基于pg算法的圖像細(xì)節(jié)特征保護(hù)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及計(jì)算機(jī)圖像處理技術(shù)領(lǐng)域，尤其設(shè)及一種基于PG算法的圖像細(xì)節(jié)特 征保護(hù)方法。
【背景技術(shù)】
[0002] 傳統(tǒng)的基于PDE(PartialDifferentialEquation)圖像恢復(fù)算法可W較好地保 護(hù)圖像中的邊緣等重要信息，卻不能很好地保護(hù)圖像的局部特征，如紋理或者細(xì)節(jié)等特征， 在圖像恢復(fù)過(guò)程中會(huì)被抹掉。因此，基于PDE的圖像恢復(fù)算法可能丟失圖像的局部重要特 征，從而可能降低圖像的可讀性和可理解性。

【發(fā)明內(nèi)容】

[000引本發(fā)明的目的在于提供一種基于PG算法的圖像細(xì)節(jié)特征保護(hù)方法，W解決上述 技術(shù)問(wèn)題。
[0004] 本發(fā)明的目的是要在圖像恢復(fù)過(guò)程中尋找一種更好地保護(hù)圖像局部細(xì)節(jié)特征的 算法。該一算法是基于PDE算法，并借鑒GWT(G油orWaveletTransformation)的良好的 圖像特征識(shí)別特點(diǎn)，通過(guò)自動(dòng)分析圖像區(qū)域組成，自適應(yīng)地恢復(fù)圖像并更為有效地保護(hù)圖 像的局部重要特征。為了保護(hù)圖像的局部細(xì)節(jié)特征，本算法將利用GWT對(duì)圖像細(xì)節(jié)特征進(jìn) 行識(shí)別判斷，然后對(duì)局部細(xì)節(jié)特征進(jìn)行加權(quán)保護(hù)，再利用PDE圖像恢復(fù)算法進(jìn)行處理來(lái)更 好地保護(hù)圖像中的重要信息。
[0005] 本發(fā)明所要解決的技術(shù)問(wèn)題采用W下技術(shù)方案來(lái)實(shí)現(xiàn)：
[0006] 一種基于PG算法的圖像細(xì)節(jié)特征保護(hù)方法，其特征在于：包括圖像局部特征表示 及圖像細(xì)節(jié)識(shí)別機(jī)制、PDE算法自動(dòng)恢復(fù)圖像機(jī)制、PG圖像恢復(fù)算法，利用圖像局部特征表 示及圖像細(xì)節(jié)識(shí)別機(jī)制尋找到細(xì)節(jié)特征所在區(qū)域，然后根據(jù)不同的區(qū)域自動(dòng)調(diào)節(jié)參數(shù)，再 利用PDE算法自動(dòng)恢復(fù)圖像機(jī)制對(duì)該區(qū)域進(jìn)行處理。
[0007] 所述的圖像局部特征表示及圖像細(xì)節(jié)識(shí)別機(jī)制包括G油or過(guò)濾器，G油or過(guò)濾器 是過(guò)濾器的集合，每一個(gè)過(guò)濾器根據(jù)相應(yīng)的參數(shù)捕獲圖像相應(yīng)的局部結(jié)構(gòu)，該些參數(shù)包括 中屯、頻率、光譜的帶寬W及方向角，所述Gabor過(guò)濾器的形式如下公式所示：
[000引
[0009]上式中，X和y是圖像相素點(diǎn)的坐標(biāo)，0表示光譜帶寬，0表示中屯、頻率，0k表 示方向角，它的定義如下：
[0010]
[0011] k表示G油or過(guò)濾器集中的濾器的數(shù)目；
[0012] G油or過(guò)濾器是一可調(diào)的帶通過(guò)濾器，通過(guò)調(diào)節(jié)G油or過(guò)濾器的相應(yīng)參數(shù)值，可W 獲取相應(yīng)不同的過(guò)濾器；
[0013] 根據(jù)G油or過(guò)濾器的上述特點(diǎn)，利用圖像數(shù)據(jù)與G油or過(guò)濾器的卷積來(lái)表征圖像 的局部細(xì)節(jié)特征，若WI(X，y)來(lái)表示圖像在坐標(biāo)（X，y)的灰度值，那么I(X，y)與kthG油or 過(guò)濾器fk的卷積定義如下：
[0014] Ik(x，y) =I(x，y)*fk(x，y)，k= 1，2,…，n\*MERGEFORMAT(3)
[0015] 上式中，*是卷積算子，Ik(x，y)是相應(yīng)于kthG油or過(guò)濾器參數(shù)0k，0，0的第k 個(gè)卷積，n是G油or過(guò)濾器的總數(shù)；圖像I(X,y)的G油or表示定義為集合G= (Ik(X,y):k =1，2,…，n}，該些圖像的G油or特征表示聯(lián)合起來(lái)組成一個(gè)圖像的特征向量，通過(guò)該一向 量尋找圖像的特征；
[0016] 為了簡(jiǎn)化算法，將對(duì)G油or過(guò)濾器的參數(shù)中屯、頻率和光譜帶寬設(shè)置為某一合適 的固定值，然后調(diào)節(jié)Gabor過(guò)濾器的方向角參數(shù)，從而尋找到圖像的細(xì)節(jié)特征；初步設(shè)定 G油or過(guò)濾器參數(shù)的中屯、頻率和光譜帶寬的值分別為1. 25和4. 5,而方向角設(shè)定為18個(gè)朝 向，分別是從0到間隔是^ >在6油〇1~過(guò)濾器集合中，6油〇1~過(guò)濾器的個(gè)數(shù)為18個(gè)。
[0017] 所述的PDE算法自動(dòng)恢復(fù)圖像機(jī)制，數(shù)字圖像恢復(fù)最基本的模型如下：
[001 引 10=BI+n，\*MERGEFORMAT(4)
[0019] 上式中，化、?0')： 巧是描述初始圖像的映射，它表示圖像坐標(biāo)（x，y)到 該坐標(biāo)點(diǎn)灰度值的映射；I。表示呈現(xiàn)在用戶(hù)面前的圖像，是初始圖像I(x，y)被污染后的圖 像；在式（4)中，n表示高斯加性白噪聲，而B(niǎo)表示線性算子。
[0020] 所述的PG圖像恢復(fù)算法，將圖像區(qū)域分成四個(gè)部分：一是"Cartoon"部分I。該一 部分是比較平滑的區(qū)域，包括圖像中的邊緣；二是"噪聲"部分I。，該一部分是圖像受污染的 區(qū)域；S是"局部特征"部分Iwe，該一部分是圖像的局部特征。
[0021] 本發(fā)明的有益效果是：
[0022] 本發(fā)明提供一種基于PG算法的圖像細(xì)節(jié)特征保護(hù)方法，能過(guò)濾各種不同情景的 圖像上的噪聲，信噪比（SNR)有一定的提高；從視覺(jué)效果來(lái)看，本發(fā)明提出的算法能較好地 保護(hù)局部細(xì)節(jié)特征，如；圖像中物體的邊緣，W及一些重要的圖像信息；通過(guò)本算法處理的 圖像從視覺(jué)上來(lái)看更自然、更接近源圖像。因此，本發(fā)明提出的基于PG算法由于較好地保 護(hù)了圖像的細(xì)節(jié)特征，能提高處理圖像的可讀性和可理解性。
【附圖說(shuō)明】
[0023] 圖1為PDE算法恢復(fù)的對(duì)照示意圖；
[0024] 圖2為PG算法圖像恢復(fù)的對(duì)照示意圖。
【具體實(shí)施方式】
[0025] 為了使本發(fā)明實(shí)現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié) 合具體實(shí)施例和附圖，進(jìn)一步闡述本發(fā)明，但下述實(shí)施例僅僅為本發(fā)明的優(yōu)選實(shí)施例，并非 全部?；趯?shí)施方式中的實(shí)施例，本領(lǐng)域技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)的前提下所獲得 其它實(shí)施例，都屬于本發(fā)明的保護(hù)范圍。
[0026] 本實(shí)施例首先是公開(kāi)如何運(yùn)用GWT對(duì)圖像的局部特征進(jìn)行表示及圖像細(xì)節(jié)識(shí)別 機(jī)制；其次是公開(kāi)PDE算法自動(dòng)恢復(fù)圖像的機(jī)制，重點(diǎn)在算法的缺陷規(guī)避及圖像分區(qū)機(jī)制； 再其次是公開(kāi)PDE與GWT圖像恢復(fù)算法（簡(jiǎn)稱(chēng)PG算法）的有機(jī)結(jié)合，即如何自動(dòng)識(shí)別圖像 細(xì)節(jié)并采用PDE算法對(duì)之采取措施，從而避免圖像的重要細(xì)節(jié)特征被過(guò)濾掉；最后是實(shí)驗(yàn) 來(lái)驗(yàn)證算法是否與預(yù)期的結(jié)果相一致。
[0027] 1.圖像的局部特征表示及圖像細(xì)節(jié)識(shí)別機(jī)制。
[002引標(biāo)準(zhǔn)傅立葉變換是數(shù)字信號(hào)處理的有力工具，然而它只能反映信號(hào)在整個(gè)實(shí)軸的 整體性質(zhì)，而不能反映信號(hào)在局部時(shí)間范圍內(nèi)的特征。對(duì)于圖像，我們關(guān)注的焦點(diǎn)是局部的 特征，如圖像邊緣等。G油or函數(shù)具有識(shí)別局部特征的能力，使得它在信號(hào)處理中獲得廣泛 的應(yīng)用，特別應(yīng)用于低級(jí)視覺(jué)如紋理分割、光流估計(jì)、數(shù)據(jù)壓縮和邊緣檢測(cè)等。
[0029] G油or過(guò)濾器是一個(gè)過(guò)濾器的集合，每一個(gè)過(guò)濾器根據(jù)相應(yīng)的參數(shù)捕獲圖像相應(yīng) 的局部結(jié)構(gòu)，該些參數(shù)包括中屯、頻率、光譜的帶寬W及方向角等。每一個(gè)G油or過(guò)濾器的形 式如下公式所示：
[0030]
[0031]上式中，X和y是圖像相素點(diǎn)的坐標(biāo)，0表示光譜帶寬，0表示中屯、頻率，0k表 示方向角，它的定義如下：
[0032]
[0033] k表示G油or過(guò)濾器集中的濾器的數(shù)目。
[0034] 因此，G油or過(guò)濾器是一可調(diào)的帶通過(guò)濾器。通過(guò)調(diào)節(jié)G油or過(guò)濾器的相應(yīng)參數(shù) 值，我們可W獲取相應(yīng)不同的過(guò)濾器。
[0035] 根據(jù)G油or過(guò)濾器的上述特點(diǎn)，我們利用圖像數(shù)據(jù)與G油or過(guò)濾器的卷積來(lái)表征 圖像的局部細(xì)節(jié)特征。若Wl(x，y)來(lái)表示圖像在坐標(biāo)（x，y)的灰度值，那么I(x，y)與kth G油or過(guò)濾器fk的卷積定義如下：
[0036] Ik(X，y) =I(X，y)*fk(X，y)，k= 1，2,…，n\*MERGEFORMAT做
[0037] 上式中，*是卷積算子，Ik(x，y)是相應(yīng)于kthG油or過(guò)濾器參數(shù)0k，e，0的第k 個(gè)卷積，n是Gabor過(guò)濾器的總數(shù)。由此可見(jiàn)，圖像I(X，y)的Gabor表示可W定義為集合G= {Ik(x,y):k= 1,2, 。該些圖像的G油or特征表示可W聯(lián)合起來(lái)組成一個(gè)圖像的 特征向量，因此，我們可W通過(guò)該一向量尋找圖像的特征。
[003引為了簡(jiǎn)化算法，在研究中我們將對(duì)G油or過(guò)濾器的參數(shù)中屯、頻率和光譜帶寬設(shè)置 為某一合適的固定值，然后調(diào)節(jié)G油or過(guò)濾器的方向角參數(shù)，從而尋找到圖像的細(xì)節(jié)特征。 根據(jù)參考文獻(xiàn)，我們初步設(shè)定Gabor過(guò)濾器參數(shù)的中屯、頻率和光譜帶寬的值分別為1. 25和 \1.江 n 4. 5,而方向角設(shè)定為18個(gè)朝向，分別是從0到巧隔是D因此，在Gabor過(guò)濾器集合 中，G油or過(guò)濾器的個(gè)數(shù)為18個(gè)。
[0039] 2.PDE算法自動(dòng)恢復(fù)圖像機(jī)制
[0040] 數(shù)字圖像恢復(fù)最基本的模型如下： 閨]1〇=BI+n，\*MERGEFORMAT(4)
[0042] 上式中，/(..r，.v):Qg廬^巧是描述初始圖像的映射，它表示圖像坐標(biāo)（X，y) 該坐標(biāo)點(diǎn)灰度值的映射。I。表示呈現(xiàn)在用戶(hù)面前的圖像，是初始圖像I(x，y)被污染后的圖 像。在式（4)中，n表示高斯加性白噪聲，而B(niǎo)表示線性算子。假若給定圖像I。，通過(guò)（4) 可W重構(gòu)I。然而，該個(gè)問(wèn)題的解是不適定的，我們只能構(gòu)建一個(gè)近似的圖像I。
[0043] 為了克服模型（4)的缺陷，W確保最小化問(wèn)題解的適定性，在模型中須引入一個(gè) 正則項(xiàng)。在1977年，Ti化onov和Arsenin提出了W下的最小化問(wèn)題：
[0044]
[0045] 上式中，方程右邊的第一項(xiàng)是圖像數(shù)據(jù)的保真項(xiàng)，第二項(xiàng)是光滑項(xiàng)。也就是說(shuō)，要 尋找一個(gè)最合適的梯度最小的1(該樣就能將"噪聲"消除）。參數(shù)A是一個(gè)正的權(quán)重常 量。
[0046] 上式（5)的最小化問(wèn)題是一個(gè)IMer-Lagrange方程，在方程中含有Laplacian算 子，由于Laplacian算子具有很強(qiáng)的各向同性的特性，因此在利用它處理圖像時(shí)它不能有 效地保護(hù)圖像的邊緣，從而造成圖像的模糊。式巧）中，梯度的L2范數(shù)可W使我們順利地 清除"噪聲"，但是由于圖像邊緣的梯度較大，因此其對(duì)邊緣的光滑作用更為明顯，破壞了圖 像的邊緣特征。為了最大程度地保護(hù)圖像的邊緣，我們應(yīng)該將梯度的L2范數(shù)降低為梯度的 。范數(shù)。Rudin、Osher和化temi提出將方程巧）中I的梯度的L2范數(shù)降低為L(zhǎng)i范數(shù)。為 了更精確地研究光滑項(xiàng)的影響，我們考慮下面的能量方程[6];
[0047]
[0048] 在此，我們假設(shè)上式中的B算子是恒等算子并且邊界條件是Neumann邊界條件。為 了能直接運(yùn)用變化方法來(lái)處理圖像，假定上式中函數(shù)4是嚴(yán)格的凸函數(shù)，并且是從護(hù)到R+ 的非減函數(shù)。假設(shè)存在兩個(gè)常量C> 0和b> 0,函數(shù)4滿(mǎn)足W下條件：
[0049] cs-h