摘 要： 為消除經(jīng)典P-M方法在圖像平滑時引起的“階梯”效應，提出了基于自適應參數(shù)的高階偏微分方程圖像平滑方法，并且利用Mean Shift的核密度估計方法來確定各點閾值參數(shù)。與固定閾值參數(shù)的各向異性擴散方法相比，該方法有效地保持了圖像的邊緣等重要信息,能夠更大程度地抑制孤立噪聲,從而得到更高的PSNR值和更好的視覺效果。
關鍵詞： 圖像平滑； 自適應參數(shù)； 各向異性擴散； 高階偏微分方程
圖像平滑作為圖像預處理基本步驟之一，為后繼圖像處理帶來很大方便，最常見圖像平滑方法是線性高斯濾波。KOENDERINK指出圖像I0(x,y)與不同尺度的高斯核卷積所得到的平滑圖像等價于傳導系數(shù)為常數(shù)的熱擴散方程的解，此解屬于各向同性擴散,在平滑同時造成圖像特征的模糊化[1]。PERONA等提出了如下各向異性擴散模型[2]：
就被認為該點處于區(qū)域內(nèi)部并對其進行平滑，否則認為該點處于邊緣對其進行增強。由于P-M各向異性濾波具有選擇性平滑機制，在平滑圖像區(qū)域內(nèi)部同時又保持原始圖像邊緣結構,因此達到了優(yōu)于線性濾波器的效果。濾波器閾值參數(shù)決定濾波器的性能，該值起到一種邊緣檢測作用。“階梯”效應一直是困擾著P-M方法的嚴重問題[4]，這是由它的偏微分方程所決定的，是所有低階非線性擴散方法所固有的。
基于上述問題，在圖像平滑時提出了基于自適應的高階偏微分方程圖像平滑方法,避免了傳統(tǒng)P-M方法圖像平滑方法的缺陷，獲取比較好的視覺效果。
1 高階方法的提出
P-M方法處理結果是分段恒定的[5]，容易導致結果圖像“階梯”狀分布，視覺效果不理想。而高階方法的處理結果是分段線性的,在視覺感知上明顯優(yōu)于P-M方法。
2 自適應閾值的參數(shù)估計
參數(shù)k的選取是非線性擴散方法的一個主要難題。如何確定擴散的范圍及擴散的程度，使降噪和強化順利進行的同時，圖像信息又不致因過度平滑而大量損失，是應用時需要解決的關鍵問題。傳統(tǒng)確定參數(shù)的方法是人為指定一個固定常數(shù)。一般來說，不同圖像需要設置不同參數(shù)值，后來也有學者提出自動估計梯度閾值的方法，如提出自動估計梯度閾值的公式Sapiro[4]：
由于圖像不同區(qū)域邊緣強度分布不一致，噪聲也不同，而且不同尺度空間邊緣強度和噪聲也不一樣，因此對整幅圖像使用同一個全局固定的參數(shù)是不合適的。本文提出了自適應閾值參數(shù)選擇方法，使得該算法閾值參數(shù)可以完全自動確定，真正實現(xiàn)自適應閾值參數(shù)非線性濾波。
上述分析完全是一種理想化假設，對于實際圖像處理存在如下兩大困難：
(1)由于鄰域內(nèi)所取樣本有限，從樣本直方圖不能直接得到完全規(guī)則分布的曲線，很難正確地選取閾值參數(shù)k(x)值。
(2)現(xiàn)實圖像中，即使在同一區(qū)域內(nèi)，平均灰度值往往是變化的，而不是嚴格滿足分段常數(shù)模型。
為克服以上問題,采取Mean Shift核平滑方法對算子直方圖進行處理，使其盡可能準確地刻畫多峰分布情況。
直方圖平滑效果示例如圖2所示。
為了降低計算復雜度, 在估計參數(shù)k(x)時，每隔r/2距離計算一次(r為鄰域半徑)，然后對每個像素點選擇最近鄰的最小值近似為該點閾值參數(shù)，并且每一次迭代之后更新參數(shù)k(x)值，也可設置每隔若干迭代次數(shù)更新一次參數(shù)k(x)值，這樣可保證一定精度的前提下，大大提高效率。由于基于直方圖算法復雜度較低，閾值參數(shù)估計計算相對于圖像平滑本身計算開銷較小。
3 實驗結果及分析
為了比較自適應參數(shù)的高階方法和P-M方法平滑的性能，進行不同實驗并加以分析。
(1)選用若干幅標準圖像進行測試，圖3顯示沒有加入噪聲的Grid圖像平滑效果,從圖中可看出當?shù)螖?shù)比較多時，P-M方法平滑的部分邊緣明顯被模糊了，而本文方法獲取的效果比較理想。
(2)圖4是對加入噪聲的圖像去噪的實驗結果，圖5給出了對圖4各邊緣的提取結果，其中圖5(b)采用最經(jīng)典的Canny邊緣提取算子。從圖4和圖5中可看出，P-M方法抑制孤立噪聲點和保持圖像邊緣的效果并不十分理想。圖4(b)和圖5(b)中，平滑后天空和地面存在很多孤立噪聲點，建筑物邊緣也很模糊，圖像中細節(jié)信息也有較大程度損失。從圖4(c)和圖5(c)來看，本文方法很好地實現(xiàn)了圖像平滑和保持邊緣的折衷，保證了圖像視覺連續(xù)性，其視覺效果明顯優(yōu)于P-M方法。
對于圖4(b)和圖4(c)而言，在迭代次數(shù)相同的情況下，自適應參數(shù)高階方法所能達到峰值信噪比比P-M方法所能達到峰值信噪比要高得多，并且平均耗時比P-M方法增加不到20%。表1為對于Cameraman圖自適應參數(shù)高階方法與P-M方法運行時間和峰值信噪比的對比結果。
本文首先對經(jīng)典P-M方程存在兩大問題進行分析，提出了自適應參數(shù)高階偏微分方法，有效解決了P-M方法“階梯”效應及其閾值參數(shù)選取問題，圖像平滑效果比較好，在耗時相對不長的情況下所能達到的峰值信噪比也P-M方法高。
參考文獻
[1] BARASH D, COMANCIU D. A common framework for nonlinear diffusion, adaptive smoothing, bilateral filtering and mean shift [J]. Image and Vision Computing, 2004,22(1):73-81.
[2] PERNA P, MALIK J. Scale-space and edge detection using anisotropic diffusion[J]. IEEE Trans on Pattern Anal Machine Intell, 1990:12(7):629-639.
[3] YOU Y L, XU W, TANNENBAUM A, et al.Behavioral analysis of anisotropic diffusion in image process-
ing [J]. IEEE Trans. Image Processing, 1996(5):1539-1553.
[4] WAND M P, JONES M C. Kernel smoothing [M]. New York: Chapman & Hall, 1995.
[5] BLACK M J, SAPIRO G, MARIMONT D H, et al. Robust anisotropic diffusion[J]. IEEE Trans on Image Processing,1998,7(3):421-432.
[6] YOU Y L, KAVEH M. Fourth-order partial differential equations for noise removal[J].IEEE Transactions on Image Processing. 2000,9(10):1723-1730.