基于加权侧窗的梯度引导图像滤波WSGGF实现图像去噪附matlab复现

基于加权侧窗的梯度引导图像滤波WSGGF实现图像去噪附matlab复现

引用

CSDN

1.

https://m.blog.csdn.net/qq_59747472/article/details/139305062

图像引导滤波（GF）技术已成功应用于各种图像处理任务中。现有的GF方法主要依赖于传统的全窗口框架（FWF）或简单的均匀加权聚合策略（UWA），导致边缘模糊。为了解决这一问题，本文提出了一种基于侧窗的梯度引导滤波（WSGGF）方法，该方法基于梯度引导滤波（GGF）。

内容介绍

图像引导滤波（GF）技术已成功应用于各种图像处理任务中。现有的GF方法主要依赖于传统的全窗口框架（FWF）或简单的均匀加权聚合策略（UWA），导致边缘模糊。为了解决这一问题，本文提出了一种基于侧窗的梯度引导滤波（WSGGF）方法，该方法基于梯度引导滤波（GGF）。

WSGGF对GGF中的回归和自适应正则化项进行了改进，引入了基于侧窗的框架（SWF）。具体来说，我们利用八个侧窗对GGF的回归和自适应正则化项进行计算，并采用L1范数选择侧窗计算结果。此外，我们用改进的方差加权平均（VWA）聚合策略取代了GGF中的UWA策略。在VWA中，每个权重值与对应估计值的倒数成反比。

相关工作

近年来，许多研究人员致力于改善GF方法，提高其性能和效率。主要的研究方向包括：

• 基于窗口改进的GF方法：例如，局部引导滤波（LGF）方法采用局部窗口来减少边缘模糊，自适应引导滤波（AGF）方法根据图像内容自适应地调整窗口大小。
• 基于聚合策略改进的GF方法：例如，加权平均引导滤波（WAGF）方法采用加权平均策略来更好地利用引导图像的信息。
• 基于深度学习的GF方法：例如，基于卷积神经网络（CNN）的GF方法能够学习更复杂的滤波器，提高GF的性能。

方法

本文提出的WSGGF方法主要包括以下两个步骤：

• 基于侧窗的框架（SWF）：SWF利用八个侧窗对GGF的回归和自适应正则化项进行计算，并采用L1范数选择侧窗计算结果。这样可以更好地保持图像细节和边缘信息。
• 方差加权平均（VWA）聚合策略：VWA将每个权重值设置为对应估计值的倒数，从而使滤波结果更准确地反映图像内容。

实验结果

为了验证WSGGF方法的有效性，我们将其应用于边缘感知平滑、细节增强、高动态范围图像（HDR）压缩、图像亮度调整、深度图上采样和单图像去雾等应用中，并与最先进（SOTA）方法进行比较。实验结果表明：

• WSGGF在边缘保持和抑制视觉伪影方面优于其他方法。
• WSGGF的计算效率优于其他基于侧窗的方法。
• FWSGGF的速度比WSGGF快约四倍，同时保持了优异的性能。

结论

本文提出了一种基于侧窗的梯度引导滤波（WSGGF）方法，该方法有效地提高了GF的边缘保持能力和效率。WSGGF和其快速版本FWSGGF在各种图像处理任务中都表现出优异的性能，为图像处理领域提供了一种更强大和灵活的工具。

运行结果

参考文献

部分理论引用网络文献，若有侵权联系博主删除