基于引导滤波器和局部回归理论的Monte Carlo图像噪声移除算法

针对现有Monte Carlo(MC)光线跟踪算法中噪声影响大和绘制消耗高的问题,提出一种基于引导滤波器和局部回归理论的自适应绘制算法.首先计算场景特征图像的梯度信息,利用引导滤波器对初始特征图像进行预过滤,以提高诸如景深、运动模糊等特殊绘制效果的图像质量;然后利用局部回归理论进行图像重构,并在图像空间计算最优重构参数,从而避免由含噪特征图像导致的噪声传递问题;最后计算Stein’s unbiased risk estimator(SURE)评判像素复杂程度并引导自适应采样过程.实验结果表明,该算法能够在提高图像视觉质量的同时,有效地降低了噪声影响,并能够绘制高质量的景深、运动模糊等特殊效果.     

并行多维自适应采样

针对现有自适应采样方法绘制效果差和速度慢的问题,提出一种并行的多维自适应采样方法.首先对多维空间进行粗采样,将其自适应地分割为多个子空间;然后扩展各子空间边界,根据噪声评价值分配每个子空间所需的采样点数;在各子空间上构建KD树以并行地对其进行自适应采样;最后根据各采样点间的梯度值重构图像.实验结果表明,该方法能够以更少的样本绘制高质量的景深、运动模糊和软阴影效果,并控制绘制图像时的内存消耗,支持高分辨率的真实感图像生成.     

基于模糊不确定性的自适应采样

提出一种用于MonteCarlo全局光照的自适应采样方法,使得合成图像时对每个像素采用不同的采样数量,以提高间接光照的表现效果,降低图像总体噪声水平．考虑到图像或像素噪声水平的评价具有内在的模糊不确定性,基于模糊理论,以像素样本光照为基本元素建立模糊集合,利用模糊集的模糊度提出一种新的像素噪声水平评价标准．在新评价标准的基础之上实施自适应采样,首先对像素进行少量采样,然后根据新标准评价其噪声水平,并有针对性地对噪声水平较高的像素使用较多的采样样本．通过大量实验,验证了文中方法比已有的自适应采样方法更好．     

有效重采样的颜色编辑扩散

目的 颜色编辑扩散是图像处理领域中的一个重要研究内容。以往方法中,为了取得期望的编辑效果,要求交互选定的样本颜色尽可能丰富。为了降低输入条件,提出一种新的有效重采样的颜色编辑扩散技术。方法 首先对图像做超像素分割并提取每个超像素中心作为重采样样本。遵循超像素中心非边缘像素,只服从一种编辑模式的原则,计算其与每种编辑模式的相似度,如果与某种编辑模式相似度绝对占优,则该样本的编辑模式直接确定。对于待定样本,依照相邻相似样本服从相同编辑模式的思想来判断其归属。然后将重采样样本的颜色编辑遵循相似颜色编辑后仍相似的原则采用增量的方式扩散到整幅图像。扩散时每个像素自适应地选择样本的数量,以避免相似度低样本的干扰。结果 与以往的方法进行比较,该方法对输入条件的敏感度较低,且在相同的相对简单的输入条件下能取得更好的视觉效果,可视化的梯度显示细节保持也更理想。结论 该方法能有效简化用户交互,将稀疏的画笔像素的扩散转化为颜色信息相对丰富的超像素中心样本的扩散,且生成的图像能忠于编辑颜色及较好地保持图像细节。     

基于非均匀采样的图像射影畸变硬件校正

当摄像机的像平面与拍摄面不平行时,图像必然发生射影畸变,给后续的图像处理和模式识别带来不便。现有校正方法大都在得到畸变图像后,通过实时计算或者查阅畸变表恢复图像像素间的度量关系。本文提出了一种基于非均匀采样的硬件图像校正采集系统,通过FPGA控制A/D采样器对模拟图像信号进行非均匀采样,实现图像的实时畸变校正和采集。为减小采样误差,还提出了一种倍频方案。仿真表明本系统可以代替软件校正算法,其硬件系统可拓展至其他应用。     

图像自适应分块的压缩感知采样算法

目的 在图像压缩感知过程中,不管是整体采样还是固定分块采样,都不能充分利用图像的稀疏性,存在采样率与图像重构质量的矛盾。提出了一种基于图像纹理变化的自适应分块感知采样算法ABCS(adaptive block compressed sensing),再结合JPEG量化思想,在不降低图像重构质量的前提下降低采样率,更大地提高压缩比。方法 首先进行图像预分块,计算分析各块纹理复杂度,当图像块纹理复杂度低于相应阈值,选择最佳采样率对各块观测采样,当图像块纹理复杂度高于相应阈值,需再分块,重复上述步骤,达到最小16×16块时停止分块。当最小块的纹理复杂度高于最大阈值采用JPEG量化编码,其他块选择匹配的采样率,以压缩感知方式压缩。结果 ABCS算法与典型的压缩感知重构算法结合并与其原始算法比较,在相近采样率条件下,图像重构质量提高明显,尤其在低采样率下性能更佳,如20%采样率下重构图像PSNR值达到30 dB左右。结论 提出的自适应的分块采样充分利用图像的稀疏分布,提高压缩感知的效率;高复杂纹理块采用JPEG编码处理,避免了重构质量差的缺点,同时减少了重构时间。     

轻量级自适应上采样立体匹配

针对现有立体匹配深度学习模型中常采用线性插值进行代价体上采样,而无法充分利用邻域纹理信息的问题,提出了一个自适应上采样模块。该模块首先为高分辨率输出中每一个像素位置自适应学习采样的权重窗口,然后采用最近邻方法将低分辨率输入上采样后在对应位置使用学习到的权重卷积得到最终对应高分辨输出的值。该模块具有三个特点：（1）大感受野,通过堆叠的空洞卷积以及多尺度窗口提高像素的邻域纹理感知能力;（2）轻量级,与线性插值相比,不需增加过多计算量;（3）通用性,可以移植到现有网络,替换其插值方法。在数据集SceneFlow、KITTI2015上的实验表明,通过采用所提模块替换PSMNet和AANet中的三线性插值,可以有效地降低各自的误差26.4%、10.3%（SceneFlow）和15.4%、18.9%（KITTI2015）。     

高速非均匀采样信号的重构方法

并行交替采样中通道间的时基偏差易导致采样非均匀,且现有的信号重构方法运算量较大,容易使采集性能迅速下降.通过分析信号的频谱特征,提出了一种实时性较高的双通道并行采样重构算法;并采用FFT算法及反傅里叶变换对通道时基误差进行了实时校正.实验结果验证了该算法的可行性.     

种子像素滤波法去除随机脉冲噪声

为了在去除图像高密度随机脉冲噪声的同时最大程度地保护图像边缘和细节,提出一种新方法。该方法首先利用图像局部灰度相似性,提取种子像素;然后只对种子像素进行开关中值滤波,去除误判的种子像素,采用自适应变窗口尺寸;最后利用种子像素先探测漏选的种子像素,接着重构非种子像素。实验结果表明,与其他方法相比,该方法是综合性能最优之一。     

一种基于整数坐标的亚像素精度区域采样反走样算法

为了快速有效地消除图形显示中的边界锯齿,提出了一种基于整数坐标的亚像素精度区域采样反走样算法.该算法将坐标点的亚像素部分保存于整数的低位,整数部分存于高位,根据亚像素部分与整数部分的差值,利用位运算快速计算像素的覆盖面积,像素亮度等级可达到2~n(n为亚像素位数,通常情况n取8).与基于中点算法的区域采样算法相比,图像精度高,计算速度快;与过采样算法(采用3×3或4×4的过采样网格)相比,采样精度高,计算量不会随着采样精度的提高而变大,也不存在图像重建过程中由高分辨率数据向低分辨率转变时的信息丢失问题.实验结果表明,新算法生成的图像比较细腻,实时性比较高,优于一般的反走样算法.