Алгоритм сглаживания цифровых изображений на основе дисперсии направлений
https://doi.org/10.17586/2226-1494-2025-25-1-78-86
Аннотация
Технология сглаживания изображений применяется при обработке изображений. Использование данной технологии ослабляет текстуру и ненужные высокочастотные компоненты, обеспечивает получение гладкого изображения с сохраненной структурой для облегчения последующих операций корректировки или анализа. Получение сглаженных изображений требуется во многих приложениях при обработке, например, High Dynamic Range изображений, при усилении деталей, повышении резкости, обнаружении краев, стилизации, абстракции и т. д. При этом, не все существующие методы сглаживания изображений успешно справляются с поставленной задачей. В результате могут возникнуть нежелательные проблемы, такие как удаление существенных деталей, введение чрезмерного размытия, дефекты обработки, ореолы и другие артефакты. В работе представлен новый алгоритм, который эффективно сглаживает изображение. Алгоритм основан на концепции направленных дисперсий (Directional Variances, DV) для минимизации энергии и получения баланса между сохранением структуры и гладкостью. С помощью концепции DV представленный алгоритм итеративно сглаживает изображение, диффузии, осуществляет регуляризацию и минимизацию энергии. Выполненная оценка полученных результатов на различных изображениях показала эффективность разработанного алгоритма. Алгоритм на основе DV обладает превосходными возможностями сглаживания изображений, сохраняя при этом структурные детали, что делает его ценным инструментом для приложений, применяемых в области цифровой обработки изображений.
Ключевые слова
При поддержке: Автор благодарен сотрудникам компьютерного центра Президентства Университета Мосула за помощь в завершении исследования.
Об авторе
Аль-Амин Зохаир
Отделение информационных технологий Университета Мосула
Ирак
Ирак
Зохаир Аль-Амин — PhD (компьютерные технологии), доцент, исследователь
Мосул, 41002
Список литературы
1. Sun X., Lv X., Zhu G., Fang B., Jiang L. Fast additive half-quadratic iterative minimization for lp — lq image smoothing // IET Image Processing. 2023. V. 17. N 6. P. 1739–1751. https://doi.org/10.1049/ipr2.12751
2. Huang J., Wang H., Wang X., Ruzhansky M. Semi-sparsity for smoothing filters // IEEE Transactions on Image Processing. 2023. V. 32. P. 1627–1639. https://doi.org/10.1109/TIP.2023.3247181
3. Liu W., Zhang P., Huang X., Yang J., Shen C., Reid I. Real-time image smoothing via iterative least squares // ACM Transactions on Graphics. 2020. V. 39. N 3. P. 1–24. https://doi.org/10.1145/3388887
4. Wang Z., Wang H. Image smoothing with generalized random walks: Algorithm and applications // Applied Soft Computing. 2016. V. 46. P. 792–804. https://doi.org/10.1016/j.asoc.2016.01.003
5. Dou Z., Song M., Gao K., Jiang Z. Image Smoothing via Truncated Total Variation // IEEE Access. 2017. V. 5. P. 27337–27344. https://doi.org/10.1109/access.2017.2773503
6. Ma G.H., Zhang M.L., Li X.M., Zhang C.M. Image smoothing based on image decomposition and sparse high frequency gradient // Journal of Computer Science and Technology. 2018. V. 33. N 3. P. 502–510. https://doi.org/10.1007/s11390-018-1834-3
7. Wang N., Chen Y., Yao L., Zhang Q., Jia L., Gui Z. Image smoothing via adaptive fourth-order partial differential equation model // Journal of Engineering. 2019. V. 2019. N 11. P. 8198–8206. https://doi.org/10.1049/joe.2018.5443
8. Liu Y., Ma X., Li X., Zhang C. Two-stage image smoothing based on edge-patch histogram equalisation and patch decomposition // IET Image Processing. 2020. V. 14. N 6. P. 1132–1140. https://doi.org/10.1049/iet-ipr.2019.0484
9. Liu C., Feng Y., Yang C., Wei M., Wang J. Multi-scale selective image texture smoothing via intuitive single clicks // Signal Processing: Image Communication. 2021. V. 97. P. 116357. https://doi.org/10.1016/j.image.2021.116357
10. Ye-Peng L., De-Zhi Y., Si-Yuan L., Fan Z., Cai-Ming Z. Image smoothing based on image decomposition and relative total variation // Journal of Graphics. 2022. V. 43. N 6. P. 1143–1149. https://doi.org/10.11996/JG.j.2095-302X.2022061143
11. Zeng L., Chen Y., Yang Y., Pan Z. Edge-aware image smoothing via weighted sparse gradient reconstruction // Signal, Image and Video Processing. 2023. V. 17. N 8. P. 4285–4293. https://doi.org/10.1007/s11760-023-02661-5
12. Zuo Z., Lan X., Deng L., Yao S., Wang X. An improved medical image compression technique with lossless region of interest // Optik. 2015. V. 126. N 21. P. 2825–2831. https://doi.org/10.1016/j.ijleo.2015.07.005
13. Beylerian E. Finding a needle in a haystack: An image processing approach // SIAM Undergraduate Research Online. 2013. V. 6. P. 54– 66. https://doi.org/10.1137/12s0119008
14. Ghita O., Robinson K., Lynch M., Whelan P.F. MRI diffusion-based filtering: a note on performance characterization // Computerized Medical Imaging and Graphics. 2005. V. 29. N 4. P. 267–277. https://doi.org/10.1016/j.compmedimag.2004.12.003
15. Wang J., Lucier B.J. Error bounds for finite-difference methods for Rudin–Osher–Fatemi image smoothing // SIAM Journal on Numerical Analysis. 2011. V. 49. N 2. P. 845–868. https://doi.org/10.1137/090769594
16. Wan M., Zhao D., Zhao B. Combining Max pooling-Laplacian theory and k-means clustering for novel camouflage pattern design // Frontiers in Neurorobotics. 2022. V. 16. P. 1041101. https://doi.org/10.3389/fnbot.2022.1041101
17. Fahnun B.U., Andani L.S., Fadlillah H.M., Putra H.D. Color image enhancement using filtering and contrast enhancement // Jurnal Mantik. 2023. V. 7. N 1. P. 177–184. https://doi.org/10.35335/mantik.v7i1.3678
18. Lin T.Y., Maire M., Belongie S., Hays J., Perona P., Ramanan D., Dollár P., Zitnick C.L. Microsoft COCO: Common objects in context // Lecture Notes in Computer Science. 2014. V. 8693. P. 740– 755. https://doi.org/10.1007/978-3-319-10602-1_48
19. Singh K.R., Chaudhury S. Comparative analysis of texture feature extraction techniques for rice grain classification // IET Image Processing. 2020. V. 14. N 11. P. 2532–2540. https://doi.org/10.1049/iet-ipr.2019.1055
20. Li C., Ju Y., Bovik A.C., Wu X., Sang Q. No-training, no-reference image quality index using perceptual features // Optical Engineering. 2013. V. 52. N 5. P. 057003. https://doi.org/10.1117/1.oe.52.5.057003
21. Yang Y., He T., Zeng L., Zhao Y., Wang X. Soft clustering based on high- and low-level features for image smoothing // Journal of Electronic Imaging. 2023. V. 32. N 1. P. 013028. https://doi.org/10.1117/1.jei.32.1.013028
Рецензия
Для цитирования:
Зохаир А. Алгоритм сглаживания цифровых изображений на основе дисперсии направлений. Научно-технический вестник информационных технологий, механики и оптики. 2025;25(1):78-86. https://doi.org/10.17586/2226-1494-2025-25-1-78-86
For citation:
Zohair A. Directional variance-based algorithm for digital image smoothing. Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2025;25(1):78-86. https://doi.org/10.17586/2226-1494-2025-25-1-78-86
Просмотров:
7
Послать статью по эл. почте 