모서리 보존 평활

Edge-preserving smoothing

가장자리 보존 스무딩 또는 가장자리 보존 필터링은 날카로운 모서리를 유지하면서 노이즈 또는 텍스처를 부드럽게 하는 이미지 처리 기술입니다.예를 들어 중앙값, 쌍방향, 유도, 이방성 확산, 쿠와하라 필터 등이 있습니다.

서론

예를 들어 의료 또는 위성 이미징과 같은 많은 애플리케이션에서 가장자리는 주요 특징이며, 따라서 평활/디노이즈 [1]시 날카롭고 왜곡되지 않도록 보존해야 한다.에지 보존 필터는 예를 들어 높은 구배 크기로 측정된 영상에서 "엣지"에서 평활을 자동으로 제한하도록 설계되었습니다.

예를 들어, 이방성 확산(비균일 또는 가변 전도 확산이라고도 함)의 동기는 가우스 평활 이미지가 열 방정식에 대한 솔루션의 단일 시간 슬라이스이며, 원래 이미지를 초기 조건으로 가지고 있기 때문입니다.이방성 확산은 화상의 가장자리에 열이 전파되지 않도록 화상의 미분구조를 사용하여 결정되는 가변 전도성 항을 포함한다.

엣지 보존 필터는 그래프 기반 신호 처리의 일반적인 맥락에서 쉽게 공식화할 수 있습니다. 여기서 그래프 인접 행렬은 먼저 이미지의 미분 구조를 사용하여 결정되고, 그 다음 그래프 라플라시안이 공식화되며( 이방성 확산 연산자와 유사), 마지막으로 대략적인 로우 패스 필터는 다음과 같습니다.가장 작은 고유값에 해당하는 라플라시안 그래프의 고유 벡터를 증폭하도록 구성됩니다.

에지는 에지 보존 필터를 구성할 때만 암시적으로 나타나므로 일반적인 필터는 조정 가능한 일부 파라미터를 사용하여 적극적인 평균화와 에지 보존 간의 균형을 조정합니다.필터의 파라미터에 대한 일반적인 기본 선택은 자연 영상을 대상으로 하며, 결과적으로 가장자리의 평활을 위해 강력한 노이즈 제거가 발생합니다.

반복 필터

엄격한 에지 보존 요건은 일반적으로 필터의 스무딩 파워를 제한하므로 필터를 한 번 적용해도 에지로부터 허용할 수 없을 정도로 큰 노이즈가 발생합니다.필터의 반복적인 적용은 노이즈를 줄이기 위해 유용할 수 있으며, 필터와 반복적인 방법을 결합하는 아이디어로 이어질 수 있다. 예를 들어 그래프 기반의 이미지 노이즈 제거를 위해 에서 체비셰프 반복 및 켤레 그라데이션 방법을 제안한다.

에지 보존 필터를 저역 그래프 기반 필터로 해석하기 때문에 LOBPCG와 같은 반복 고유값 솔버를 노이즈 제거에 사용할 수 있다. 예를 들어 전체 변동 노이즈 제거의 반복 적용을 가속화하는 방법을 참조하십시오.[3]

모서리 강화 스무딩

이방성 확산은 화상의 엣지 위치에 작은 컨덕턴스를 발생시켜 엣지 상에서의 열흐름을 방지함으로써 이방성 확산 필터의 엣지 보전을 가능하게 한다.그래프 베이스 해석에서 작은 컨덕턴스는 그래프상의 마르코프 체인에서 에지를 랜덤으로 통과할 가능성을 기술하는 그래프의 에지의 작은 무게에 대응한다.그래프 무게가 음수인 경우, 이는 열 방정식의 음의 전도도에 해당하며, 그래프 가장자리로 연결된 그래프 정점에서의 열 농도를 자극하여 일반적인 열 방산이 아닙니다.이 효과는 열 방정식에 대해서는 물리적이지 않지만, 그래프 기반 스무딩 필터에 사용될 때 1차원 신호의 모서리를 날카롭게 하는 결과를 낳는다. 이는 일부 반발 스프링이 있는 매스 스프링 시스템의 기계적 진동을 설명하는 파동 방정식을 사용하여 대체 물리적 해석을 제공하는 참조에서 볼 수 있다.

엣지 유지 업샘플링

기존의 보간을 통한 신호 업샘플링에 이어 노이즈 제거를 위한 스무딩은 원래 이상적 신호 또는 다운샘플링된 신호의 에지를 왜곡시킵니다.예를 들어 고해상도 플래시 RGB 포토를 사용하여 유도되는 무플래시 RGB 포토와 고해상도 RGB 포토를 사용하여 유도되는 깊이 화상을 업샘플링하기 위해 에지 보존 보간법을 제안한다.

「 」를 참조해 주세요.

레퍼런스

  1. ^ 타타르, 누롤라 등「객체 베이스의 반구형 매칭과 반복 가이드 엣지 보존 필터에 의한 고해상도 위성 스테레오 매칭」IEEE Geoscience and Remote Sensing Letters(2020): 1 ~5 。
  2. ^ Tian, D.; Mansour, H.; Knyazev, A.; Vetro, A. (2014). Chebyshev and Conjugate Gradient Filters for Graph Image Denoising. IEEE International Conference on Multimedia and Expo Workshops (ICMEW). pp. 1–6. arXiv:1509.01624. doi:10.1109/ICMEW.2014.6890711.
  3. ^ Knyazev, A.; Malyshev, A. (2015). Accelerated graph-based spectral polynomial filters. 2015 IEEE 25th International Workshop on Machine Learning for Signal Processing (MLSP), Boston, MA. pp. 1–6. arXiv:1509.02468. doi:10.1109/MLSP.2015.7324315.
  4. ^ Knyazev, A. (2015). Edge-enhancing Filters with Negative Weights. IEEE Global Conference on Signal and Information Processing (GlobalSIP), Orlando, FL, 14-16 Dec.2015. pp. 260–264. arXiv:1509.02491. doi:10.1109/GlobalSIP.2015.7418197.
  5. ^ Knyazev, A.; Malyshev, A. (2017). Signal reconstruction via operator guiding. SampTA 2017: Sampling Theory and Applications, 12th International Conference, July 3–7, 2017, Tallinn, Estonia. pp. 630–634. arXiv:1705.03493. doi:10.1109/SAMPTA.2017.8024424.