[发明专利]一种图像分解方法及装置

说明书

本发明公开了一种图像分解方法及装置，其中，图像分解方法包括步骤：根据目标二维图像在x轴方向上的梯度和在y轴方向上的梯度计算所述目标二维图像的方向特征量与周期复杂性；根据所述目标二维图像的图像梯度与所述方向特征量计算所述目标二维图像的结构度量；根据所述目标二维图像的图像梯度与所述周期复杂性计算所述目标二维图像的纹理度量；根据所述结构度量和纹理度量构建所述目标二维图像对应的目标函数，以通过优化所述目标函数分解所述目标二维图像。本发明能够对图像的结构性边缘起到很好的保留效果，能够去除图像中的周期重复性纹理。

技术领域

本申请实施例涉及图像处理领域，特别是涉及一种图像分解方法及装置。

背景技术

图像结构纹理分解指的是将原始图像分为包含主要信息的结构分量和包含细小、杂乱的细节的纹理分量，它是一项重要的图像处理技术，被广泛应用于图像处理中的多个领域，如图像增强、图像去噪、图像修复、边缘检测和图像质量评价等领域。

现有的结构纹理分解方法主要分为三类：第一类为基于变分优化的分解方法，第二类为基于滤波的分解方法，第三类为基于神经网络的分解方法，其中基于变分优化的分解方法有基于变分模型优化方法、加权最小二乘优化方法，相对总变分优化方法和基于联合卷积分析与合成稀疏表示的图像分离等方法，基于滤波的方法主要有双边滤波方法，滚动引导滤波方法、结构梯度与纹理解相关滤波方法，尺度感知滤波方法和侧窗滤波等方法；基于神经网络的分解方法有深度边缘感知滤波方法，无监督深度图像平滑方法。

通过对这些方法的了解，我们发现它们都存在一些缺陷。例如，基于变分优化的分解方法无法区分细小的结构和纹理，滚动引导滤波方法过度依赖于图像内容的尺度，事实上，在同一幅图像中，不同的结构可以拥有不同的尺度大小，另一方面，无监督深度图像平滑方法基于大量的外部样本训练得到一个深度神经网络模型，然而该模型却无法在多种不同类型的图片上取得良好的效果，鲁棒性较差。

综合所述，现有的图像分解方法得到的结构图像往往会被过度平滑，或者是不能很好的将结构图像上的纹理去除干净。因此，如何更好的区分图像的结构和纹理，是现有的结构纹理分解领域存在的一个重大的问题与挑战。。

发明内容

针对现有技术的缺陷，本发明第一方面提供一种图像分解方法，旨在解决现有技术中存在的问题之一；

本发明第二方面提供一种图像分解装置，旨在解决现有技术中存在的问题之一；

本发明第三方面提供另一种图像分解装置，旨在解决现有技术中存在的问题之一；

本发明第四方面提供一种计算机存储介质，旨在解决现有技术中存在的问题之一；

在本发明第一方面中，一种图像分解方法，包括：

根据目标二维图像在x轴方向上的梯度和在y轴方向上的梯度计算所述目标二维图像的方向特征量与周期复杂性；

根据所述目标二维图像的图像梯度与所述方向特征量计算所述目标二维图像的结构度量；

根据所述目标二维图像的图像梯度与所述周期复杂性计算所述目标二维图像的纹理度量；

根据所述结构度量和所述纹理度量构建所述目标二维图像对应的目标函数，以通过优化所述的目标函数分解所述目标二维图像。

在本发明第一方面中，作为一种可选的实施方式，所述结构张量矩阵的特征值包括第一特征值和第二特征值，其中，当所述目标二维图像的梯度有主方向时，所述第一特征值远大于所述第二特征值，且所述方向特征量趋近于1，当所述目标二维图像的梯度杂乱时，所述第一特征值与所述第二特征值近似相等，且所述方向特征量趋近于0。

在本发明第一方面中，作为一种可选的实施方式，在所述根据所述结构度量构建所述目标二维图像对应的目标函数之前，所述方法还包括：根据第一计算式计算所述目标二维图像的纹理度量，所述第一计算式为：