动机
绘画或图解常压低细微变化,同时保留选定边界。普通平均把邻近数值都平滑,可能模糊最想保留的边。边缘感知平均改变权重:位置虽近,导引值却差很大的像素,贡献少于位置近且导引值相似的像素。这是对“平滑什么”的算法选择,并非完整艺术判断模型。
非写实成像刻意改外观。分片常数色块配深色线条,可以保留形状而丢掉纹理和细致照明。要理解结果,应分清滤波、量化及画线。方法可能加入测量场景中没有的线,也可能因孤立噪声看似边缘而保留它。所以“保边”只限定加权机制,并非保证保留所有有意义边缘、删掉所有噪声。
本节分析有限网格的双边式滤波,再构造可重现的小型风格化流程。证明分清固定导引与每轮重算导引。我们亦会看到:连通网格上,反复使用同一固定导引滤波,最后会删去所有非常数分量,即使跨边权重极小。慢慢跨边混合,不等于永久数学屏障。
定义
定义 1.24.1
(固定导引的双边型滤波器)
像素索引有限,标量图像值为 、位置 。选对称非负空间权重 ,且 ;零权重可限制邻域。固定导引 、值域尺度 定义
导引可以是输入图像、色彩向量或另一项已对齐测量。自权重保证 。固定 时,这是 的线性映射;若每轮用当前 重算 ,系数随数据改变,整体便非线性。值域距离也依赖导引的表示与单位。
定义 1.24.2
(空间核与两个尺度)
常见空间选择是在对称邻域内取 ,。 是位置尺度, 是导引数值尺度,增加两者的效果不同。即使内部核平移不变,边界邻域的总权重仍可能不同。
定义 1.24.3
(量化基底与边线标记)
明确风格化先求平滑底图 ,再把它量化至有限层级 ,以指定平手规则选最近 。一维行的相邻边强度为 ,选门槛 , 才标线。二维则须指定水平、垂直差分或其他梯度算子。门槛及线位置是设计参数,不是直接恢复的物理轮廓。
定理 / 命题
定理 1.24.4
(归一化正权重保常数,并满足值域界)
在上述非负空间权重与正自权重下,每个输出是参与输入值的凸组合:
常数精确不变。固定导引时,。最后一项比较同一线性算子作用两个信号,并非比较两个重新适应的导引。
定理 1.24.5
(固定导引迭代保加权平均,并趋向常数)
设 对称,正非对角权重构成连通图;,且自权重为正如上。重复使用同一 ,会收敛至常数图像
每一步均保留 加权总和,普通无权总和却未必保留。结论只针对固定导引与固定权重,不是任意非线性重加权的定理。
不连通的正权重分量,会各自趋向分量内加权常数。若跨边权重真正为零,便可永久分离。有限导引差的 Gaussian 值域因子严格正,本身不会创造零权重。截断空间邻域后,网格仍可能通过多个短步保持连通。
证明思路
证明
(凸组合与最大范数界)
令 ,每行非负且和为一,所以平均在输入最小与最大值间,常数亦不变。固定导引时,差为 ,绝对值不超过最大输入绝对差。导引改变时,两输出用不同系数行,这个简短证明不再适用。
证明
(加权平均与收敛到常数)
加权总和由对称性保留:
为分析收敛,写 、,它与实对称矩阵 相似,因此有实特征值和相应完整特征基。最大范数界使特征值全在 。特征值一的固定向量必为常数:在最大分量,正平均要仍等于最大值,所有正权邻居均须相同,连通性把相等传至全图。
特征值负一不可能。在绝对值最大分量,平均若等于该分量的负值,每个正权贡献者都须取相反极值;正自权重造成矛盾。因此其他模态特征值绝对值严格小于一,反复作用会消失。保留的加权和决定剩余常数正是 。
证明透视
小权重拖慢扩散,零权重才阻断它
证明只需连通,不需要每条边权重都大。极小正桥梁仍耦合两区,只是某特征值可能非常接近一,混合极慢。每轮重算导引会改算子,单一固定谱分解便不能描述整段执行。几轮后的外观印象,与无限次迭代定理是不同结论。
固定导引滤波也是每个输出位置分别最小化 的精确解。微分给 。这个局部最小二乘解释,不表示一轮就解了未知输出像素彼此差异所构成的全局恢复能量;后者的未知量会耦合,是不同问题。
概念视角结构
把滤波看成随机游走的一步
权重 在像素上定义一个加权图, 是由像素 走到像素 的转移概率。于是 就是从 走一步后 的期望值。 对称给出 ,所以这个游走可逆,平稳权重与 成正比。极限 就是 在该平稳分布下的平均值。
例题详解
例题 1.24.6
(两像素边缘会减弱,并非完全冻结)
两像素数值与导引为零、一,空间权重均一,选 令跨边值域权重 。则
原跳变一变成 ;对比模态特征值 ,同一算子用 次后跳变为 ,趋零。减小 只拖慢,不永久保边。若孤立亮像素其实是噪声,短期也可能被同一机制保护。
例题 1.24.7
(普通平均为何可以移动?)
三像素链用常数导引,令
输入 ,一轮得 。普通总和 ,不等于原来一;加权和却为 ,与原图相同。反复作用,全部像素趋向 。边界与中间像素邻域总权重不同,解释普通平均与不变平均的差别。
例题 1.24.8
(完整的小型风格化决策)
输入 ,保留为固定导引;自权重一,直接相邻空间权重一,单位跳变值域权重 。一轮得 。量化至 ,得 ,无平手。平滑底图的边强度为 ;门槛 只标中间边界。这完整指定了行的双色加线设计。若在量化后才求梯度,会得零、一、零,是相关但不同算法。
彩色版本若所有通道共用同一组非负标量权重,结果在参与色彩向量的凸包内。若各通道用不同导引,可能混合不同来源的通道组合,失去此凸包保证。这不是证明共权结果知觉较好,而是给一项具体输出几何性质。
概念视角分析
平滑与画线测量不同事物
值域核决定哪些已观察邻居贡献底图;梯度门槛再决定底图哪些变化应画明线。量化把连续值改成层级,亦创造不连续。这些操作未必可交换,次序要写进算法,因它会改细节及可见边界的来源。
有限实现可逐步核查:指定强度单位与导引;建立对称邻域;只对有效贡献者归一化;计算一轮或指定轮数;用明确层级量化;在明定阶段测梯度;按规则放线。直接滤波每轮成本正比邻接对数。更多轮或更大空间邻域成本更高,狭窄值域尺度则可能同时保护重要边缘与不想要的离群值。
常见错误
反例模式
最近层级量化可以创造很大假边
量化至零、一,分界 。输入 只差 ,却变成零、一,输出跳变一。因此风格化边可能由色盘决策创造,而非继承强测量边。有限色盘不会让映射变成非扩张;宣称稳定时须考虑此不连续。
常见错误
(把固定导引的界用在自适应导引上)
不等式 比较的是同一个算子 作用在两个信号上。 与 使用不同的权重行,这个简短证明就不适用。以当前图像作导引的滤波器是非线性的,其稳定性须另行检验。
常见错误
(以为普通平均会守恒)
归一化权重守恒的是以 加权的和,而不是普通的和。在三像素链上取 ,一次滤波令普通平均由 变为 ,加权平均却保持 。边界像素的总权重比内部像素小,所以双边型滤波器一般会改变靠近图像边界的普通平均亮度。
不要把每个大梯度都当成物体轮廓:纹理、光照、阴影、采样伪影和噪声都可能产生梯度。语义上的解释需要有限差分以外的信息。
常见错误
(值域尺度有单位)
值域尺度有单位。只把导引数值乘正常数而不改 ,权重会变;导引与 同比例缩放,权重才相同。 实现不能直接沿用 上调好的参数。适合去噪声的设定,也未必适合刻意制造海报化效果。
总结
边缘感知平均结合位置接近与导引相似。非负归一化保常数和值域界;固定导引容许线性稳定性及加权平均分析。连通固定导引反复滤波最终把图弄平,极小正权只延迟混合。量化与线提取加入其他选择,因此非写实流程应明定次序、门槛和有意丢掉的信息。
练习
快速检查
(两像素固定算子跨边权重 ,求 一轮输出、三轮后跳变及极限常数。)
解答 · 答案
一轮为 ,跳变 。非常数特征值 ,三轮跳变 。两行总权重相同,不变加权平均等于普通平均 ,两像素最终均取此值。
快速检查
(验证三像素链一轮后的加权平均和普通平均。为何常数输入不变,非常数的普通平均却可改?)
解答 · 答案
输出 加权和二、平均 ,与输入相同。普通平均是 ,原图是 。常数不变因每行归一化和一;保无权总和却需要每列亦和一,此链并不满足。
快速检查
(四像素风格化例改用 ,求平滑底图,以及量化前门槛 标哪些边界。)
解答 · 答案
端点仍零、一;两内点为 、。边强度 ,只中间超过 。量化是其后另一步,求这些梯度时未用。
快速检查
(证明导引与 同乘正数不改权重。再解释轻微扰动输入后量化,为何未必满足固定导引滤波的最大范数收缩界。)
解答 · 答案
导引差平方与值域尺度平方同乘相同因子,所以比值及指数不变。量化却是不连续最近层级映射, 可变成零、一。定理只谈同一正平均算子,不谈再接另一个不连续映射;各流程阶段须分别检查保证。