[发明专利]一种动态感知平滑滤波算法

说明书

本发明公开了一种动态感知平滑滤波算法，解决了滤波器参数设定难的问题。算法既能保持边缘轮廓，还能识别轮廓内的小目标。首先利用最大期望聚类算法聚类影像数据，分区域学习影像中多套参数。然后将聚类结果形成的超像素块，继续导入EM算法，直到满足预设的观察细节需求。利用格式塔双向约束机制，约束测度，从而实现了多分辨率采样的新机制，用以生成全新的滤波机制。本发明不仅有效识别CT中的信息，还能用来处理自然图像，滤波结果在保留影像细节信息的同时，增强了影像数据区域的平滑性，使得后续图像处理流程中的智能算法的光滑性假设得到满足，增加后续算法的可靠性，同时免去了算法对冗余数据的不必要处理，具有十分广阔的应用价值。

技术领域

本发明属于计算机视觉领域中的图像处理技术领域，具体涉及一种初级视觉中的动态感知图像滤波算法。

背景技术

对图像进行滤波操作，能抑制噪声，凸显成像目标的信息，增加图像的信噪比，改善图像的质量，增强影像数据中视觉感官获得的数据信息。图像滤波在自然图像，医学影像的信息加工、呈现中得到广泛的应用。作为图像预处理阶段的关键步骤，滤波器在计算机视觉的后续处理，如目标分割、目标识别、图像分析等领域发挥着重要作用。

近年来，随着计算机视觉技术的发展，通过低级计算视觉层次自动提取图像特征，视觉系统的智能性越来越高。通过增强图像数据的平滑性，初级视觉层次所获得的特征能为后续的计算机视觉低级、中级、高级视觉处理算法提供更加可靠、有效的底层特征。

图像滤波算法属于计算机视觉初级视觉感知阶段，其中大多采用“自底向上”，“点对”(point-wise)测度的技术路线。如各向异扩散滤波(Anisotropic DiffusionFiltering)，双边滤波(Bilateral filtering)等。通过计算像素点之间的测度，生成权值；利用加权平均的方式从而平滑噪声信息，但与此同时也容易平滑掉边缘轮廓信息。滤波结果的表现非常依赖于滤波核的参数，不合适的参数设置使得滤波器误平滑掉有用的轮廓信息。

针对上述问题，有人提出了局部拉普拉斯滤波器(LocalLaplacian Filtering),通过生成拉普拉斯金字塔获得图像的多分辨率采样结果。滤波器基于采样的图像定义测度，由于采样采用了高斯加权平均的思想，这样“点对”的测度就转变为“块对”的测度。滤波结果能够更好地保留图像边缘，并且降低人为引入污染的概率，但滤波器的速度非常缓慢。针对光晕和滤波速度慢的问题，还有人提出了导向滤波器(guided filtering)。它的滤波速度非常快，通过计算图像矩形窗口内的均值，利用窗口的统计特性定义测度。滤波器对边缘轮廓信息敏感。上述这些算法的性能非常依赖手动输入的滤波核参数，而且非常容易平滑掉小目标的信息。

发明内容

本发明的目的在于，提供一种动态感知平滑滤波算法，以克服现有方法存在的缺陷。

一种动态感知平滑滤波算法，具体包括以下步骤：

步骤1，对输入图像进行聚类处理，以k叉树型数据结构保存聚类结果；

步骤2，计算所述数据结构中结点的摄动项Ψ_s，其中：

设置第一层根结点的摄动项Ψ_s的值为1，其余层中的每一个结点的摄动项按照以下公式计算：

其中，s表示k叉树型数据结构的层数，ΔI_s-1＝|m_p-m_u|_s-1为当前遍历结点的叔结点和父结点的偏差值，m_p为父结点中像素集合的所有像素的均值，m_u为叔结点中像素集合的所有像素的均值，为滤波区域中心像素坐标向量，为所述中心像素的邻域像素的坐标向量，为对应位置的灰度值；