<div>
	Алгоритм сглаживания цифровых изображений на основе дисперсии направлений </div>

Зохаир Аль-Амин

doi:10.17586/2226-1494-2025-25-1-78-86

2025 , ТОМ 25, НОМЕР 1 ( январь-февраль )

ISSN 2226-1494 (print), ISSN 2500-0373 (online)

Меню

Публикации

Главный редактор

НИКИФОРОВ
Владимир Олегович
д.т.н., профессор

Партнеры

doi: 10.17586/2226-1494-2025-25-1-78-86

УДК 004.932

Алгоритм сглаживания цифровых изображений на основе дисперсии направлений

Аль-Амин З.

Читать статью полностью

Язык статьи - английский

Ссылка для цитирования:

Зохаир Аль-Амин. Алгоритм сглаживания цифровых изображений на основе дисперсии направлений // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25, № 1. С. 78–86 (на англ. яз.). doi: 10.17586/2226-1494-2025-25-1-78-86

Аннотация

Технология сглаживания изображений применяется при обработке изображений. Использование данной технологии ослабляет текстуру и ненужные высокочастотные компоненты, обеспечивает получение гладкого изображения с сохраненной структурой для облегчения последующих операций корректировки или анализа. Получение сглаженных изображений требуется во многих приложениях при обработке, например, High Dynamic Range изображений, при усилении деталей, повышении резкости, обнаружении краев, стилизации, абстракции и т. д. При этом, не все существующие методы сглаживания изображений успешно справляются с поставленной задачей. В результате могут возникнуть нежелательные проблемы, такие как удаление существенных деталей, введение чрезмерного размытия, дефекты обработки, ореолы и другие артефакты. В работе представлен новый алгоритм, который эффективно сглаживает изображение. Алгоритм основан на концепции направленных дисперсий (Directional Variances, DV) для минимизации энергии и получения баланса между сохранением структуры и гладкостью. С помощью концепции DV представленный алгоритм итеративно сглаживает изображение, диффузии, осуществляет регуляризацию и минимизацию энергии. Выполненная оценка полученных результатов на различных изображениях показала эффективность разработанного алгоритма. Алгоритм на основе DV обладает превосходными возможностями сглаживания изображений, сохраняя при этом структурные детали, что делает его ценным инструментом для приложений, применяемых в области цифровой обработки изображений.

Ключевые слова: метод Чан-Везе, регуляризация, сглаживание изображений, диффузия, направленная дисперсия

Благодарности. Автор благодарен сотрудникам компьютерного центра Президентства Университета Мосула за помощь в завершении исследования.

Список литературы

Sun X., Lv X., Zhu G., Fang B., Jiang L. Fast additive half‐quadratic iterative minimization for lp − lq image smoothing // IET Image Processing. 2023. V. 17. N 6. P. 1739–1751. https://doi.org/10.1049/ipr2.12751
Huang J., Wang H., Wang X., Ruzhansky M. Semi-sparsity for smoothing filters // IEEE Transactions on Image Processing. 2023. V. 32. P. 1627–1639. https://doi.org/10.1109/TIP.2023.3247181
Liu W., Zhang P., Huang X., Yang J., Shen C., Reid I. Real-time image smoothing via iterative least squares // ACM Transactions on Graphics. 2020. V. 39. N 3. P. 1–24. https://doi.org/10.1145/3388887
Wang Z., Wang H. Image smoothing with generalized random walks: Algorithm and applications // Applied Soft Computing. 2016. V. 46. P. 792–804. https://doi.org/10.1016/j.asoc.2016.01.003
Dou Z., Song M., Gao K., Jiang Z. Image Smoothing via Truncated Total Variation // IEEE Access. 2017. V. 5. P. 27337–27344. https://doi.org/10.1109/access.2017.2773503
Ma G.H., Zhang M.L., Li X.M., Zhang C.M. Image smoothing based on image decomposition and sparse high frequency gradient // Journal of Computer Science and Technology. 2018. V. 33. N 3. P. 502–510. https://doi.org/10.1007/s11390-018-1834-3
Wang N., Chen Y., Yao L., Zhang Q., Jia L., Gui Z. Image smoothing via adaptive fourth‐order partial differential equation model // Journal of Engineering. 2019. V. 2019. N 11. P. 8198–8206. https://doi.org/10.1049/joe.2018.5443
Liu Y., Ma X., Li X., Zhang C. Two‐stage image smoothing based on edge‐patch histogram equalisation and patch decomposition // IET Image Processing. 2020. V. 14. N 6. P. 1132–1140. https://doi.org/10.1049/iet-ipr.2019.0484
Liu C., Feng Y., Yang C., Wei M., Wang J. Multi-scale selective image texture smoothing via intuitive single clicks // Signal Processing: Image Communication. 2021. V. 97. P. 116357. https://doi.org/10.1016/j.image.2021.116357
Ye-Peng L., De-Zhi Y., Si-Yuan L., Fan Z., Cai-Ming Z. Image smoothing based on image decomposition and relative total variation // Journal of Graphics. 2022. V. 43. N 6. P. 1143–1149. https://doi.org/10.11996/JG.j.2095-302X.2022061143
Zeng L., Chen Y., Yang Y., Pan Z. Edge-aware image smoothing via weighted sparse gradient reconstruction // Signal, Image and Video Processing. 2023. V. 17. N 8. P. 4285–4293. https://doi.org/10.1007/s11760-023-02661-5
Zuo Z., Lan X., Deng L., Yao S., Wang X. An improved medical image compression technique with lossless region of interest // Optik. 2015. V. 126. N 21. P. 2825–2831. https://doi.org/10.1016/j.ijleo.2015.07.005
Beylerian E. Finding a needle in a haystack: An image processing approach // SIAM Undergraduate Research Online. 2013. V. 6. P. 54–66. https://doi.org/10.1137/12s0119008
Ghita O., Robinson K., Lynch M., Whelan P.F. MRI diffusion-based filtering: a note on performance characterization // Computerized Medical Imaging and Graphics. 2005. V. 29. N 4. P. 267–277. https://doi.org/10.1016/j.compmedimag.2004.12.003
Wang J., Lucier B.J. Error bounds for finite-difference methods for Rudin–Osher–Fatemi image smoothing // SIAM Journal on Numerical Analysis. 2011. V. 49. N 2. P. 845–868. https://doi.org/10.1137/090769594
Wan M., Zhao D., Zhao B. Combining Max pooling-Laplacian theory and k-means clustering for novel camouflage pattern design // Frontiers in Neurorobotics. 2022. V. 16. P. 1041101. https://doi.org/10.3389/fnbot.2022.1041101
Fahnun B.U., Andani L.S., Fadlillah H.M., Putra H.D. Color image enhancement using filtering and contrast enhancement // Jurnal Mantik. 2023. V. 7. N 1. P. 177–184. https://doi.org/10.35335/mantik.v7i1.3678
Lin T.Y., Maire M., Belongie S., Hays J., Perona P., Ramanan D., Dollár P., Zitnick C.L. Microsoft COCO: Common objects in context // Lecture Notes in Computer Science. 2014. V. 8693. P. 740–755. https://doi.org/10.1007/978-3-319-10602-1_48
Singh K.R., Chaudhury S. Comparative analysis of texture feature extraction techniques for rice grain classification // IET Image Processing. 2020. V. 14. N 11. P. 2532–2540. https://doi.org/10.1049/iet-ipr.2019.1055
Li C., Ju Y., Bovik A.C., Wu X., Sang Q. No-training, no-reference image quality index using perceptual features // Optical Engineering. 2013. V. 52. N 5. P. 057003. https://doi.org/10.1117/1.oe.52.5.057003
Yang Y., He T., Zeng L., Zhao Y., Wang X. Soft clustering based on high- and low-level features for image smoothing // Journal of Electronic Imaging. 2023. V. 32. N 1. P. 013028. https://doi.org/10.1117/1.jei.32.1.013028

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License