本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于雙邊核回歸的相對(duì)約減紋理分解方法及其裝置。

背景技術(shù)：

隨著信息科學(xué)技術(shù)的進(jìn)步，豐富多彩的可視媒體設(shè)備日益普及，促進(jìn)了計(jì)算機(jī)視覺(jué)、圖形與圖像處理領(lǐng)域的應(yīng)用快速發(fā)展。同時(shí)，諸多可視媒體內(nèi)容的高質(zhì)量顯示問(wèn)題對(duì)圖像處理技術(shù)提出了新的挑戰(zhàn)。邊緣感知濾波方法作為圖像處理與顯示問(wèn)題的預(yù)處理技術(shù)，在可視媒體應(yīng)用中發(fā)揮著重要的作用，得到了學(xué)術(shù)界和工業(yè)界的共同關(guān)注。邊緣感知濾波方法已經(jīng)成為計(jì)算機(jī)視覺(jué)、圖形與圖像處理領(lǐng)域的關(guān)鍵研究課題，被廣泛應(yīng)用于計(jì)算機(jī)動(dòng)畫(huà)、數(shù)碼攝影、電影和游戲等產(chǎn)業(yè)。然而，主流的邊緣感知濾波方法還存在很大的進(jìn)步空間。

在現(xiàn)代圖像濾波中，邊緣感知濾波理論涉及到計(jì)算機(jī)圖形學(xué)、計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)、信號(hào)處理、應(yīng)用數(shù)學(xué)、統(tǒng)計(jì)學(xué)等學(xué)術(shù)領(lǐng)域。邊緣感知濾波的研究起源于SUSAN框架，根據(jù)不同的算法思想，可以歸納為5類(lèi)主要的邊緣感知濾波理論模型，分別為基于雙邊濾波模型的方法、基于偏微分方程的方法、基于概率統(tǒng)計(jì)模型的方法、和基于尺度空間分解的方法、基于回歸理論模型的方法。

基于雙邊濾波模型的方法會(huì)在主要邊緣附近產(chǎn)生光暈偽影或梯度反轉(zhuǎn)等不好的現(xiàn)象，而且效率不高。而基于偏微分方程的方法雖然在結(jié)構(gòu)紋理分解上有不錯(cuò)的效果，但是無(wú)法處理紋理比較復(fù)雜的情況。還有一種效率不高的方法是基于概率統(tǒng)計(jì)模型的方法。雖然基于尺度空間分解的方法對(duì)尺度的把握比較精確，但是在處理結(jié)構(gòu)紋理分解的效果不是很好。

隨著邊緣感知濾波的深入研究，如何實(shí)現(xiàn)圖像結(jié)構(gòu)紋理完美分解對(duì)邊緣感知濾波方法提出了新的挑戰(zhàn)。特別是對(duì)于紋理豐富的圖像，現(xiàn)在技術(shù)中存在主流的邊緣感知濾波在區(qū)分紋理邊緣與結(jié)構(gòu)邊緣的局限性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于雙邊核回歸的相對(duì)約減紋理分解方法及其裝置，能夠彌補(bǔ)當(dāng)前邊緣感知濾波在提取圖像結(jié)構(gòu)時(shí)所出現(xiàn)的結(jié)構(gòu)和紋理分解不完全的缺陷。，該方法采用基于局部全變分的結(jié)構(gòu)核描述子并結(jié)合核回歸模型來(lái)進(jìn)行構(gòu)建。首先，采用相對(duì)減少的紋理分解來(lái)構(gòu)造結(jié)構(gòu)核描述子，然后將該描述子與雙邊核回歸融合來(lái)獲得期望的結(jié)構(gòu)感知濾波輸出。

為了解決上述問(wèn)題，本發(fā)明提出了一種基于雙邊核回歸的相對(duì)約減紋理分解方法，所述方法包括：

輸入所要處理的輸入圖像；

對(duì)所述輸入圖像的每一個(gè)像素計(jì)算相對(duì)約減率；

根據(jù)軟閾值構(gòu)造結(jié)構(gòu)核描述子；

將所述結(jié)構(gòu)核描述子作為聯(lián)合雙邊濾波的引導(dǎo)圖像與雙邊核進(jìn)行回歸融合，獲得濾波結(jié)果。

優(yōu)選地，在所述根據(jù)軟閾值構(gòu)造結(jié)構(gòu)核描述子的步驟之前，還包括：

根據(jù)所述相對(duì)約減率計(jì)算獲得所述軟閾值。

優(yōu)選地，所述根據(jù)所述相對(duì)約減率計(jì)算獲得所述軟閾值的步驟，包括：

根據(jù)下述公式計(jì)算獲得軟閾值：

其中，α和β是經(jīng)驗(yàn)閾值，k為相對(duì)約減率。

優(yōu)選地，所述根據(jù)軟閾值構(gòu)造結(jié)構(gòu)核描述子的步驟包括：

根據(jù)下述公式計(jì)算獲得結(jié)構(gòu)核描述子：

其中，表示空間卷積運(yùn)算，I表示輸入圖像，G_σ是方差為σ的高斯核。

優(yōu)選地，所述將所述結(jié)構(gòu)核描述子作為聯(lián)合雙邊濾波的引導(dǎo)圖像與雙邊核進(jìn)行回歸融合，獲得濾波結(jié)果的步驟包括：

根據(jù)下述公式將所述結(jié)構(gòu)核描述子作為聯(lián)合雙邊濾波的引導(dǎo)圖像與雙邊核進(jìn)行回歸融合，獲得濾波結(jié)果：

其中,為濾波結(jié)果，x_i、x_j是采樣點(diǎn)，y_i是在x_i的一個(gè)噪聲采樣，y_j是在x_j的一個(gè)噪聲采樣，z(·)是回歸函數(shù)，F(xiàn)(·)是結(jié)構(gòu)核描述子。

優(yōu)選地，所述獲得濾波結(jié)果的步驟，包括：

根據(jù)下述公式獲得濾波結(jié)果：

其中，表示最終的濾波輸出結(jié)果，1_n是單位矩陣；x_i和x_j是采樣點(diǎn)，y_i是在x_i的一個(gè)噪聲采樣,y_j是在x_j的一個(gè)噪聲采樣，K_j為采樣點(diǎn)x_j上定義的雙邊核函數(shù)；F(y_i)為噪聲采樣y_j上的結(jié)構(gòu)描述子輸出，W_ij為x_i和x_j的權(quán)重矩陣，由雙邊核函數(shù)K_ij求得；為噪聲采樣y_j上的權(quán)重向量轉(zhuǎn)置。

優(yōu)選地，在所述將所述結(jié)構(gòu)核描述子作為聯(lián)合雙邊濾波的引導(dǎo)圖像與雙邊核進(jìn)行回歸融合獲得濾波結(jié)果的步驟之后，還包括：

將所述濾波結(jié)果作為輸入進(jìn)行迭代計(jì)算。

相應(yīng)地，本發(fā)明還提供一種基于雙邊核回歸的相對(duì)約減紋理分解裝置，所述裝置包括：

輸入模塊，用于輸入所要處理的輸入圖像；

計(jì)算模塊，用于對(duì)所述輸入圖像的每一個(gè)像素計(jì)算相對(duì)約減率；

構(gòu)造模塊，用于根據(jù)軟閾值構(gòu)造結(jié)構(gòu)核描述子；

融合模塊，用于將所述結(jié)構(gòu)核描述子作為聯(lián)合雙邊濾波的引導(dǎo)圖像與雙邊核進(jìn)行回歸融合，獲得濾波結(jié)果。

優(yōu)選地，所述計(jì)算模塊還用于根據(jù)所述相對(duì)約減率計(jì)算獲得所述軟閾值。

優(yōu)選地，所述計(jì)算模塊還用于根據(jù)下述公式計(jì)算獲得軟閾值：

其中，α和β是經(jīng)驗(yàn)閾值，k為相對(duì)約減率。

優(yōu)選地，所述計(jì)算模塊還用于根據(jù)下述公式計(jì)算獲得結(jié)構(gòu)核描述子：

其中，表示空間卷積運(yùn)算，I表示輸入圖像，G_σ是方差為σ的高斯核。

優(yōu)選地，所述融合模塊還用于根據(jù)下述公式將所述結(jié)構(gòu)核描述子作為聯(lián)合雙邊濾波的引導(dǎo)圖像與雙邊核進(jìn)行回歸融合，獲得濾波結(jié)果：

其中,為濾波結(jié)果，x_i、x_j是采樣點(diǎn)，y_i是在x_i的一個(gè)噪聲采樣，y_j是在x_j的一個(gè)噪聲采樣，z(·)是回歸函數(shù)，F(xiàn)(·)是結(jié)構(gòu)核描述子。

優(yōu)選地，所述融合模塊還用于根據(jù)下述公式獲得濾波結(jié)果：

其中，表示最終的濾波輸出結(jié)果，1_n是單位矩陣；x_i和x_j是采樣點(diǎn)，y_i是在x_i的一個(gè)噪聲采樣,y_j是在x_j的一個(gè)噪聲采樣，K_j為采樣點(diǎn)x_j上定義的雙邊核函數(shù)；F(y_i)為噪聲采樣y_j上的結(jié)構(gòu)描述子輸出，W_ij為x_i和x_j的權(quán)重矩陣，由雙邊核函數(shù)K_ij求得；為噪聲采樣y_j上的權(quán)重向量轉(zhuǎn)置。

優(yōu)選地，所述計(jì)算模塊還用于將所述濾波結(jié)果作為輸入進(jìn)行迭代計(jì)算。

在本發(fā)明實(shí)施例中，采用基于局部全變分的結(jié)構(gòu)核描述子并結(jié)合核回歸模型來(lái)進(jìn)行構(gòu)建，采用相對(duì)減少的紋理分解來(lái)構(gòu)造結(jié)構(gòu)核描述子，將該描述子與雙邊核回歸融合來(lái)獲得期望的結(jié)構(gòu)感知濾波輸出，能夠彌補(bǔ)當(dāng)前邊緣感知濾波在提取圖像結(jié)構(gòu)時(shí)所出現(xiàn)的結(jié)構(gòu)和紋理分解不完全的缺陷。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其它的附圖。

圖1是本發(fā)明實(shí)施例的基于雙邊核回歸的相對(duì)約減紋理分解方法的流程示意圖；

圖2是本發(fā)明實(shí)施例中去除殘留紋理的效果示意圖；

圖3是本發(fā)明實(shí)施例中變分結(jié)構(gòu)核描述子構(gòu)造過(guò)程的效果示意圖；

圖4是本發(fā)明實(shí)施例中帶有豐富紋理的圖像的結(jié)構(gòu)紋理分解效果示意圖；

圖5是本發(fā)明實(shí)施例中高動(dòng)態(tài)色調(diào)映射的效果示意圖；

圖6是本發(fā)明實(shí)施例中超像素分割的效果示意圖；

圖7是本發(fā)明實(shí)施例中結(jié)構(gòu)保持平滑的濾波效果示意圖；

圖8是本發(fā)明實(shí)施例的基于雙邊核回歸的相對(duì)約減紋理分解裝置的結(jié)構(gòu)組成示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

圖1是本發(fā)明實(shí)施例的基于雙邊核回歸的相對(duì)約減紋理分解方法的流程示意圖，如圖1所示，該方法包括：

S1，輸入所要處理的輸入圖像；

S2，對(duì)輸入圖像的每一個(gè)像素計(jì)算相對(duì)約減率；

S3，根據(jù)軟閾值構(gòu)造結(jié)構(gòu)核描述子；

S4，將結(jié)構(gòu)核描述子作為聯(lián)合雙邊濾波的引導(dǎo)圖像與雙邊核進(jìn)行回歸融合，獲得濾波結(jié)果。

在本發(fā)明實(shí)施中，采用基于局部全變分的結(jié)構(gòu)核描述子并結(jié)合核回歸模型來(lái)進(jìn)行構(gòu)建。首先，采用相對(duì)減少的紋理分解來(lái)構(gòu)造結(jié)構(gòu)核描述子，然后將該描述子與雙邊核回歸融合來(lái)獲得期望的結(jié)構(gòu)感知濾波輸出。

基于典型核回歸的自適應(yīng)核回歸框架在圖像和音頻處理中有著廣泛的應(yīng)用，比如：圖像去噪和圖像重建等。雙邊濾波是核回歸的一種特殊形式，也叫雙邊核回歸。公式(1)是雙邊核回歸的一般形式：

其中y_i是在x_i的一個(gè)噪聲采樣，ε_i是均值為0的噪聲，而P是感興趣鄰域的采樣點(diǎn)總數(shù)。是一個(gè)兩個(gè)核的乘積：空間核和放射性核。H_s(＝h_sI)是2×2的平滑矩陣，是空間平滑參數(shù)，放射性平滑參數(shù)。這兩個(gè)平滑參數(shù)跟雙邊核函數(shù)相似。

為了達(dá)到結(jié)構(gòu)紋理分解的效果，有必要引入能夠刻畫(huà)圖像紋理的因素。

因此在雙邊核回歸的基礎(chǔ)上引入結(jié)構(gòu)核描述子。

根據(jù)傅里葉變換理論，可以得到圖像的結(jié)構(gòu)部分為：

u＝Kσf (2)

其中K_σ是高斯核：σ是高斯核的方差，f是輸入圖像。

在本發(fā)明實(shí)施例中，提出了一個(gè)基于局部全變分的核結(jié)構(gòu)描述子。

圖像的局部全變分可以定義為梯度域上的高斯積分形式：

其中，▽是梯度操作算子，而表示空間卷積運(yùn)算，I表示輸入圖像。

局部全變分的相對(duì)約減率由原圖像和經(jīng)過(guò)高斯平滑的圖像的局部全變分差值與原圖像的局部全變分的比值構(gòu)成，可以定義為：

當(dāng)k的值趨近于0，表示該像素點(diǎn)屬于結(jié)構(gòu)部分，而當(dāng)k的值趨近于1，則表示該像素點(diǎn)屬于紋理部分。

在具體實(shí)施中，為了更好地分離結(jié)構(gòu)與紋理，需要引入一個(gè)軟閾值設(shè)置，因此，在S3之前還包括：

根據(jù)相對(duì)約減率計(jì)算獲得軟閾值。

具體地，根據(jù)公式(5)計(jì)算獲得軟閾值：

其中，α和β是經(jīng)驗(yàn)閾值，k為相對(duì)約減率。

在實(shí)驗(yàn)中常設(shè)置為：α＝0.25，β＝0.5。軟閾值可以用來(lái)判斷紋理和結(jié)構(gòu)，因此，可以通過(guò)軟閾值來(lái)計(jì)算獲得結(jié)構(gòu)核描述子。

具體地，根據(jù)公式(6)計(jì)算結(jié)構(gòu)核描述子：

其中，表示空間卷積運(yùn)算，I表示輸入圖像，G_σ是方差為σ的高斯核。

為了獲得更強(qiáng)有力的結(jié)構(gòu)紋理分離,本發(fā)明采用了自適應(yīng)的核回歸理論。核回歸模型可以表示為邊緣保持平滑的最優(yōu)方程：

其中,為濾波結(jié)果，x_i、x_j是采樣點(diǎn)，y_i是在x_i的一個(gè)噪聲采樣,y_j是在x_j的一個(gè)噪聲采樣，z(·)是回歸函數(shù)，一般和輸入圖像I相同。為了適應(yīng)數(shù)據(jù)值變化,定義了一個(gè)雙邊核形式為：

其中h_x和h_y分別是兩個(gè)高斯核的方差。

為了分離結(jié)構(gòu)紋理,優(yōu)先使用了變分結(jié)構(gòu)核描述子來(lái)處理采樣圖像，通過(guò)結(jié)構(gòu)核描述子的作用得到處理后的圖像；同時(shí)，可以得出一個(gè)新的結(jié)構(gòu)保持雙邊核回歸方程，根據(jù)該方程將結(jié)構(gòu)核描述子作為聯(lián)合雙邊濾波的引導(dǎo)圖像與雙邊核進(jìn)行回歸融合，獲得濾波結(jié)果：

其中,為濾波結(jié)果，x_i、x_j是采樣點(diǎn)，y_i是在x_i的一個(gè)噪聲采樣，y_j是在x_j的一個(gè)噪聲采樣，z(·)是回歸函數(shù)，F(xiàn)(·)是結(jié)構(gòu)核描述子。

式(9)有一個(gè)近似的求解形式,并根據(jù)下述公式獲得濾波結(jié)果：

其中，表示最終的濾波輸出結(jié)果，1_n是單位矩陣；x_i和x_j是采樣點(diǎn)，y_i是在x_i的一個(gè)噪聲采樣,y_j是在x_j的一個(gè)噪聲采樣，K_j為采樣點(diǎn)x_j上定義的雙邊核函數(shù)；F(y_i)為噪聲采樣y_j上的結(jié)構(gòu)描述子輸出，W_ij為x_i和x_j的權(quán)重矩陣，由雙邊核函數(shù)K_ij求得；為噪聲采樣y_j上的權(quán)重向量轉(zhuǎn)置。

具體地，在獲得濾波結(jié)果的步驟之后，還包括：

將濾波結(jié)果作為輸入進(jìn)行迭代計(jì)算。重復(fù)以上過(guò)程，直到達(dá)到迭代次數(shù)。在從第二次迭代開(kāi)始，上一次的濾波結(jié)果作為下一次迭代的輸入。

本發(fā)明方法利用局部全變分的相對(duì)約減率構(gòu)造了結(jié)構(gòu)核描述子，結(jié)合雙邊核回歸平滑濾波的靈活結(jié)構(gòu)，提出了與結(jié)構(gòu)核描述子融合的雙邊核回歸結(jié)構(gòu)保持平滑濾波方法，并利用快速聯(lián)合雙邊濾波算法提高效率。如果單獨(dú)使用變分結(jié)構(gòu)核描述子會(huì)把邊緣附近的像素點(diǎn)當(dāng)作結(jié)構(gòu)部分，所以不能把紋理平滑掉，導(dǎo)致銳利邊緣附近出現(xiàn)紋理殘余現(xiàn)象。而稀疏引導(dǎo)的雙邊核回歸濾波方法則可以有效去除主要邊緣附近的殘留紋理?；诮Y(jié)構(gòu)核描述子的雙邊核回歸方法可以有效去除殘留紋理。對(duì)比效果如圖2所示。(a)輸入帶有噪聲的正方形圖像；(b)通過(guò)變分結(jié)構(gòu)核描述子得到的結(jié)構(gòu)圖；(c)通過(guò)變分結(jié)構(gòu)核描述子得到的紋理圖；(d)信號(hào)對(duì)比；(e)通過(guò)稀疏引導(dǎo)的雙邊核回歸濾波得到的結(jié)構(gòu)圖；(f)通過(guò)稀疏引導(dǎo)的雙邊核回歸濾波得到的紋理圖。

圖3給出了變分結(jié)構(gòu)核描述子構(gòu)造過(guò)程的示意圖，可視化地表現(xiàn)出該方法的有效性。(a)輸入圖像。首先，計(jì)算輸入圖像的局部全變分結(jié)果如(b)所示，然后計(jì)算經(jīng)過(guò)高斯模糊后的圖像局部全變分，如(c)所示。通過(guò)比較發(fā)現(xiàn)，在紋理附近，局部全變分受到高斯卷積的影響非常大，而在主要邊緣結(jié)構(gòu)附近，它的影響非常小。利用這種差別，可以區(qū)分出圖像的結(jié)構(gòu)和紋理。圖像的結(jié)構(gòu)部分和紋理部分及其梯度圖分別如(e)和(f)所示。

現(xiàn)實(shí)生活中存在大量帶有豐富紋理的圖像，包括大理石馬塞克，涂鴉，十字繡等圖像。對(duì)這些圖像進(jìn)行紋理結(jié)構(gòu)分解，得到的效果如圖4所示。(a)輸入的原始圖像；(b)濾波結(jié)果，即結(jié)構(gòu)部分；(c)紋理部分。觀察結(jié)果可知，分離后所得的結(jié)構(gòu)部分有效保持了圖像主題信息和主要的結(jié)構(gòu)邊緣息，而紋理部分則包含了豐富的紋理信息，本發(fā)明方法在分離圖像紋理與結(jié)構(gòu)上具有良好的效果。

基于圖像分解的色調(diào)映射操作是高動(dòng)態(tài)范圍圖像壓縮的一種有效手段。邊緣感知濾波可以擴(kuò)展到高動(dòng)態(tài)范圍圖像色調(diào)映射中?；诔Ｓ玫木植可{(diào)映射策略，首先計(jì)算高動(dòng)態(tài)范圍圖像的RGB通道得到一個(gè)亮度圖像，和顏色比例圖。然后，使用本發(fā)明方法的平滑濾波來(lái)分解亮度圖像得到一個(gè)基礎(chǔ)層和一個(gè)細(xì)節(jié)層。僅僅在細(xì)節(jié)層使用一個(gè)合適的壓縮比對(duì)亮度進(jìn)行壓縮。最后，結(jié)合修改過(guò)的亮度圖和顏色外觀，并使用Gamma校正，最終產(chǎn)生一個(gè)視覺(jué)滿意度高的低動(dòng)態(tài)范圍圖像。如圖5所示，將本發(fā)明方法與主流的邊緣感知濾波方法進(jìn)行比較，論證了本發(fā)明方法可以保持主要邊緣結(jié)構(gòu)，以致能獲得與其他方法視覺(jué)效果上幾乎等效的滿意結(jié)果。

在計(jì)算機(jī)視覺(jué)領(lǐng)域，超像素分割技術(shù)變得越來(lái)越流行。超像素分割技術(shù)的研究難點(diǎn)在于如何輸出大量的有規(guī)則且緊湊的超像素塊并要求計(jì)算量小。圖6的實(shí)驗(yàn)結(jié)果可以有效地去除高對(duì)比度紋理。

在結(jié)構(gòu)保持平滑效果方面，將本文的方法直接與其它主流的邊緣感知平滑濾波方法進(jìn)行了比較。圖7中的(a)的輸入圖像是一個(gè)穿著紋理毛衣的女孩，既包含自然區(qū)域又包含紋理區(qū)域。對(duì)于這個(gè)圖像來(lái)說(shuō)，去除高對(duì)比度的紋理同時(shí)保持主要邊緣不變是一件非常有挑戰(zhàn)的事。而本文的方法可以在充分去除紋理的同時(shí)保持更多準(zhǔn)確的邊緣結(jié)構(gòu)，如圖7中的(b)。

相應(yīng)地，本發(fā)明實(shí)施例還提供一種基于雙邊核回歸的相對(duì)約減紋理分解裝置，如圖8所示，該裝置包括：

輸入模塊1，用于輸入所要處理的輸入圖像；

計(jì)算模塊2，用于對(duì)輸入圖像的每一個(gè)像素計(jì)算相對(duì)約減率；

構(gòu)造模塊3，用于根據(jù)軟閾值構(gòu)造結(jié)構(gòu)核描述子；

融合模塊4，用于將結(jié)構(gòu)核描述子作為聯(lián)合雙邊濾波的引導(dǎo)圖像與雙邊核進(jìn)行回歸融合，獲得濾波結(jié)果。

其中，局部全變分的相對(duì)約減率由原圖像和經(jīng)過(guò)高斯平滑的圖像的局部全變分差值與原圖像的局部全變分的比值構(gòu)成，可以定義為：

當(dāng)k的值趨近于0，表示該像素點(diǎn)屬于結(jié)構(gòu)部分，而當(dāng)k的值趨近于1，則表示該像素點(diǎn)屬于紋理部分。

在具體實(shí)施中，為了更好地分離結(jié)構(gòu)與紋理，需要引入一個(gè)軟閾值設(shè)置，計(jì)算模塊2還用于根據(jù)相對(duì)約減率計(jì)算獲得軟閾值。

具體地，根據(jù)下述公式計(jì)算獲得軟閾值：

其中，α和β是經(jīng)驗(yàn)閾值，k為相對(duì)約減率。

計(jì)算模塊2還用于根據(jù)下述公式計(jì)算獲得結(jié)構(gòu)核描述子：

其中，表示空間卷積運(yùn)算，I表示輸入圖像，G_σ是方差為σ的高斯核。

進(jìn)一步地，為了分離結(jié)構(gòu)紋理,優(yōu)先使用了變分結(jié)構(gòu)核描述子來(lái)處理采樣圖像，通過(guò)結(jié)構(gòu)核描述子的作用得到處理后的圖像；同時(shí)，可以得出一個(gè)新的結(jié)構(gòu)保持雙邊核回歸方程，融合模塊4還用于根據(jù)下述公式將結(jié)構(gòu)核描述子作為聯(lián)合雙邊濾波的引導(dǎo)圖像與雙邊核進(jìn)行回歸融合，獲得濾波結(jié)果：

其中,為濾波結(jié)果，x_i、x_j是采樣點(diǎn)，y_i是在x_i的一個(gè)噪聲采樣，y_j是在x_j的一個(gè)噪聲采樣，z(·)是回歸函數(shù)，F(xiàn)(·)是結(jié)構(gòu)核描述子。

融合模塊4還用于根據(jù)下述公式獲得濾波結(jié)果：

其中，表示最終的濾波輸出結(jié)果，1_n是單位矩陣；x_i和x_j是采樣點(diǎn)，y_i是在x_i的一個(gè)噪聲采樣,y_j是在x_j的一個(gè)噪聲采樣，K_j為采樣點(diǎn)x_j上定義的雙邊核函數(shù)；F(y_i)為噪聲采樣y_j上的結(jié)構(gòu)描述子輸出，W_ij為x_i和x_j的權(quán)重矩陣，由雙邊核函數(shù)K_ij求得；為噪聲采樣y_j上的權(quán)重向量轉(zhuǎn)置。

進(jìn)一步地，計(jì)算模塊2還用于將濾波結(jié)果作為輸入進(jìn)行迭代計(jì)算。重復(fù)以上過(guò)程，直到達(dá)到迭代次數(shù)。在從第二次迭代開(kāi)始，上一次的濾波結(jié)果作為下一次迭代的輸入。

本發(fā)明的裝置實(shí)施例中各功能模塊的功能可參見(jiàn)本發(fā)明方法實(shí)施例中的流程處理，這里不再贅述。

在本發(fā)明實(shí)施例中，采用基于局部全變分的結(jié)構(gòu)核描述子并結(jié)合核回歸模型來(lái)進(jìn)行構(gòu)建，采用相對(duì)減少的紋理分解來(lái)構(gòu)造結(jié)構(gòu)核描述子，將該描述子與雙邊核回歸融合來(lái)獲得期望的結(jié)構(gòu)感知濾波輸出，能夠彌補(bǔ)當(dāng)前邊緣感知濾波在提取圖像結(jié)構(gòu)時(shí)所出現(xiàn)的結(jié)構(gòu)和紋理分解不完全的缺陷。

本領(lǐng)域普通技術(shù)人員可以理解上述實(shí)施例的各種方法中的全部或部分步驟是可以通過(guò)程序來(lái)指令相關(guān)的硬件來(lái)完成，該程序可以存儲(chǔ)于一計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，存儲(chǔ)介質(zhì)可以包括：只讀存儲(chǔ)器(ROM，Read Only Memory)、隨機(jī)存取存儲(chǔ)器(RAM，Random Access Memory)、磁盤(pán)或光盤(pán)等。

另外，以上對(duì)本發(fā)明實(shí)施例所提供的基于雙邊核回歸的相對(duì)約減紋理分解方法及其裝置進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處，綜上所述，本說(shuō)明書(shū)內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。