[发明专利]一种抵抗图像平滑滤波的预处理方法

说明书

本发明提供了一种抵抗图像平滑滤波的预处理方法，包括以下步骤：一种抵抗图像平滑滤波的预处理方法，包括以下步骤：1)记服务器端的原始图像为X，图像传送到客户端会经历图像平滑滤波，这个过程表示为：2)设图像预处理的函数为g(·)，使得预处理后图像X^*＝g(X)与原始图像X尽可能一样，则：f(X^*)≈X求解可建模为以下优化问题：将公式进一步转化为等式求根的形式，即求解根X^*使得：f(X^*)‑X＝0，3)使用零阶优化算法迭代求解公式(4)，其具体表达式为：X⁽ⁱ⁾←X^(i‑1)+(X‑f(X^(i‑1)))其中X⁽ⁱ⁾代表第i次迭代产生的图像。本发明提供的一种抵抗图像平滑滤波的预处理方法，无需假设平滑滤波函数具体形式可知，仅在平滑滤波函数可访问的情况下，即能生成可抵抗平滑滤波的图像。

技术领域

本发明涉及图像处理领域，具体是指一种抵抗图像平滑滤波的预处理方法。

背景技术

随着互联网发展，人们越来越习惯于在网络上分享图像。图像分享最常见的模型是服务器-客户端模型(Server-Client model)。提供并发送图片的一方可看作服务器端，而接收图像的一端是客户端。在这个过程中，分享的图像会受到各种滤波器处理，图像平滑滤波便是其中最为基础的图像滤波类型之一。比如定制的图像平滑滤波函数来去除噪声，或在传输通道受到图像平滑模糊退化滤波。图像平滑滤波在保留图像主要信息(如边缘)的情况下，模糊或去除掉一些图像细节，实现去除图像噪声等目的。但经过图像平滑滤波的图像在具体细节显示上模糊，会影响用户对图像视觉信息的感知。为了在客户端能得到与原始图像尽可能一致的图像，常见的策略是使用图像后处理算法对平滑滤波后的图像进行恢复，通过算法尽量还原丢掉的图像细节。这种图像后处理的算法可大致分为两类：基于模型的算法以及基于深度神经网络的算法。基于模型的方法，通常会根据图像的退化过程以及自然图像的先验知识，构建优化模型，通过解优化问题来寻求最佳的恢复图像。而基于深度神经网络的方法，则是属于数据驱动的判别式模型。它能够实现端到端的映射，即直接将退化的模糊图像映射到清晰图像。但是，神经网络高度依赖于大量且高质量的数据样本来学习网络参数，当数据不足或质量较差时会出现过拟合，导致泛化性能下降。以上两类图像后处理方法通常在客户端实现，算法的运行需要大量计算资源和时间开销。尽管有很多工作对算法优化加速，但对计算资源受限的客户端(如手机)依然存在不小的计算负担。此外，在客户端大规模地部署图像后处理算法也需要成本，这也阻碍了其现实应用。

另外一种解决策略是在图像发送给客户端前进行预处理，客户端在接收到图像后，不需要或者很少量进行处理。这种图像预处理的优势较为明显，即不需要在客户端部署后处理算法，从而能极大减少了客户端计算资源需求压力。但这种图像预处理策略研究实现难度较大，相关工作较少。