О свойствах алгоритма сглаживания цветных изображений на основе анализа градиента
Автор: Гудков Владимир Юльевич, Моисеев Илья Юрьевич
Статья в выпуске: 3 т.9, 2020 года.
Бесплатный доступ
В данной работе исследуются свойства и возможные приложения алгоритма сглаживания, который позволяет сохранять выраженные структуры на изображении и подавлять слабозаметные текстуры. Он основан на анализе двух компонент векторов градиента, отражающих изменение интенсивности цвета в окрестности определенной точки. Эти компоненты - длина и угол наклона вектора градиента. В основе теории, которая служит основанием изучаемому методу лежит различие между двумя видами границ на изображении, которые отличаются поведением векторов градиента. Предполагается, что близость углов градиента в точках окрестности говорит о принадлежности двух точек к одной границе, а значит, при сглаживании они должны иметь большее влияние на результат. Также принимается во внимание обратное значение длины вектора градиента как фактор формирования веса, который позволяет выделять края объектов. Мы ставим своей целью сфокусироваться на результатах применения алгоритма в качестве предобработки в задачах выделения контуров и подобных им, сглаживая лишние детали, которые не важны при формировании изображения контуров. Мы также выявили интересные свойства последствий применения алгоритма несколько итераций подряд и изучили его поведение в задаче борьбы с шумом.
Сглаживание изображений, фильтр, градиент
Короткий адрес: https://sciup.org/147234277
IDR: 147234277 | УДК: 004.932.4 | DOI: 10.14529/cmse200301
On the properties of an image smoothing algorithm for colored images based on gradient analysis
In this paper properties and possible applications of an image smoothing algorithm are explored. The algorithm allows us to remove small textures and to preserve main structures on the image. Algorithm is based on the analysis of two gradient components. These components are the length and the angle of gradient vector. Theory that underlies the algorithm is based on distinction between two types of boundaries, which differ in behavior of gradient vectors. We suppose that closeness of gradient angles in given neighborhood means that points belong to the same boundary. This in turn means that they should have bigger weights. We also take into consideration inverted gradient length as the factor for weight computation. Our goal is to focus on the results of applying the algorithm as a preprocessing step for the tasks like edge detection. This method shows interesting results as a preprocessing step for edge detection tasks. It smooths insignificant details, from which we do not need edges to be shown at the image of the edges. We also explore interesting properties of using algorithm for several iterations and its behavior on noise reduction task.
Список литературы О свойствах алгоритма сглаживания цветных изображений на основе анализа градиента
- Bi S. An L1 Image Transform for Edge-preserving Smoothing and Scene-level Intrinsic Decomposition // ACM Transactions on Graphics. 2015. Vol. 4, no. 34. P. 78-90. DOI: 10.1145/2766946.
- Canny J. A Computational Approach to Edge Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986. Vol. PAMI-8, no. 6. P. 679-698. DOI: 10.1109/TPAMI.1986.4767851.
- Chen Q. Fast Image Processing with Fully-convolutional Networks // 2017 IEEE International Conference on Computer Vision, ICCV (Venice, Italy, October, 22-29, 2017), 2017. P. 2497-2506. DOI: 10.1109/iccv.2017.273.
- Gudkov V. Image Smoothing Algorithm Based on Gradient Analysis // Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology, USBEREIT (Yekaterinburg, Russia, May, 14-15, 2020). 2020. P. 403-406. DOI: 10.1109/USBEREIT48449.2020.9117646.
- Fan Q. Image Smoothing via Unsupervised Learning // ACM Transactions on Graphics. 2018. Vol. 37, no. 6. DOI: 10.1145/3272127.3275081.
- He K. Guided Image Filtering // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2013. Vol. 6, no. 35. P. 1397-1409. DOI: 10.1109/TPAMI.2012.213.
- Lu K. Deep Texture and Structure Aware Filtering Network for Image Smoothing // Computer Vision, ECCV 2018. Lecture Notes in Computer Science. Springer, Cham, 2018. Vol. 11208. P. 229-245. DOI: 10.1007/978-3-030-01225-0_14.
- Perona P. Scale-space and Edge Detection Using Anisotropic Diffusion // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1990. Vol. 7, no. 12. P. 629-639. DOI: 10.1109/34.56205.
- Tomasi C. Bilateral Filtering for Gray and Color Images // Proc. of the IEEE International Conference on Computer Vision (Bombay, India, January, 7, 1998), 1998. P. 839-846.
- Pham C. Adaptive Guided Image Filtering for Sharpness Enhancement and Noise Reduction // PSIVT 2011. Lecture Notes in Computer Science. Springer, Berlin, Heidelberg, 2011. Vol. 7087. P. 323-334. DOI: 10.1007/978-3-642-25367-6_29.
- Xiaonan F. Learning Explicit Smoothing Kernels for Joint Image // Pacific Graphics. 2019. Vol. 7, no. 38. P. 180-190. DOI: 10.1111/cgf.13827.
- Xu L. Image Smoothing via L0 Gradient // ACM Transactions on Graphics. 2011. Vol. 6, no. 30. P. 1-12. DOI: 10.1145/2070781.2024208.
- Yoshimura K. Structure-tensor-based Anisotropic Rolling Filter for Image Smoothing // Proceedings of SPIE. 2019. Vol. 1104904. P. 13-18. DOI: 10.1117/12.2517892.
- Zhang Q. Rolling Guidance Filter // Computer Vision-ECCV2014. Springer, Cham. 2014. P. 851-830. DOI: 10.1007/978-3-319-10578-9_53.
