网格去噪算法(L0 Minimization)

jopen 8年前

[He et al. 2013]文章提出了一种基于L 0 范数最小化的三角网格去噪算法。该思想最初是由[Xu et al. 2011]提出并应用于图像平滑,假设c为图像像素的颜色向量,▽c为颜色向量的梯度,设置目标函数为:min c |c – c*| 2 + |▽c| 0 ,其中|▽c| 0 为▽c的L 0 范数,c*为原始图像的颜色向量。通过引入辅助变量δ,优化函数变为:min c, δ |c – c*| 2 + β|▽c – δ| 2 + λ|δ| 0 ,其中λ用于控制最终图像的平滑程度。优化过程分两步:第一步固定c优化δ,即min δ β|▽c – δ| 2 + λ|δ| 0 ;第二步固定δ优化c,即min c |c – c*| 2 + β|▽c – δ| 2 。然后循环迭代这两步,每次迭代中β乘以2,使得最终▽c ≈ δ。

当将L 0 范数最小化的思想应用于三角网格去噪时,网格顶点坐标p可以代替c,但是还需要设置一个离散微分算子来代替▽c,其满足网格平坦区域值为0,其中一个选择就是离散Laplacian算子。文章提出了一种应用于网格边的微分算子D(e),其表达式为:

但是当有角度接近0时,微分算子的权重会变成inf,因此文章又提出了一种优化后的微分算子表达式:

微分算子D(e)中的符号说明

对于非均匀噪声网格,文章在优化过程中加入了正则化项R(e) = (p 1 – p 2 + p 3 – p 4 ) 2 ,于是优化目标变为:min p, δ |p – p*| 2 + α|R(p)| 2 + β|D(p) – δ| 2 + λ|δ| 0 ,其中p*为初始网格顶点坐标,D(p)代表与p相关的表达式,其第i项对应第i条边的微分算子,R(p)的第i项对应第i条边的正则项。同样优化过程分两步:第一步固定p优化δ,即min δ β|D(p) – δ| 2 + λ|δ| 0 ,当 ,δ i = 0,否则δ i = D i ;第二步固定δ优化p,即min p |p – p*| 2 + α|R(p)| 2 + β|D(p) – δ| 2 ,相当于求解稀疏矩阵方程组。然后循环迭代上述两个步骤直到达到预定条件。

效果:

欢迎大家一起探讨计算机图形学算法问题,邮箱:shushen@126.com

本文为原创,转载请注明出处: http://www.cnblogs.com/shushen

参考文献:

[1] Lei He and Scott Schaefer, "Mesh denoising via L0 minimization," ACM Trans. Graph. 32, 4, Article 64 (July 2013), 8 pages, 2013.
[2] Li Xu, Cewu Lu, Yi Xu, and Jiaya Jia, "Image smoothing via L0 gradient minimization," In Proceedings of the 2011 SIGGRAPH Asia Conference (SA '11). ACM, New York, NY, USA, , Article 174 , 12 pages, 2011.

来自: http://www.cnblogs.com/shushen/p/5113484.html