[发明专利]基于无监督学习的加权最小二乘滤波方法及装置

说明书

本发明提供了一种基于无监督学习的加权最小二乘滤波方法及装置，设计全卷积神经网络并训练，训练时的损失函数为优化模型函数；分情况对输入图像进行滤波：若设置了平滑参数、模糊参数的值，直接采用训练好的全卷积神经网络对输入图像进行滤波，否则采用插值法，得到滤波图像。本发明方法能很好地保留住输入图像中显著的边缘，并能有效抑制各种伪像；且采用的轻量级全卷积神经网络，具有很高的计算效率。

技术领域

本发明属于计算机图像处理技术领域，具体是一种基于无监督学习的加权最小二乘滤波方法及装置。

背景技术

现有的保边滤波器可分为局部保边滤波器及全局保边滤波器。局部保边滤波器将图像中每个像素点替换为临近像素的加权平均，如双边滤波器、引导滤波器、域变换滤波器等。大部分局部保边滤波器的计算速度很快，但是在结果图像中的边缘附近容易产生光晕伪像；而全局保边滤波器将整个滤波过程建模成一个最优化问题去求解，如梯度L₀范数平滑方法、加权最小二乘(WLS)滤波器等。全局保边滤波器的优点是能够较好的抑制光晕伪像，但是通常求解最优化问题计算太过耗时，并且可能会使得结果图像产生强度漂移伪像。

其中WLS滤波器是一种流行的边缘保持图像平滑器，特别适用于图像增强、HDR高动态范围影像(色调映射)、人像磨皮等。然而，由于需要求解大型稀疏线性系统，因此计算成本很高。现有的WLS加速算法没有考虑空间变化的平滑特性和2D邻域信息，因此会出现各种伪影，例如光晕和条纹。

发明内容

针对现有技术中存在不足，本发明提供了一种基于无监督学习的加权最小二乘滤波方法及装置，以解决现有WLS加速算法中出现的各种伪像，且效率欠佳的问题。

本发明是通过以下技术手段实现上述技术目的的。

基于无监督学习的加权最小二乘滤波方法，具体为：

(1)若设置了参数λ、σ的值，直接采用训练好的全卷积神经网络对输入图像进行滤波，λ为可调节的平滑参数，σ为可调节的模糊参数；

(2)如果没有设置参数λ、σ的值，首先确定参数最接近情况(1)中λ、σ数值的四个训练好的全卷积神经网络，并输入图像，得到最接近情况(1)中λ、σ数值的四组滤波图像，根据所述四组滤波图像进行插值，得到最终滤波图像；具体为：

利用p_λ1,σ1、p_λ2,σ1、p_λ1,σ2、p_λ2,σ2表示最接近情况(1)中λ、σ数值的四组滤波图像，分别对应于参数(λ₁，σ₁)、(λ₂，σ₁)、(λ₁，σ₂)、(λ₂，σ₂)下的滤波结果；

通过p_λ1,σ2、p_λ2,σ2进行插值操作，得到近似图像p_λ,σ2：

通过p_λ1,σ1、p_λ2,σ1进行插值操作，得到近似图像p_λ,σ1：

根据p_λ,σ2和p_λ,σ1，得到最终滤波图像p_λ,σ为：

进一步地，所述全卷积神经网络共有10个卷积层，第1-9卷积层中：卷积运算后均进行批量归一化和ReLU激活操作，最后一层中：卷积运算后通过sigmoid函数激活，并生成一个3通道图像。