基于多尺度内变差的结构检测与纹理滤波算法研究

摘要

随着机器学习、人工智能的日益发展，图像作为其数据来源，人们对图像处理的要求也越来越高。过去图像滤波主要是为了去除噪声，近些年出现一种新的观点，即滤波不仅要去除噪声，还需要滤除不必要的纹理细节，称之为纹理滤波。该处理在细节增强、图像抽象、区域分割、目标提取、逆半调等方面都有强大的应用。
　　纹理滤波最核心的是结构和纹理的分离，但是这两者较为相似，如何有效地保持结构同时滤除纹理是纹理滤波过程中的一个重难点。然而大多数已有滤波算法偏向于处理弱梯度纹理的图像，对于强梯度的纹理就失效了。一些基于全局优化的算法将保持结构和图像平滑二者放入能量函数，但是参数难以控制，无法同时做到对结构的保持和对纹理的滤除。为了保证这两项互不干扰，我们考虑把保持结构和图像平滑两项分开，在纹理滤波之前先检测结构，但是已有的结构检测算法并不能很好地适用于纹理滤波算法，为此本文首先提出了一个基于多尺度内变差的结构检测方法，然后提出一个结构引导下的纹理滤波算法，该算法很好地解决已有算法对于的强梯度纹理的局限性。本文主要的创新工作包括以下三个部分:
　　第一，提出多尺度内变差来区分结构和纹理，该方法相比单尺度内变差，对于强弱纹理、不同尺度的纹理的区分更为可靠。并且基于多尺度内变差我们提取六个有辨别力的特征，作为训练特征。第二，针对SVM分类结果的不足之处，设计了三步后处理工作，包括孤立点剔除、多尺度断点连接、基于曲率的结构校正，分别解决了毛刺、漏检、结构偏移等问题，最后得到精细的结构检测图。第三，提出结构引导下的自适应的纹理滤波算法，很好地解决了局部滤波的在结构附近的光晕和偏色现象。最后的滤波结果既高效地保持了结构信息，又抑制了纹理细节，效果改善明显。

目录

摘要

第一章 绪论

1．1 研究背景和意义

1．2 纹理滤波研究现状

1．2．1 局部滤波

1．2．2 全局滤波

1．2．3 基于学习的滤波

1．3 结构检测研究现状

1．4 本文的主要工作

1．4．1 算法框架

1．4．2 组织结构

第二章 结构纹理分析与特征提取

2．1 结构纹理分析

2．2 多尺度内变差模型

2．3 特征提取

2．4 本章小结

第三章 基于SVM分类的结构预测

3．1 支持向量机概述

3．2 基于SVM的结构预测

3．3 特征和样本对分类性能的影响

3．4 本章小结

第四章 基于后处理的结构检测

4．1 多余点剔除

4．2 多尺度断点连接

4．3 基于曲率的结构校正

4．4 实验结果分析

4．5 本章小结

第五章 结构引导下的自适应纹理滤波

5．1 自适应滤波过程

5．2 参数设置

5．3 实验结果与分析

5．4 本章小结

第六章 总结和展望

6．1 总结

6．2 展望

参考文献

在校期间研究成果

致谢

声明