Abstract
- 图像平滑已被用于图像分割，图像重建，对象分类和3D内容生成。 在预处理步骤中使用了几种平滑方法来保持关键边缘，同时去除噪声和小细节。
- 为了提供快速和准确的平滑，我们提出了一种有效的方案，该方案使用平滑图像的梯度，拉普拉斯算子和对角线导数的加权组合。
- 对于计算复杂性，在GPU上运行的所提出的平滑方案提供的复杂度比在CPU上运行的所提出的平滑方案和基于L0的平滑方案低18和16倍。
Introduction
- 在预处理步骤中使用边缘保持平滑方案来保留关键边缘以便维持给定图像的主要结构，同时去除需要平滑或连续改变的小细节
- 使用引导图像的引导图像滤波器具有BLF的边缘保持特性。
- BLF方法，取决于像素强度及其邻域，受到滤波器尺寸和强度范围参数的严重影响，但其平滑性能对于高对比度而言较弱。
- 基于稀疏梯度计数的L0平滑具有全局优化的高性能。 然而，该方案在去除琐碎细节和平滑离散区域方面的性能有限。
Background : Gradient Sparseness Counting And Smoothing Schemes
Image Smoothing Scheme Based On Five Directional Partial Derivatives
- 所提出的成本函数是通过最小化平滑和输入图像之间的不匹配项，幅度变化计数项和分裂项来定义的，以解决不同的凸函数
- 在所提出的方法中，测量由梯度，拉普拉斯算子和对角线导数项的加权求和组成。
-
Experimental Results
- 使用基于BLF的方案和用于第一图像的基于引导图像滤波器的方案的平滑图像比使用基于L0的方案和所提出的方案更加模糊。 与基于BLF的方案和引导图像滤波器方案相比，L0方案为保留关键细节提供了更好的性能。
Conclusion
- 具体地，对平滑图像的梯度，拉普拉斯算子和对角线导数等偏导数进行加权和组合以详细考虑边缘属性。
- 另外，为了降低计算成本，我们将平滑成本函数分离为预操作和更新的术语，用于所提出的方案的并行处理。 然后，在迭代操作之前处理预操作项，并且使用在GPU上的CUDA中实现的迭代方案来计算更新的项。