Abstract

L0梯度最小化模型是边缘感知图像平滑方法之一，也受到阶梯效应的影响，具有强纹理的图像无法有效平滑。
首先，对图像进行非二次采样的小波变换，得到高频分量，并通过最大局部能量规则组合所有高频分量，得到高频分解图像，然后引入与之相关的数据项。高频分解图像，保持输入和平滑图像之间的边缘和结构的相似性。
其次，提出了修补的L0梯度最小化模型用于改进局部信息的描述，因为不同大小的块具有不同的纹理，利用变异系数来定义块的大小。
最后，基于梯度定义自适应平滑系数，以确保贴片的平滑效果是最佳的。

Introduction

边缘感知图像平滑算法与传统低通滤波方法之间的明显差异在于图像中的显着边缘是否保持。
边缘感知图像平滑也可以作为图像增强算法中的重要步骤。
图像平滑算法已经扩展到高纬度的数据处理，并实现了三维网格去噪。
基于滤波处理，该算法可分为局部和全局信息算法。基于局部信息的算法通过利用以该像素为中心的局部邻域提供的局部信息来获得输出像素。另一方面，基于全局信息的算法同时过滤整个图像。
Xu等人提出了改进的总变差模型，命名为L0梯度最小化（LGM）模型，这比总方差模型更有效，但也受到阶梯效应的影响，弱边缘或结构将过度平滑，强烈的纹理无法有效平滑。
Cho和Lee [18]提出了一种有效的方案，即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，该模型比其他先前的模型获得更好的性能，但不考虑局部信息。
LGM模型也受到阶梯效应的影响，具有强烈纹理的图像无法有效平滑，弱边缘或结构将过度平滑。为了克服这些缺点，对图像进行非二次采样的小波变换（NSST），以获得高频分解图像，然后通过最大局部能量规则融合所有高频分量，以保持输入和平滑图像之间的纹理和边缘的相似性.