该算法最早提出是在论文《Edge-Preserving Decompositions for Multi-Scale Tone and Detail Manipulation》中,该算法是为了解决双边滤波里无法在多尺度上提取细节,并可能出现伪影。WLS的目的是为了使得结果图像u和原始图像p经过平滑后尽量相似,但是在边缘部分尽量保持原状,数学表达为:
在这里,下标p代表像素点的空间位置。目标函数第一项表示图像u和输出图像g越近越好,第二项是正则项,通过最小化u的偏导,使得输出图像g尽可能的平滑。平滑项权重依赖于输入图像g。这样当输入图像边缘梯度变化较大时,其约束会小一些,从而保留图像的结构化信息。反之,当图像边缘梯度变化很小时,约束可以自然变大一点。是正则化系数,平和两者的权重,越大图像也就越平滑。将上式改成矩阵形式,为:
其中,和是包含平滑权重,的对角矩阵,其是输出图像g梯度的函数,是离散差分算子。要使得上式最小,需要有对其进行求导为0,得:
其中,,平滑项系数设置如下:
其中l是输入图像亮度通道的log值,可以看出当l梯度较大时,$a{x,p(g)}a{y,p(g)}L_g$的实质是一个五点的空间拉普拉斯矩阵。
参考:
1.https://blog.csdn.net/VictoriaW/article/details/71171813
2.https://blog.csdn.net/bluecol/article/details/48576253
3.https://blog.csdn.net/piaoxuezhong/article/details/78396498