6)
其中,PSNR(X,Y)用于计算图像X与Y之间的相似度,具体表达式为:
综上,本发明是一种无需知道图像平滑滤波函数具体形式,即可实现抵抗其平滑滤波影响的图像预处理方法,具体步骤如下:
(1)预处理图像生成;
(2)输入:原始图像X,图像平滑滤波函数f(·),最大迭代次数M,相邻两次迭代中PSNR提升阈值τ;
(3)输出:预处理图像X*。
具体算法为:
初始化迭代图像为原始图像:X(0)←X
FOR迭代次数i=1to M DO
X(i)←X(i-1)+(X-f(X(i-1))
IF PSNR(X(i),X)-PSNR(X(i-1),X)<τ
BREAK
END FOR
X*←X(i)
以上所述,仅为本发明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 (3)
1.一种抵抗图像平滑滤波的预处理方法,其特征在于,包括以下步骤:
1)记服务器端的原始图像为X,图像传送到客户端会经历图像平滑滤波,这个过程表示为:
2)设图像预处理的函数为g(·),使得预处理后图像X*=g(X)与原始图像X尽可能一样,则:
f(X*)≈X (2)
求解可建模为以下优化问题:
其中,d(·,·)为衡量两幅图像相似度的指标函数;将公式(2)进一步转化为等式求根的形式,即求解根X*使得:
f(X*)-X=0 (4);
3)使用零阶优化算法迭代求解公式(4),其具体表达式为:
X(i)←X(i-1)+(X-f(X(i-1))) (5)
其中X(i)代表第i次迭代产生的图像,i=0,1,2,…,M;M为最大迭代次数;第0次迭代图像X(0)为初始化原始图像;
4)预先设定阈值,比较相邻两次迭代中间图像的PSNR提升效果,若PSNR值提升效果小于预先设定阈值则迭代结束,结束条件具体表达为:
PSNR(X(i),X)-PSNR(X(i-1),X)<τ (6)
其中,PSNR(X,Y)用于计算图像X与Y之间的相似度,具体表达式为:
2.根据权利要求1所述的一种抵抗图像平滑滤波的预处理方法,其特征在于,所述图像平滑函数可访问,其函数形式是不可知的。
3.根据权利要求1所述的一种抵抗图像平滑滤波的预处理方法,其特征在于,所述d(·,·)指标函数使用反映图像质量的客观标准峰值信噪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011067986.6A CN112116544B (zh) | 2020-10-08 | 2020-10-08 | 一种抵抗图像平滑滤波的预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011067986.6A CN112116544B (zh) | 2020-10-08 | 2020-10-08 | 一种抵抗图像平滑滤波的预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112116544A CN112116544A (zh) | 2020-12-22 |
CN112116544B true CN112116544B (zh) | 2022-04-22 |
Family
ID=73797910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011067986.6A Active CN112116544B (zh) | 2020-10-08 | 2020-10-08 | 一种抵抗图像平滑滤波的预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116544B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2366465A (en) * | 2000-08-15 | 2002-03-06 | Motorola Inc | Image quality enhancement |
CN101639938B (zh) * | 2009-08-28 | 2011-10-19 | 浙江大学 | 一种基于双边滤波器和余量去卷积的图像复原方法 |
CN102096909B (zh) * | 2010-12-30 | 2012-07-04 | 东北大学 | 基于对数图像处理模型的改进的反锐化掩模图像增强方法 |
CN103559684B (zh) * | 2013-10-08 | 2016-04-06 | 清华大学深圳研究生院 | 基于平滑校正的图像恢复方法 |
CN106530251B (zh) * | 2016-11-03 | 2019-05-17 | 北京航星机器制造有限公司 | 一种盲卷积运动模糊图像复原方法 |
CN106875349A (zh) * | 2016-12-30 | 2017-06-20 | 无锡高新兴智能交通技术有限公司 | 盲图像复原方法中模糊核的计算方法及盲图像复原方法 |
CN108416740B (zh) * | 2018-01-22 | 2021-09-14 | 大连大学 | 一种消除椒盐噪声的迭代自适应中值滤波方法 |
CN109118442B (zh) * | 2018-07-20 | 2021-08-03 | 湖北工业大学 | 一种基于Sobel算子滤波的图像增强方法 |
CN109242803A (zh) * | 2018-10-10 | 2019-01-18 | 北京航天易联科技发展有限公司 | 一种应用于微波图像的复原方法及装置 |
CN110728728B (zh) * | 2019-09-17 | 2023-04-21 | 南京信息工程大学 | 一种基于非局部正则的压缩感知网络图像重建方法 |
-
2020
- 2020-10-08 CN CN202011067986.6A patent/CN112116544B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112116544A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Towards flexible blind JPEG artifacts removal | |
CN108932697B (zh) | 一种失真图像的去失真方法、装置及电子设备 | |
JP4737711B2 (ja) | 復号化装置、逆量子化方法、分布決定方法及びこのプログラム | |
CN112164011B (zh) | 基于自适应残差与递归交叉注意力的运动图像去模糊方法 | |
WO1999006941A2 (en) | Apparatus and methods for image and signal processing | |
Kim et al. | AGARNet: Adaptively gated JPEG compression artifacts removal network for a wide range quality factor | |
Bhateja et al. | Fast SSIM index for color images employing reduced-reference evaluation | |
CN111105357B (zh) | 一种失真图像的去失真方法、装置及电子设备 | |
JP2023543520A (ja) | 機械学習を基にしたピクチャコーディングにおけるクロマサブサンプリングフォーマット取り扱いのための方法 | |
CN104200439B (zh) | 基于自适应滤波和正则约束的图像超分辨方法 | |
Yogananda et al. | Graph laplacian regularization with sparse coding in secure image restoration and representation for Internet of Things. | |
KR102328029B1 (ko) | 블러 이미지 처리 방법 및 장치 | |
Abd-Elhafiez et al. | An efficient color image compression technique | |
Ren et al. | Enhanced latent space blind model for real image denoising via alternative optimization | |
Yuan et al. | Gradient-guided residual learning for inverse halftoning and image expanding | |
CN112116544B (zh) | 一种抵抗图像平滑滤波的预处理方法 | |
Alsayyh et al. | A Novel Fused Image Compression Technique Using DFT, DWT, and DCT. | |
JP4645948B2 (ja) | 復号化装置及びプログラム | |
Xie et al. | DHD-Net: A novel deep-learning-based dehazing network | |
Escobar et al. | Defining a no-reference image quality assessment by means of the self-affine analysis | |
Rekha et al. | Image denoising using fast non-local means filter and multi-thresholding with harmony search algorithm for WSN | |
CN110648291B (zh) | 一种基于深度学习的无人机运动模糊图像的复原方法 | |
Wen et al. | TransIm: Transfer image local statistics across EOTFs for HDR image applications | |
Zhang et al. | Rate controllable learned image compression based on rfl model | |
CN112752064A (zh) | 电力通信光缆监控视频的处理方法和*** |
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 |