本發(fā)明實施例涉及圖像處理技術(shù)領(lǐng)域，特別是涉及一種圖像平滑方法及裝置。

背景技術(shù)：

隨著計算機圖像處理技術(shù)的迅猛發(fā)展，圖像平滑技術(shù)為了滿足當(dāng)前圖像處理技術(shù)領(lǐng)域的高要求，也得到了較快的發(fā)展。圖像平滑技術(shù)是指用于突出圖像的寬大區(qū)域、低頻成分、主干部分或抑制圖像噪聲和干擾高頻成分，使圖像亮度平緩漸變，減小突變梯度，改善圖像質(zhì)量的圖像處理技術(shù)，廣泛的應(yīng)用于圖像分割、去噪、細節(jié)增強，目標(biāo)分類，邊緣提取等領(lǐng)域中。

圖像在獲取和傳遞過程中往往不可避免的會受到噪聲、不重要的細節(jié)(尤其是高對比度)的干擾，使得待識別的目標(biāo)出現(xiàn)輪廓特征不明顯的問題，給識別帶來了困難。利用圖像平滑技術(shù)對圖像進行處理可以在一定程度上規(guī)避干擾，從而提高圖像識別的成功率。

現(xiàn)有技術(shù)中，圖像平滑方法一般為局部平滑方法以及全局平滑方法。局部平滑方法，例如高斯濾波、雙邊濾波、中值濾波、變換域濾波等，是指對圖像的局部區(qū)域或補丁進行處理。局部平滑法僅僅顧及到圖像的局部區(qū)域特征，對圖像局部的平滑效果較好，但容易造成結(jié)構(gòu)模糊問題。全局平滑法，如全變分平滑算法、加權(quán)最小均方平滑算法、l0梯度最小化平滑算法等，是同時對整個圖像的所有區(qū)域進行處理。全局平滑法的結(jié)構(gòu)保持約束項的優(yōu)化框架較為靈活，對于圖像的全局特征要優(yōu)于局部平滑法，特別是對圖像的背景部分等不重要的細節(jié)，但是全局平滑算法往往對局部高對比度噪聲的平滑效果較差。

綜上所述，局部平滑方法以及全局平滑方法各有優(yōu)劣，在對圖像進行平滑處理時，如何綜合應(yīng)用全局特征以及局部特征，規(guī)避局部平滑方法以及全局平滑方法的劣勢，以提高圖像平滑算法的魯棒性，獲得好的圖像平滑效果，是本領(lǐng)域技術(shù)人員亟待解決的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例的目的是提供一種圖像平滑方法及裝置，以提高圖像平滑算法的魯棒性，獲得好的圖像平滑效果。

為解決上述技術(shù)問題，本發(fā)明實施例提供以下技術(shù)方案：

本發(fā)明實施例一方面提供了一種圖像平滑方法，包括：

對原始圖像循環(huán)進行預(yù)設(shè)次數(shù)的雙邊濾波以及變換域濾波，以獲得引導(dǎo)圖像；

根據(jù)最小二乘法對所述原始圖像、所述引導(dǎo)圖像以及預(yù)設(shè)平滑圖像構(gòu)造最小二乘模型；

利用范數(shù)定義所述預(yù)設(shè)平滑圖像的像素強度以及梯度，以獲得所述預(yù)設(shè)平滑圖像的約束函數(shù)；

根據(jù)所述最小二乘模型以及所述約束函數(shù)得到平滑能量目標(biāo)函數(shù)；

利用半二次分裂法以及交替固定變量法求解所述平滑能量目標(biāo)函數(shù)，以獲得平滑圖像。

可選的，所述根據(jù)最小二乘法對所述原始圖像、所述引導(dǎo)圖像以及預(yù)設(shè)平滑圖像構(gòu)造最小二乘模型為：

根據(jù)所述最小二乘法以及2-范數(shù)的平方對所述原始圖像、所述引導(dǎo)圖像以及預(yù)設(shè)平滑圖像構(gòu)造最小二乘模型為：

式中，s為所述預(yù)設(shè)平滑圖像，i為所述原始圖像，g為所述引導(dǎo)圖像，α為細節(jié)恢復(fù)因子。

可選的，所述利用范數(shù)定義所述預(yù)設(shè)平滑圖像的像素強度以及梯度為：

利用0-范數(shù)定義所述預(yù)設(shè)平滑圖像的像素強度以及梯度。

可選的，所述根據(jù)所述最小二乘模型以及所述約束函數(shù)得到平滑能量目標(biāo)函數(shù)為：

根據(jù)所述最小二乘模型以及所述約束函數(shù)得到平滑能量目標(biāo)函數(shù)為：

式中，e(s)為所述平滑能量目標(biāo)函數(shù)，s為所述預(yù)設(shè)平滑圖像，i為所述原始圖像，g為所述引導(dǎo)圖像，α為所述細節(jié)恢復(fù)因子，λ為平滑因子，||▽s||0為所述約束函數(shù)。

可選的，所述根據(jù)最小二乘法對所述原始圖像、所述引導(dǎo)圖像以及預(yù)設(shè)平滑圖像構(gòu)造最小二乘模型為：

根據(jù)所述最小二乘法對經(jīng)過中值濾波的原始圖像、所述引導(dǎo)圖像以及預(yù)設(shè)平滑圖像構(gòu)造最小二乘模型。

可選的，所述對原始圖像循環(huán)進行預(yù)設(shè)循環(huán)次數(shù)的雙邊濾波以及變換域濾波，以獲得引導(dǎo)圖像包括：

s1：獲取所述原始圖像、常值圖像、空間權(quán)重值以及范圍權(quán)重值；

s2：以所述常值圖像為初始引導(dǎo)函數(shù)，根據(jù)變換域濾波法對所述原始圖像以及所述初始引導(dǎo)函數(shù)進行變換域濾波，得到新引導(dǎo)函數(shù)；

s3：根據(jù)雙邊濾波法對所述原始圖像以及所述新引導(dǎo)函數(shù)進行雙邊濾波，得到一次引導(dǎo)函數(shù)；

s4：對s2以及s3循環(huán)執(zhí)行所述預(yù)設(shè)次數(shù)，以獲得所述引導(dǎo)圖像。

可選的，所述預(yù)設(shè)次數(shù)為3次。

可選的，所述空間權(quán)重值以及范圍權(quán)重值為：

所述空間權(quán)重值為3；

所述范圍權(quán)重值為0.01。

可選的，所述利用半二次分裂法以及交替固定變量法求解所述平滑能量目標(biāo)函數(shù)，以獲得平滑圖像包括：

引入輔助變量替換所述平滑能量目標(biāo)函數(shù)中的約束函數(shù)項；

利用所述半二次分裂法對替換過的平滑能量目標(biāo)函數(shù)進行最小化處理，加入誤差懲罰項，得到平滑最小化模型；

根據(jù)所述交替固定變量法求解所述平滑最小化模型，以獲得所述平滑圖像。

本發(fā)明實施例另一方面提供了一種圖像平滑裝置，包括：

濾波平滑模塊，用于對原始圖像循環(huán)進行預(yù)設(shè)次數(shù)的雙邊濾波以及變換域濾波，以獲得引導(dǎo)圖像；

建立模型模塊，用于根據(jù)最小二乘法對所述原始圖像、所述引導(dǎo)圖像以及預(yù)設(shè)平滑圖像構(gòu)造最小二乘模型；

獲取平滑圖像模塊，用于利用范數(shù)定義所述預(yù)設(shè)平滑圖像的像素強度以及梯度，以獲得所述預(yù)設(shè)平滑圖像的約束函數(shù)；根據(jù)所述最小二乘模型以及所述約束函數(shù)得到平滑能量目標(biāo)函數(shù)；利用半二次分裂法以及交替固定變量法求解所述平滑能量目標(biāo)函數(shù)，以獲得平滑圖像。

本發(fā)明實施例提供了一種圖像平滑方法，先利用局部平滑法中的雙邊濾波以及變換域濾波對原始圖像進行平滑處理，獲得引導(dǎo)圖像；然后利用最小二乘法對原始圖像、引導(dǎo)圖像以及預(yù)設(shè)平滑圖像構(gòu)造最小二乘模型，加入對預(yù)設(shè)平滑圖像的約束函數(shù)以控制平滑圖像的稀疏度，得到平滑能量目標(biāo)函數(shù)；最后利用半二次分裂法以及交替固定變量法求解該函數(shù)，從而獲得原始圖像經(jīng)過平滑處理后的平滑圖像。

本申請?zhí)峁┑募夹g(shù)方案，綜合考慮全局特征以及局部特征，先對原始圖像進行局部平滑處理，然后進行全局平滑處理，規(guī)避了局部平滑方法以及全局平滑方法的劣勢，有效的利用了二者的優(yōu)勢。通過控制平滑圖像與原始圖像之間差異以及控制平滑圖像與引導(dǎo)圖像差異，增強了對原始圖像中結(jié)構(gòu)成分的保護，保留了圖像的結(jié)構(gòu)，在去除細節(jié)紋理特征的同時恢復(fù)了一些高對比度的細節(jié)，獲得了好的圖像平滑效果；此外，對圖像進行了有效的噪聲濾除，加強了邊界像素的強度，有利于圖像輪廓的提取，從而有利于提高圖像識別的準確率與效率。

此外，本發(fā)明實施例還針對圖像平滑方法提供了相應(yīng)的實現(xiàn)裝置，進一步使得所述方法更具有實用性，所述裝置具有相應(yīng)的優(yōu)點。

附圖說明

為了更清楚的說明本發(fā)明實施例或現(xiàn)有技術(shù)的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1-1為本發(fā)明實施例提供的一個示例性例子的原始圖像；

圖1-2為本發(fā)明實施例提供的圖1-1中的原始圖像經(jīng)平滑處理后的圖像；

圖2為本發(fā)明實施例提供的一種圖像平滑方法的流程示意圖；

圖3為本發(fā)明實施例提供的另一個示例性例子的原始圖像；

圖4為本發(fā)明實施例提供的圖3中原始圖像經(jīng)過輸入不同的空間權(quán)重值進行平滑處理得到的圖像；

圖5為本發(fā)明實施例提供的圖3中原始圖像經(jīng)過輸入不同的范圍權(quán)重值進行平滑處理得到的圖像；

圖6為本發(fā)明實施例提供的圖3中原始圖像經(jīng)過輸入不同的細節(jié)恢復(fù)因子進行平滑處理得到的圖像；

圖7為本發(fā)明實施例提供的圖3中原始圖像經(jīng)過輸入不同的平滑因子進行平滑處理得到的圖像；

圖8為本發(fā)明實施例提供的圖像平滑裝置的一種實施方式結(jié)構(gòu)圖；

圖9為本發(fā)明實施例提供的另一個示例性例子的原始圖像；

圖10為本發(fā)明實施例提供的圖9中原始圖像經(jīng)過rgf和blf算法進行平滑處理得到的圖像；

圖11為本發(fā)明實施例提供的圖9中原始圖像經(jīng)過rtv算法進行平滑處理得到的圖像；

圖12為本發(fā)明實施例提供的圖9中原始圖像經(jīng)過nlgrtv算法進行平滑處理得到的圖像；

圖13為本發(fā)明實施例提供的圖9中原始圖像經(jīng)過ssptf算法進行平滑處理得到的圖像；

圖14為本發(fā)明實施例提供的圖9中原始圖像經(jīng)過本申請?zhí)峁┑乃惴ㄟM行平滑處理得到的圖像；

圖15為本發(fā)明實施例提供的另一個示例性例子的原始圖像；

圖16為本發(fā)明實施例提供的圖15中原始圖像經(jīng)過rgf和blf算法進行去噪處理得到的圖像；

圖17為本發(fā)明實施例提供的圖15中原始圖像經(jīng)過本申請?zhí)峁┑乃惴ㄟM行去噪處理得到的圖像；

圖18為本發(fā)明實施例提供的再一個示例性例子的原始圖像；

圖19為本發(fā)明實施例提供的圖19中原始圖像經(jīng)過本申請?zhí)峁┑乃惴ㄟM行圖像增強處理得到的圖像。

具體實施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步的詳細說明。顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本申請的說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”、“第二”、“第三”“第四”等是用于區(qū)別不同的對象，而不是用于描述特定的順序。此外術(shù)語“包括”和“具有”以及他們?nèi)魏巫冃?，意圖在于覆蓋不排他的包含。例如包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備沒有限定于已列出的步驟或單元，而是可包括沒有列出的步驟或單元。

本申請的發(fā)明人經(jīng)過研究發(fā)現(xiàn)，現(xiàn)有技術(shù)中往往只考慮局部特征或只考慮全局特征，導(dǎo)致平滑處理過的圖像要么結(jié)構(gòu)較為模糊，要么就是細節(jié)處理不好，局部噪聲較大，總之，圖像平滑效果難以符合圖像處理技術(shù)領(lǐng)域的要求。鑒于此，本申請通過綜合考慮全局特征以及局部特征，先對原始圖像進行局部平滑處理，然后進行全局平滑處理，規(guī)避了局部平滑方法以及全局平滑方法的劣勢，有效的利用了二者的優(yōu)勢，獲得了好的圖像平滑效果。

基于上述本發(fā)明實施例的技術(shù)方案，下面首先結(jié)合圖1以及圖2對本發(fā)明實施例的技術(shù)方案涉及的一些可能的應(yīng)用場景進行舉例介紹，圖1-1為本發(fā)明實施例提供的原始圖像，圖1-2為經(jīng)過本申請?zhí)峁┑姆椒ㄟM行處理后的圖像。

先利用局部平滑法中的雙邊濾波以及變換域濾波對原始圖像(圖1-1)進行平滑處理，獲得引導(dǎo)圖像；然后利用最小二乘法對原始圖像、引導(dǎo)圖像以及預(yù)設(shè)平滑圖像構(gòu)造最小二乘模型，加入對預(yù)設(shè)平滑圖像的約束函數(shù)以控制平滑圖像的稀疏度，得到平滑能量目標(biāo)函數(shù)；最后利用半二次分裂法以及交替固定變量法求解該函數(shù)，從而獲得原始圖像經(jīng)過平滑處理后的平滑圖像(圖1-2)。對比圖1-1和圖1-2可以看出，本申請?zhí)峁┑募夹g(shù)方案對圖形的進行平滑處理后，不僅保留了圖像的結(jié)構(gòu)，在去除細節(jié)紋理特征的同時恢復(fù)了一些高對比度的細節(jié)，得到了很好的平滑效果。

需要注意的是，上述應(yīng)用場景僅是為了便于理解本申請的思想和原理而示出，本申請的實施方式在此方面不受任何限制。相反，本申請的實施方式可以應(yīng)用于適用的任何場景。

在介紹了本發(fā)明實施例的技術(shù)方案后，下面詳細的說明本申請的各種非限制性實施方式。

首先參見圖2，圖2為本發(fā)明實施例提供的一種圖像平滑方法的流程示意圖，本發(fā)明實施例可包括以下內(nèi)容：

s201：對原始圖像循環(huán)進行預(yù)設(shè)次數(shù)的雙邊濾波以及變換域濾波，以獲得引導(dǎo)圖像。

雙邊濾波與變換域濾波均屬于局部平滑法。

雙邊濾波是一種非線性的濾波方法，是結(jié)合圖像的空間鄰近度和像素值相似度的一種折衷處理，同時考慮空域信息和灰度相似性，達到保邊去噪的目的。具有簡單、非迭代、局部的特點。雙邊濾波的優(yōu)勢是可以做邊緣保存，一般過去用的維納濾波或者高斯濾波去降噪，都會較明顯地模糊邊緣，對于高頻細節(jié)的保護效果并不明顯。雙邊濾波器顧名思義比高斯濾波多了一個高斯方差，它是基于空間分布的高斯濾波函數(shù)，所以在邊緣附近，離的較遠的像素不會太多影響到邊緣上的像素值，這樣就保證了邊緣附近像素值的保存。但是由于保存了過多的高頻信息，對于彩色圖像里的高頻噪聲，雙邊濾波器不能夠干凈的濾掉，只能夠?qū)τ诘皖l信息進行較好的濾波。

經(jīng)過多次實驗發(fā)現(xiàn)，在僅使用雙邊濾波時，獲得的引導(dǎo)圖像會損壞主要結(jié)構(gòu)的邊角，但所得圖像平滑效果較好；而在僅使用變換域濾波時，獲得的引導(dǎo)圖像能更好地保護主要結(jié)構(gòu)的邊角，但所得圖像平滑效果較差。故本申請同時使用雙邊濾波與變換域濾波對圖像進行處理，具體流程可如下所示：

s2011：獲取原始圖像、常值圖像、空間權(quán)重值以及范圍權(quán)重值；

s2012：以常值圖像為初始引導(dǎo)函數(shù)，根據(jù)變換域濾波法對原始圖像以及初始引導(dǎo)函數(shù)進行變換域濾波，得到新引導(dǎo)函數(shù)；

s2013：根據(jù)雙邊濾波法對原始圖像以及新引導(dǎo)函數(shù)進行雙邊濾波，得到一次引導(dǎo)函數(shù)；

s2014：對s2012以及s2013循環(huán)執(zhí)行所述預(yù)設(shè)次數(shù)，以獲得引導(dǎo)圖像。

原始圖像即為待平滑處理圖像，可以為任意格式的圖像，例如tiff、tif、bmp、gif等，這均不影響本申請技術(shù)方案的實現(xiàn)。

常值圖像為全為常數(shù)0的圖像。

空間權(quán)重σs以及范圍權(quán)重σr為在對圖像進行濾波時，用到的參數(shù)，一般在使用變換域濾波時，可設(shè)置空間權(quán)重為雙邊濾波空間權(quán)重的1.5倍，范圍權(quán)重可設(shè)為雙邊濾波空間權(quán)重的3倍。當(dāng)然，也可不按照上述的參數(shù)進行設(shè)置，本領(lǐng)域技術(shù)人員可根據(jù)實際情況進行配置參數(shù)，這均不影響本申請的實現(xiàn)。

關(guān)于空間權(quán)重以及范圍權(quán)重的取值(空間權(quán)重σs＞1，范圍權(quán)重σr＞0)，對圖像的平滑效果以及分辨率的影響，可參見圖3-5，圖3為待處理的原始圖像。由圖4-5可知，在其他參數(shù)不變時，隨著σs的減大，圖像越來越模糊；在其他參數(shù)不變時，隨著σr的增大，圖像越來越模糊。由圖可見，可選的，在空間權(quán)重值σs＝3，范圍權(quán)重值σr＝0.01時，圖像較為清晰，且具有較好的平滑效果。當(dāng)然，本領(lǐng)域技術(shù)人員可根據(jù)具體需求及圖像分辨率而定，本申請對此不做任何限定。

需要說明的是，可以先經(jīng)過雙邊濾波，再經(jīng)過變換域濾波，然后循環(huán)執(zhí)行n次；也可先經(jīng)過變換域濾波，再經(jīng)過雙邊濾波，然后循環(huán)執(zhí)行n次；當(dāng)然可也利用雙邊濾波進行n次濾波，再利用變換域濾波進行n次濾波；或者先利用變換域濾波進行n次濾波，再利用雙邊濾波進行n次濾波，這均不影響本申請的實現(xiàn)。但是，經(jīng)過多次實驗發(fā)現(xiàn)，先經(jīng)過變換域濾波進行處理，再經(jīng)過雙邊濾波進行濾波處理，然后循環(huán)執(zhí)行n次，得到的圖像平滑效果最好。故，可選的，可采用先對原始圖像進行變換域濾波，再進行雙邊濾波，然后循環(huán)執(zhí)行預(yù)設(shè)次數(shù)。

一次完整的濾波是先對原始圖像進行變換域濾波，再進行雙邊濾波，循環(huán)執(zhí)行是指對一次完整的濾波進行多次操作，舉例來說，一次完整的濾波得到的引導(dǎo)圖像為一次引導(dǎo)函數(shù)，再執(zhí)行一次完整的濾波得到的是二次引導(dǎo)函數(shù)；循環(huán)n次，得到的即是n次引導(dǎo)函數(shù)。

據(jù)多次實驗分析，循環(huán)預(yù)設(shè)次數(shù)超過3次就僅有細微的變化，而且增加次數(shù)對實驗結(jié)果沒有任何效果，反而會增大圖像處理的時間，造成圖像處理效率較低。故，可選的，預(yù)設(shè)次數(shù)可取值為3次。

經(jīng)過循環(huán)執(zhí)行上述操作，可以模糊原始圖像的細節(jié)及小尺度噪聲，同時還保留原始圖像的結(jié)構(gòu)成分。

s202：根據(jù)最小二乘法對所述原始圖像、所述引導(dǎo)圖像以及預(yù)設(shè)平滑圖像構(gòu)造最小二乘模型。

最小二乘法(又稱最小平方法)是一種數(shù)學(xué)優(yōu)化方法。它通過最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配，利用最小二乘法可以簡便地求得未知的數(shù)據(jù)，并使得這些求得的數(shù)據(jù)與實際數(shù)據(jù)之間誤差的平方和為最小。

平滑圖像為原始圖像經(jīng)過本申請的圖像平滑方法進行平滑處理后，得到的圖像。因為平滑圖像是未知的，而采用最小二乘法構(gòu)造的模型可實現(xiàn)對未知數(shù)據(jù)的求解，故可假設(shè)平滑圖像為預(yù)設(shè)平滑圖像，作為未知的數(shù)據(jù)帶入最小二乘模型中。例如數(shù)學(xué)中一元一次方程的概念，對于求解未知量，一般會先假設(shè)變量x，然后將已知量帶入求解，從而得到x的值。

范數(shù)，是具有“長度”概念的函數(shù)其為矢量空間內(nèi)的所有矢量賦予非零的正長度或大小。半范數(shù)反而可以為非零的矢量賦予零長度。舉例來說，在二維的歐氏幾何空間r就可定義歐氏范數(shù)。在這個矢量空間中的元素常常在笛卡兒坐標(biāo)系統(tǒng)中被畫成一個從原點出發(fā)的帶有箭頭的有向線段。每一個矢量的歐氏范數(shù)就是有向線段的長度。

范數(shù)一般可分為向量范數(shù)與矩陣范數(shù)，在向量范數(shù)中，0-范數(shù)是指向量中非零元素的個數(shù)；1-范數(shù)為向量元素絕對值之和；2-范數(shù)向量元素絕對值的平方和再開方。在矩陣范數(shù)中，0-范數(shù)是指矩陣中非零元素的個數(shù)；1-范數(shù)為所有矩陣列向量絕對值之和的最大值；2-范數(shù)，也叫譜范數(shù)，是指矩陣的最大特征值的開平方，也就是通常意義上的模。

可根據(jù)最小二乘法以及2-范數(shù)的平方對原始圖像、引導(dǎo)圖像以及預(yù)設(shè)平滑圖像構(gòu)造最小二乘模型為：

式中，s為預(yù)設(shè)平滑圖像，i為原始圖像，g為引導(dǎo)圖像，α為細節(jié)恢復(fù)因子。

需要說明的是，α通常取值為α∈[0，1]。

構(gòu)造的最小二乘模型具有雙數(shù)據(jù)保真項，一項用于控制平滑圖像與原始圖像之間差異(即)，另一項用于控制平滑圖像與引導(dǎo)圖像差異通過這兩項控制，既可增強對原始圖像中結(jié)構(gòu)成分的保護，同時還提供細節(jié)恢復(fù)因子來恢復(fù)一些高對比度的細節(jié)。

需要說明的是，相較現(xiàn)有技術(shù)中使用一個數(shù)據(jù)保真項(即用于控制平滑圖像與原始圖像之間差異)，本申請采用的雙數(shù)據(jù)保真項的兩項均保留了原圖中主要結(jié)構(gòu)，區(qū)別是一個任保留細節(jié)(第一項)，另一個模糊削弱了細節(jié)(第二項)。使用雙數(shù)據(jù)保真項能夠更加有效地保留主要結(jié)構(gòu)，同時可根據(jù)選擇不同的恢復(fù)參數(shù)不同程度上保留高對比度細節(jié)成分。若僅使用第一個數(shù)據(jù)保真項，則無法有效濾除高對比度細節(jié)，而且易損壞主要結(jié)構(gòu)，若僅使用第二個數(shù)據(jù)保真項，則武斷地刪除所有小的成分(可能包含有用成分)。

s203：利用范數(shù)定義所述預(yù)設(shè)平滑圖像的像素強度以及梯度，以獲得所述預(yù)設(shè)平滑圖像的約束函數(shù)。

可利用0-范數(shù)定義預(yù)設(shè)平滑圖像的像素強度以及梯度，當(dāng)然，也可采用1-范數(shù)，2-范數(shù)進行定義，這均不影響本申請的實現(xiàn)。但是，經(jīng)過多次實驗和分析，相對于1-范數(shù)和2-范數(shù)，0-范數(shù)可以取得更好的效果。

0-范數(shù)是指變量中不為零的個數(shù)，s為預(yù)設(shè)平滑圖像，▽s為預(yù)設(shè)平滑圖像的梯度圖，利用0-范數(shù)定義所述預(yù)設(shè)平滑圖像的像素強度以及梯度為||▽s||0，其中，▽s∈r^m×n。表示▽s中不為零的個數(shù)。

通過構(gòu)造約束函數(shù)，可用來控制平滑圖像的稀疏度。

s204：根據(jù)所述最小二乘模型以及所述約束函數(shù)得到平滑能量目標(biāo)函數(shù)。

根據(jù)最小二乘模型以及所述約束函數(shù)得到平滑能量目標(biāo)函數(shù)為：

式中，e(s)為平滑能量目標(biāo)函數(shù)，s為預(yù)設(shè)平滑圖像，i為原始圖像，g為引導(dǎo)圖像，α為細節(jié)恢復(fù)因子，λ為平滑因子，||▽s||為約束函數(shù)。

當(dāng)約束函數(shù)為利用0-范數(shù)進行定義時，上述平滑能量目標(biāo)函數(shù)即為：

式中，e(s)為平滑能量目標(biāo)函數(shù)，s為預(yù)設(shè)平滑圖像，i為原始圖像，g為引導(dǎo)圖像，α為細節(jié)恢復(fù)因子，λ為平滑因子，||▽s||0為約束函數(shù)。

關(guān)于細節(jié)恢復(fù)因子以及平滑因子(α∈[0，1]，λ≥0)，對圖像的平滑效果以及分辨率的影響，可參見圖6和圖7。由圖可知，在其他參數(shù)不變時，隨著α的減小，圖像越來越模糊；在其他參數(shù)不變時，隨著λ的增大，圖像越來越模糊。由圖可見，可選的，在α＝1，λ＝0.005時，圖像較為清晰，具有較好的平滑效果。當(dāng)然，本領(lǐng)域技術(shù)人員可根據(jù)具體需求及圖像分辨率而定，本申請對此不做任何限定。

s205：利用半二次分裂法以及交替固定變量法求解所述平滑能量目標(biāo)函數(shù)，以獲得平滑圖像。

具體的可包括：

引入輔助變量替換所述平滑能量目標(biāo)函數(shù)中的約束函數(shù)項；

利用所述半二次分裂法對替換過的平滑能量目標(biāo)函數(shù)進行最小化處理，加入誤差懲罰項，得到平滑最小化模型；

根據(jù)所述交替固定變量法求解所述平滑最小化模型，以獲得所述平滑圖像。

由于無法實現(xiàn)直接最小化平滑能量目標(biāo)函數(shù)，這是非凸優(yōu)化問題，故需要引入輔助變量來替代約束函數(shù)，使其盡可能逼近最小值。

舉例來說，當(dāng)平滑能量目標(biāo)函數(shù)為：

引入輔助變量g＝(gx，gy)^t代替約束項中的||▽s||0；

利用半二次分裂法對替換過的平滑能量目標(biāo)函數(shù)進行最小化處理，原先的平滑圖像函數(shù)為：

在上述平滑圖像函數(shù)上加誤差懲罰項，構(gòu)成最終的平滑最小化模型為：

其中，β是自適應(yīng)參數(shù)，以控制g與▽s的相似度。

交替固定變量法一般為固定一個量，求解另外一個量，為一個迭代過程。即需要交替求解g與s，最終求得平滑圖像s。具體流程可如下所示：

對預(yù)設(shè)平滑圖像、自適應(yīng)參數(shù)β、迭代次數(shù)i進行初始化；

利用下述計算關(guān)系式進行迭代計算：

β＝kβ；

直至β＞βmax，輸出s，即為最終獲得的平滑圖像。

其中，預(yù)設(shè)平滑圖像初始化為原始圖像，自適應(yīng)參數(shù)β初始化為β0，k為增率。

f^-1(·)表示離散傅里葉逆變換算子，f(·)表示復(fù)共軛算子，f(1)表示δ函數(shù)的離散傅立葉變換。上述所有的操作符，加、乘、除均按元素來操作。通過傅里葉變換，加快了s的求解速度，有利于提高整體圖像平滑處理的效率。

可選的，β0＝λ，βmax＝10⁵，k＝2。當(dāng)然，本領(lǐng)域技術(shù)人員可根據(jù)具體需求及圖像分辨率而定，本申請對此不做任何限定。

綜合可知，本申請?zhí)峁┑膱D像平滑處理方法，s201為局部平滑，s202-s205為全局平滑。采用局部平滑法可有效模糊小的高對比度成分，保留大的結(jié)構(gòu)；采用全局平滑法，可有效去除受局部濾波模糊的小的結(jié)構(gòu)，也保留大的結(jié)構(gòu)，最終導(dǎo)致原圖中大的結(jié)果保留，小的細節(jié)噪聲去除。

由上可知，本發(fā)明實施例綜合考慮全局特征以及局部特征，先對原始圖像進行局部平滑處理，然后進行全局平滑處理，規(guī)避了局部平滑方法以及全局平滑方法的劣勢，有效的利用了二者的優(yōu)勢。通過控制平滑圖像與原始圖像之間差異以及控制平滑圖像與引導(dǎo)圖像差異，增強了對原始圖像中結(jié)構(gòu)成分的保護，保留了圖像的結(jié)構(gòu)，在去除細節(jié)紋理特征的同時恢復(fù)了一些高對比度的細節(jié)，獲得了好的圖像平滑效果；此外，對圖像進行了有效的噪聲濾除，加強了邊界像素的強度，有利于圖像輪廓的提取，從而有利于提高圖像識別的準確率與效率。

當(dāng)圖像含有大量高對比度噪聲的時候，在構(gòu)造最小二乘模型時，由于原始函數(shù)噪聲太大，導(dǎo)致構(gòu)造的模型受噪聲干擾太大，求解出的平滑圖像會有很大的偏差，難以保證平滑后圖像的準確率。因此，本申請基于上述實施例還提供了一個實施例。

在構(gòu)造最小二乘模型之前，先對原始圖像進行中值濾波。

中值濾波法是一種非線性平滑技術(shù)，基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性信號處理技術(shù)，它將每一像素點的灰度值設(shè)置為該點某鄰域窗口內(nèi)的所有像素點灰度值的中值。中值濾波的基本原理是把數(shù)字圖像或數(shù)字序列中一點的值用該點的一個鄰域中各點值的中值代替，讓周圍的像素值接近的真實值，從而消除孤立的噪聲點。方法是用某種結(jié)構(gòu)的二維滑動模板，將板內(nèi)像素按照像素值的大小進行排序，生成單調(diào)上升(或下降)的為二維數(shù)據(jù)序列。

即根據(jù)最小二乘法對經(jīng)過中值濾波的原始圖像、所述引導(dǎo)圖像以及預(yù)設(shè)平滑圖像構(gòu)造最小二乘模型。具體的，跟上述實施例的實現(xiàn)方法相同，此處，就不在贅述。

在采用中值濾波對原始圖像進行處理后，可有效的濾除原始圖像中的高對比度噪聲，提高圖像平滑效果，提升平滑圖像的準確率。

本發(fā)明實施例還針對圖像平滑方法提供了相應(yīng)的實現(xiàn)裝置，進一步使得所述方法更具有實用性。下面對本發(fā)明實施例提供的圖像平滑裝置進行介紹，下文描述的圖像平滑裝置與上文描述的圖像平滑方法可相互對應(yīng)參照。

參見圖8，圖8為本發(fā)明實施例提供的一種圖像平滑裝置的結(jié)構(gòu)圖，該裝置可包括：

濾波平滑模塊801，用于對原始圖像循環(huán)進行預(yù)設(shè)次數(shù)的雙邊濾波以及變換域濾波，以獲得引導(dǎo)圖像。

建立模型模塊802，用于根據(jù)最小二乘法對所述原始圖像、所述引導(dǎo)圖像以及預(yù)設(shè)平滑圖像構(gòu)造最小二乘模型。

獲取平滑圖像模塊803，用于利用范數(shù)定義所述預(yù)設(shè)平滑圖像的像素強度以及梯度，以獲得所述預(yù)設(shè)平滑圖像的約束函數(shù)；根據(jù)所述最小二乘模型以及所述約束函數(shù)得到平滑能量目標(biāo)函數(shù)；利用半二次分裂法以及交替固定變量法求解所述平滑能量目標(biāo)函數(shù)，以獲得平滑圖像。

在一種具體實施方式中，所述獲取平滑圖像模塊803為根據(jù)所述最小二乘法以及2-范數(shù)的平方對所述原始圖像、所述引導(dǎo)圖像以及預(yù)設(shè)平滑圖像構(gòu)造最小二乘模型的模塊，所述最小二乘模型為：

式中，s為所述預(yù)設(shè)平滑圖像，i為所述原始圖像，g為所述引導(dǎo)圖像，α為細節(jié)恢復(fù)因子。

本發(fā)明實施例所述圖像平滑裝置的各功能模塊的功能可根據(jù)上述方法實施例中的方法具體實現(xiàn)，其具體實現(xiàn)過程可以參照上述方法實施例的相關(guān)描述，此處不再贅述。

由上可知，本發(fā)明實施例綜合考慮全局特征以及局部特征，先對原始圖像進行局部平滑處理，然后進行全局平滑處理，規(guī)避了局部平滑方法以及全局平滑方法的劣勢，有效的利用了二者的優(yōu)勢。通過控制平滑圖像與原始圖像之間差異以及控制平滑圖像與引導(dǎo)圖像差異，增強了對原始圖像中結(jié)構(gòu)成分的保護，保留了圖像的結(jié)構(gòu)，在去除細節(jié)紋理特征的同時恢復(fù)了一些高對比度的細節(jié)，獲得了好的圖像平滑效果；此外，對圖像進行了有效的噪聲濾除，加強了邊界像素的強度，有利于圖像輪廓的提取，從而有利于提高圖像識別的準確率與效率。

為了驗證本申請?zhí)峁┑募夹g(shù)方案具有好的圖像平滑效果，本申請?zhí)峁┝司唧w的實施例，請參閱圖9-14，圖9為待處理的原始圖像，圖10-13為其他算法處理過的圖像，圖14為本申請?zhí)幚淼膱D像，圖中方框中的圖為相應(yīng)方框的局部放大圖。由圖可見，經(jīng)過rtv(relativetotalvariation，相關(guān)性全變差)算法處理的圖像，相近的兩條線條比較模糊，無法識別；其他算法(例如rgf(rollingguidancefilter，循環(huán)引導(dǎo)濾波)和blf(bilateralfilter，雙邊濾波)算法、nlgrtv(nonlocalversionofgeneralizedrelativetotalvariation，非局部版本的通用相關(guān)性全變差)算法以及ssptf(scale-awarestructure-preservingtexturefiltering，尺度關(guān)注結(jié)構(gòu)保存紋理濾波)算法)對圖像細節(jié)的平滑效果較為粗糙?？梢姡旧暾埖姆椒ň哂泻玫膱D像平滑效果。

為了驗證本申請?zhí)峁┑募夹g(shù)方案具有有效的去噪效果，本申請?zhí)峁┝司唧w的實施例，請參閱圖15-17，圖15為待處理的原始圖像，圖16為經(jīng)過rgf和blf算法處理過的圖像，圖17為本申請?zhí)幚淼膱D像，由圖可見，圖16中仍有模糊的雜亂的線條，本申請?zhí)峁┑姆椒ㄓ行У娜コ嗽紙D像中雜亂的線條，獲得目標(biāo)對象(長方體結(jié)構(gòu)的對象)?？梢姡旧暾?zhí)峁┑募夹g(shù)方案可有效的濾除圖像噪聲，避免圖像噪聲的干擾。

為了驗證本申請?zhí)峁┑募夹g(shù)方案具有增強圖像的效果，本申請?zhí)峁┝司唧w的實施例，請參閱圖18以及19，圖18為原始圖像，圖19為本申請?zhí)幚淼膱D像，由圖可見，經(jīng)過本申請?zhí)峁┑姆椒?，原始圖像像素明顯增強，尤其是邊緣像素的強度，有利于提取圖像的輪廓，從而有利于提高圖像識別的準確率與效率。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其它實施例的不同之處，各個實施例之間相同或相似部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。

專業(yè)人員還可以進一步意識到，結(jié)合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結(jié)合來實現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計約束條件。專業(yè)技術(shù)人員可以對每個特定的應(yīng)用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應(yīng)認為超出本發(fā)明的范圍。

結(jié)合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來實施。軟件模塊可以置于隨機存儲器(ram)、內(nèi)存、只讀存儲器(rom)、電可編程rom、電可擦除可編程rom、寄存器、硬盤、可移動磁盤、cd-rom、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲介質(zhì)中。

以上對本發(fā)明所提供的一種圖像平滑方法以及裝置進行了詳細介紹。本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進行若干改進和修飾，這些改進和修飾也落入本發(fā)明權(quán)利要求的保護范圍內(nèi)。