Resumen

En visión por ordenador y gráficos, descomponer diversos patrones de textura/estructura a partir de imágenes de entrada supone todo un reto. Es bien sabido que la definición de los bordes y el modo en que esta información previa guía el suavizado son dos factores clave para determinar la calidad del suavizado de imágenes. Aunque en la literatura se han descrito muchos enfoques diferentes, la norma dispersa y los esquemas no locales son dos herramientas prometedoras. En este estudio, mediante la integración de una medida de textura como peso de fidelidad de datos/penalización del suavizado que varía espacialmente en los modelos de norma dispersa y variación total no local, se presentan dos nuevos métodos para el filtrado que preserva características/estructuras. El primero es un método de variación total relativa generalizada (es decir, GRTV), que mejora las capacidades de preservación del contraste y de mejora de la rigidez de los bordes del RTV ampliando el rango de la norma de la función de penalización de 1 a [0, 1]. La otra es una versión no local de la RTV generalizada (es decir, NLGRTV) para la que la idea clave es utilizar una medida de textura modificada como peso de penalización que varía espacialmente y sustituir los píxeles candidatos locales por el conjunto no local en el término de penalización suave. Se demuestra que la NLGRTV mejora sustancialmente el rendimiento de la descomposición para regiones con límites de píxeles tenues.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería
• Subjects:mathematics Mathematical Analysis Algebra Engineering
• Palabras claves:peso de penalización, norma dispersa, variación total relativa generalizada, modelos de variación total no local, píxeles candidatos locales, muchos enfoques diferentes, nlgrtv, visión por ordenador, píxel débil, primero
• Keywords:penalty weight, sparse norm, generalized relative total variation, nonlocal total variation models, local candidate pixels, many different approaches, nlgrtv, computer vision, faint pixel, first one