双指数边缘平滑滤波器用于磨皮算法的尝试。

用户1138785

发布于 2018-01-03 11:52:45

1.4K0

发布于 2018-01-03 11:52:45

文章被收录于专栏：一心无二用，本人只专注于基础图像算法的实现与优化。一心无二用，本人只专注于基础图像算法的实现与优化。

　　说起为什么会看到这个东西，那还真的绕一圈。首先在写《Single Image Haze Removal Using Dark Channel Prior》一文中图像去雾算法的原理、实现、效果及其他。一文时里面提到了导向滤波，然后看何凯明的《Guided Image Filtering》一文时又多次提到双边滤波，结果我就又把以前研究的双边滤波的文章翻出来看看，就再次翻到了Fast O(1) bilateral ﬁltering using trigonometric range kernels 一文，在论文的第10页有如下这段文字：

The Java source code can be downloaded from the web at http://bigwww.epﬂ.ch/algorithms/bilateral-ﬁlter

我试着打开这个网页，结果遇到了CSDN常见的404错误，然后想既然来了，就在这个网站多看看，哇，原来这个真是个好网站，有大量的图像算法可以学习。一眼我就看到了最左侧有一个Download Algorithms项目，于是进去瞧瞧，并在浏览器里搜索bilateral，结果的确搜到了于有关bilateral的一个代码，如下所示：

BEEPS. This ImageJ plugin smoothes an image without altering its edges. The smoothing is applied by the way of a bi-exponential filter, itself realized by a pair of one-tap recursions. It is therefore very fast; moreover, its computational cost is truly independent of the amount of smoothing. Meanwhile, the preservation of edges is obtained by a range filter akin to the range filter found in a bilateral filter。

初步一看，我以为是作者对论文又有了新了改进，于是下载代码，并试着将这个插件安装到ImageJ中，运行后，效果和运行速度果然不错，但是，仔细看论文，确发现和上述的快速双边滤波不是一回事。

好了，言归正文。BEEPS，是Bi-Exponential Edge-Preserving Smoother 一文各字母的缩写，这篇文章里涉及到了很多数学理论，比如Z变换等等，这些我都基本上已经丢给老师了，不过不要紧，那些验证工作是写论文的这些牛人们需要去做的工作。我们最关心的是算法的流程。幸好在这篇论文中，算法的流程在算法的第二页就已经完全的展示了，并且过程特别简单，为避免翻译错误，先直接贴原文：

The ﬁrst recursion is progressive. Letting x[k] be the current sample of an input sequence x at location k ∈ Z,were cursively compute the elements of an auxiliary sequence ϕ as：

where：

The second recursion is regressive and very similar to theﬁrst one, except for a reversal of the order in which the indices are traversed. We recursively compute a second auxiliary sequence φ as：

where：

We complete our algorithm by merging the resulting progressive sequence ϕ and regressive sequence φ to produce the samples of the output sequence y as：

We propose the trivial choice:

小注：博客园团队建议我用他们内置的公式编辑器输入公式，我看还是算了吧，那个东西还需要记忆一堆东西，不如直接贴图来的快又准确。

　　对上述过程稍作解释：x[k]可以看做是已经离散后的输入数据，λ ∈[0,1)是一个用户输入的用来控制空域滤波的程度，r是一个双变量的函数，用于控制值域滤波系数，对于双边滤波，该函数可取经典的高斯分布函数，也可以取其他的函数。

上述过程就是一个简单的前向迭代和反向迭代，然后再按一定的规则去平均值的过程。因此计算非常简单。

但是上述是个一维的过程，对于二维的图像数据，论文中也给出了解决方式，首先：对图像数据进行一次水平迭代计算，然后再对该数据进行垂直迭代计算，该过程称之为BEEPSHorizontalVertical。然后再对原始图像数据先进行垂直方向的迭代计算，在对该结果进行垂直方向的迭代计算，该过程称之为BEEPSVerticalHorizontal。最后的图像结果为（BEEPSHorizontalVertical+BEEPSVerticalHorizontal）/2;

　　比如上述公式1中最后体现在代码中可能如下(progressive)：

   for (int k = startIndex + 1, K = startIndex + length;(k < K); k++) 
  {
      mu = data[k] - rho * data[k - 1];
      mu = spatialContraDecay * exp(c * mu * mu);
      data[k] = data[k - 1] * mu + data[k] * (1.0 - mu) / rho;
  }

式3的代码可能为（regressive）：

for (int k = startIndex + length - 2; (startIndex <= k); k--) 
{
       mu = data[k] - rho * data[k + 1];
       mu = spatialContraDecay * exp(c * mu * mu);
       data[k] = data[k + 1] * mu + data[k] * (1.0 - mu) / rho;			
}

具体的代码可以从上述提供的相关网页里寻找，或者直接从这里下载。

话说JAVA的源码要修改成C#的，那简直就是很爽啊，有些复制过来基本都不要改动的。

这个算法特别适合于并行计算。

使用这个滤镜的过程就会发现，他对边缘的保护很好，而对一些变化平坦的区域总是会其更加平滑，总体感觉和表面模糊很像（表面模糊其实也是一种双边滤波器），以前曾考虑过用表面模糊来实现磨皮，但是由于目前所知道的表面模糊的任何优化算法都还是比较慢（但效果和PS是完全一致的），因此一直没有真正实践，这次看到这篇论文，经过我的实践，如果参数取的适当，如在和肤色检测或其他方式配合，完全可以实现较好的自动磨皮效果。

　　比如，针对一些图像，我做了如下测试和比较：