局部尺度自适应纹理滤波

Local Scale-Adaptive Texture Filtering

摘要: 针对传统方法在图像纹理滤波过程中难以区分结构边缘和纹理，易将高频纹理误判为结构边缘，导致显著纹理无法被平滑的问题，提出了一种局部尺度自适应纹理滤波算法。首先通过多方向侧窗滤波技术确定最优的结构边缘特征。随后，基于边缘强度计算局部尺度信息，通过归一化处理得到每个像素点的自适应核尺度。进而利用自适应高斯滤波，实现初步的纹理平滑，得到指导图像；接着利用联合双边滤波进行精细化的结构保持处理，增强纹理滤波结果。实验结果表明，本文提出的方法在有效抑制多种纹理模式的同时，能够更好地保留图像的主要结构。

Abstract: To address the issue where traditional methods struggle to distinguish structural edges from textures during image texture filtering, often misclassifying high-frequency textures as structural edges and failing to smooth prominent textures, this paper proposes a locally scale-adaptive texture filtering algorithm. First, multi-directional side-window filtering technology is employed to identify optimal structural edge features. Subsequently, local scale information is computed based on edge intensity, and normalized processing yields an adaptive kernel scale for each pixel. Adaptive Gaussian filtering is then applied to achieve preliminary texture smoothing, yielding a guide image. Subsequently, combined bilateral filtering performs refined structural preservation processing to enhance the texture filtering results. Experimental results demonstrate that the proposed method effectively suppresses various texture patterns while better preserving the primary structural features of the image.

1. 引言

随着计算机视觉、人工智能和计算机图形学等技术的快速发展，纹理过滤技术在多个领域发挥重要作用。作为计算机视觉、计算机图形学等领域的核心技术之一，纹理过滤在有效抑制图像中的纹理信息，并精确保留图像的主要结构特征方面表现极佳，从而为图像分割、目标识别、结构提取以及细节增强等后续任务提供高质量的输入。

近年来，众多研究者针对这一领域提出了多种高效且创新的方法，然而，这些方法仍存在一定局限，部分算法对梯度信息依赖较强，难以有效去除具有高梯度特征的纹理；另一些方法虽能在一定程度上兼顾结构保持与纹理抑制，但在处理细长、狭窄结构时，其结构保持能力仍有待提升。

根据滤波原理的不同，现有纹理滤波方法可主要划分为局部滤波与全局滤波两大类。基于全局优化的滤波方法通常通过构建一个包含数据项与平滑项的目标函数来实现图像平滑。数据项旨在约束输出图像与原始输入之间的差异，而平滑项则负责抑制纹理区域的波动。这类方法的核心在于通过全局求解来平衡结构保持与纹理抑制。Xu等[1]在总变分(TV)的基础上提出相对总变分(RTV)，通过局部梯度方向的聚合增强结构与纹理的区分，然而在结构与纹理局部相似时分离效果欠佳。许慧琴等[2]提出了一种基于结构张量的加权最小二乘纹理过滤方法，将结构张量的各向异性特征与局部梯度信息相结合提取图像中的结构信息，该方法在结构相似性和视觉感知方面具有明显优势。Xu等[3]提出通过最小化图像梯度的L0范数来实现纹理去除和边缘保留，但去除纹理的过程中会产生过度锐化的结果。Jeon等[4]提出了规模感知的结构保留纹理过滤(SaTF)方法。通过引入旋转角度定义了方向性相对总变差(dRTV)，并确定最优的平滑尺度。由于该方法假设纹理的振荡特性，因此无法完美地处理复杂纹理。

在局部滤波方法中，高斯滤波、均值滤波等经典技术能有效抑制噪声，但普遍存在边缘模糊的缺陷。为克服这一局限，双边滤波实现了保边平滑，然而其对高梯度纹理的抑制能力依然有限。为提升纹理滤波的性能，后续研究对双边滤波框架进行了多方向拓展。Cho等[5]创新性地引入了块偏移策略，生成平滑引导图像以改进滤波，但在处理高梯度纹理时仍显不足。Song等[6]在原有DASM的基础上进行改进，使其对于细小的、尖锐的几何结构具有很好的保持能力，但对于某些需要更高层语义理解或特定先验知识的复杂纹理，该方法仍然会混淆。Zhang等[7]采用迭代式双边滤波以逐步恢复主体结构，然而多次迭代易导致边缘钝化、细节丢失及颜色失真。Karacan等[8]利用区域协方差描述图像块的统计特性，藉此衡量结构相似性；Ruhela等[9]创新性通过对高斯平滑处理后的归一化梯度图像进行逆映射来构建尺度图，并依据图像的结构和纹理特征自适应地确定空间核尺寸。该方法实现了结构保持与纹理去除的良好平衡，然而在处理高对比度纹理方面仍存在一些局限性。Zhang等[10]在文献中提出金字塔引导的结构感知上采样方法，避免了依赖复杂的纹理–结构分离措施。

当前纹理滤波方法普遍采用固定尺度的滤波核，这一策略在处理复杂图像时存在显著局限。理想的滤波过程应当具有尺度自适应性，对于纹理密集区域，采用较大的滤波尺度以实现充分平滑；而对于结构边缘及细窄特征区域，则需采用较小的滤波尺度以保持其几何精度。现有固定尺度方法无法实现这种动态调整，导致在强力抑制纹理的同时，往往造成重要结构信息的丢失或模糊。然而，以上算法在用于具有复杂纹理场景下的图像平滑时，会因过度平滑和细节丢失等问题，导致无法获得更好的结构–纹理分离效果。基于此，本文提出了一种局部尺度自适应纹理滤波，该方法能够有效解决上述问题。通过与以往滤波技术对比，验证了该方法的有效性。

2. 本文算法

针对现有方法在应对复杂纹理–结构关系、参数自适应调节及多尺度特征保持等方面存在的局限，本文提出一种局部尺度自适应纹理滤波算法，利用多方向侧窗滤波技术进行精确的边缘检测，基于边缘强度计算局部尺度信息，进而使用自适应高斯滤波，实现初步的纹理平滑，最后利用联合双边滤波进行精细化的结构保持处理。

2.1. 局部梯度和

局部梯度和(Local Gradient Sum, $LGS$ )作为图像处理中的关键工具，反映了图像局部区域内像素值的变化情况，能够有效描述边缘、纹理和结构等特征。在实际计算中，对于图像中的边缘区域，结构部分的像素在垂直于边缘的方向上通常具有较大的梯度和，而在平行于边缘的方向上变化较小；相比之下，纹理部分的像素在各个方向上的梯度和通常较小且分布均匀。通过计算局部梯度和，可以量化图像的局部变化强度，实现对图像内容的自适应处理，从而提升图像处理算法的性能和效果。

给定图像$I$ ，沿$x$ 轴的局部梯度和定义为：

$LG{S}_p^x=\left|{\displaystyle {\sum }_{q\in N\left(p\right)}{g}_{\sigma }\left(p,q\right){\left({\partial }_{x}I\right)}_q}\right|$ (1)

其中$\partial (\cdot )$ 是离散梯度算子，$g_{\sigma }(\cdot )$ 是方差为${\sigma }^2$ 的高斯函数，$N\left(p\right)$ 是像素$p$ 的大小为$\left(2r+1\right)\times \left(2r+1\right)$ 空间邻域(一般情况下$r$ 设置为3，$\sigma$ 设置为$0.3r$ )。沿$x$ 轴的$LG{S}_p^y$ 定义类似。

由公式(1)计算局部梯度和，并分析像素$p$ 周围邻域内的局部梯度和分布模式，以此作为判别特征，动态地确定该像素位置最优的核尺度，在纹理和噪声区域自适应扩大核尺度以保留细节，在边缘区域适当缩小核尺度以增强边缘连续性。

2.2. 方向性梯度和

然而梯度和主要反映局部变化，可能无法准确区分具有相似梯度统计特征的不同纹理。它经常将倾斜的锐利特征(如角点)误认为是纹理区域。如果我们直接使用局部梯度和来确定核尺度，会导致细尺度特征由于分配给它们大尺度核而过度模糊。而且梯度计算依赖于邻域大小的选择，不同尺度的纹理和结构可能需要不同的邻域大小。如果邻域选择不当，可能导致小尺度纹理被忽略或大尺度结构被过度平滑。除此之外，邻域的位置也是影响滤波结果的一个重要因素，也就是说，要处理的像素应该放在邻域的某个合适边缘上，这也是侧窗滤波的重要思想[11]。为了克服这些局限性，我们定义了方向性梯度和(Directional Gradient Sum, $dLGS$ )。

首先我们需要找到最合适的邻域，对于给定的像素点，如图1所示，共有八种不同方向的邻域，对每个方向的邻域求梯度和。

设$LG{S}_d\left(r\right)$ 为$\left(2r+1\right)\times \left(2r+1\right)$ 邻域内$d\left(d=1,2,\cdots ,8\right)$ 方向上的梯度和。对于尺寸$r$ ，最佳方向性梯度和定义为：

$dLGS=\underset{d}{\min }\left\{LG{S}_d\left(r\right)\right\}$ (2)

这种基于最小$LGS$ 值的$dLGS$ 值能够显著增强结构与纹理之间的区分度，从而使得结构测量更加精准和鲁棒，有效地识别结构边缘以及尖锐角点。

Figure 1. Eight domains of focus

图1. 八个方向的领域

如图2所示，采用方向性梯度求和方法后，所得梯度幅值不仅在数值上较传统单方向梯度有明显提升，在视觉表达上也更为丰富清晰。这一改进主要得益于引入的多方向梯度对比机制，该机制通过对不同方向加权均值进行差异化增强，显著拉大了结构边缘与平坦区域、纹理细节与背景噪声之间的响应差异，从而在根源上强化了梯度特征的判别能力。从头部区域的对比效果可以看出，基于方向性梯度求和的结果在保持边缘锐利度的同时，轮廓走势更为连续平滑，更贴近原图对应区域的真实形态与自然过渡，避免了传统方法中易出现的断点与锯齿现象。进一步观察图像中的细窄结构可见，方向性梯度在此类区域能够通过多方向信息聚合产生更强的幅值响应，有效增强了对细微结构的表征能力与稳定性。此外，该方法在复杂纹理区域也表现出更好的抑制随机噪声的能力，使得主要结构信息更为突出，为后续的图像分析、边缘检测或特征提取任务提供了质量更高、区分度更强的梯度基础。总体而言，方向性梯度求和不仅提升了梯度幅值的物理强度，更通过其多方向协同机制，在结构保持、细节增强与噪声鲁棒性之间实现了更优的平衡。

(a) 输入图像 (b) 梯度幅值 (c) LGS (d) dLGS

输入图像来源：文献[1]。

Figure 2. A comparison among the directional gradient sum, original gradient sum, and gradient magnitude

图2. 方向性梯度和与原始梯度和及梯度幅值的对比

2.3. 尺度自适应平滑的指导图像

在基于指导图像的滤波框架中，联合双边滤波通过引入兼具纹理抑制与结构保持能力的指导图，能够有效实现图像的纹理平滑。然而，该方法的性能上高度依赖于指导图的质量。一幅理想的指导图像应当满足两个关键条件：在纹理区域实现充分且均匀的平滑，同时在结构区域，尤其是细窄边缘处，保持边缘锐度与几何完整性，避免因过度平滑导致的结构模糊。尽管方向性梯度和在有效区分小结构和纹理方面表现良好，但它在精确确定核尺度时仍然存在一定的局限性。也就是说，方向性梯度和较小的值通常表示像素属于纹理区域，但由于局部特性，不能完全排除其靠近结构边缘的可能性。为了解决这个局限性，使用非线性变换对得到的方向性梯度和进行归一化，得到滤波核尺度：

$K_p=\min \left[\sigma \times \exp \left(\frac{-{\left(dLGS\right)}^2}{2{\sigma }_e^2}\right),\delta \right]$ (3)

其中，$E_p=\exp \left(\frac{-{\left(dLGS\right)}^2}{2{\sigma }_e^2}\right)$ 为平坦度，参数$\delta$ 是一个防止核尺度过小的正数，且被引入以防止信号过度锐化或混叠(默认情况下$\delta =1$ )，$\sigma$ 是用于计算公式(1)中$LGS$ 的高斯函数的方差，$K_p$ 的范围在$\left[\delta ,\sigma \right]$ 之间。

基于方向性梯度和生成的自适应核尺度$K_p$ ，对结构区域精确施加较小的滤波尺度，以保全其几何特征与边缘锐度；而对纹理区域则充分平滑，通过分配较大的滤波尺度，使其在输出图像中得到有效抑制。该自适应核尺度不仅能够有效区分边缘与噪声，还能为后续的边缘检测、图像去噪或增强等任务提供可靠的尺度控制依据。实验表明，结合多尺度梯度方向一致性的验证，可以进一步提升核尺度选择的准确性。

在获得每个像素点对应的最优滤波尺度$K_p$ 后，即可据此对输入图像$I$ 进行自适应核尺度高斯滤波，生成最终的指导图像：

$G_p={\displaystyle \sum _{q\in \Omega p}{g}_{K_p}\left(p,q\right)I_q}$ (4)

其中$g_{K_p}\left(p,q\right)=\frac{1}{\sqrt{2\pi }{K}_p}\exp \left(-\frac{{\Vert p-q\Vert }^2}{2K_p^2}\right)$ ，$K_p$ 是从$p$ 的像素邻域分析得出的像素$p$ 处的最优核大小。图3(c)展示了基于最佳滤波核尺度估计所生成的指导图像。可以观察到，该图像在有效抑制背景纹理的同时，较好地维持了主体结构的完整性与清晰度，验证了本文尺度自适应策略在结构–纹理分离任务中的有效性。

2.4. 联合双边滤波

使用指导图像$G$ ，对输入图像$I$ 应用联合双边滤波方法，得到最终的纹理滤波输出结果$S$ ：

$S_p=\frac{1}{k}{\displaystyle \sum _{q\in N\left(P\right)}{g}_{{\sigma }_s}\left(p,q\right)g_{{\sigma }_r}\left(G_p,G_q\right)I_q}$ (5)

其中，$g_{{\sigma }_s}(\cdot )$ 和$g_{{\sigma }_r}(\cdot )$ 分别为图像空间域核和像素域核。

基于纹理滤波算法的过程图像如图3所示。从图3可看出，本文算法在应对复杂背景纹理时表现出优良的抑制性能，能够有效区分并滤除高频纹理噪声，同时避免对图像中具有重要语义信息的主体结构与精细边缘造成过度平滑。相较于传统滤波方法容易导致的边缘模糊或结构丢失问题，本算法通过引入自适应尺度选择，在纹理区域与结构边缘处施以差异化的滤波策略，从而在纹理抑制与结构保持之间实现了更为精准的权衡。尤其在对细节敏感的区域(如边缘轮廓、角点及细小连通区域)，算法仍能维持较高的边缘锐度与结构连贯性。

(a) 输入图像 (b) dLGS (c) 指导图像G (d) 输出图像

输入图像来源：文献[1]。

Figure 3. Intermediate images in the filtering process

图3. 滤波过程中的中间图像

综上所述，局部尺度自适应纹理滤波算法如表1所示：

Table 1. A locally scale-adaptive texture filtering algorithm

表1. 局部尺度自适应纹理滤波算法

算法 局部尺度自适应纹理滤波

输入：图像$I$

输出：滤波结果$S$

$S\leftarrow I$

对于$k:=\mathrm{0...}\left(N-1\right)$

$dLGS$ $\leftarrow$ 最佳方向性梯度和 Eq.(2)

$K$ $\leftarrow$ 自适应核尺度$K$ Eq.(3)

$G$ $\leftarrow$ 自适应核尺度$K$ 得到指导图像$G$ Eq.(4)

$S$ $\leftarrow$ $G$ 作为指导图像联合双边滤波得到滤波结果$S$ Eq.(5)

3. 实验结果及分析

3.1. 参数设置

本文方法的实现共涉及2个关键参数，分别为联合双边滤波中的空间核${\sigma }_s$ 和像素域核${\sigma }_r$ ，这两个参数的数值越大，所生成的平滑效果越显著。图4和图5分别给出了两种参数在不同取值下的纹理滤波效果。从实验结果可以看出，随着${\sigma }_s$ 和${\sigma }_r$ 取值的增加，图像中的纹理细节被逐步抑制的同时，图像也会越来越平滑。在多数实验场景中，一般设定${\sigma }_s=5$ ，${\sigma }_r=0.15$ 取值均能取得较理想的滤波效果。另一方面，算法的迭代处理主要用于应对梯度幅值较高的复杂纹理结构。实验表明，通常仅需进行3次迭代即可在有效保留主要结构的前提下实现充分的纹理抑制。

3.2. 视觉对比

为验证本文算法在复杂场景下的性能，选用一幅包含丰富纹理与细窄结构的图像作为测试对象，如图6(a)所示。通过与多种先进方法的对比可见，现有技术均存在不同程度的局限性。具体而言，如图6(b)所示，Zhang等[10]人提出的金字塔引导结构感知上采样方法(Pyramid Texture Filtering, PTF)虽能维持主体轮廓，但对小尺度结构的过度平滑导致其丢失了关键的细节信息。如图6(c)所示，Song等[6]人的尺度自适应滤波方法(Scale-adaptive Structure-preserving Texture Filtering, STF)在纹理抑制方面表现良好，却难以有效保持如虾背部轮廓等纤细特征。同样地，如图6(d)至图6(e)所示，RTV [1]与BTF [5]方法在滤除纹理的同时，不仅未能完整保留细窄结构，还因过度平滑导致整体图像出现显著模糊。相比之下，如图7(f)所示，本文方法展现出更优的综合性能：在有效滤除背景纹理的同时，对鱼眼周边等细微结构实现了完整保持。这一优势得益于本文的核心机制，即在生成指导图像阶段，通过自适应地为细窄结构区域分配较小的滤波窗口，确保其在后续高斯滤波过程中免受模糊效应的影响，这种像素级差异化处理策略，使得后续的高斯滤波过程能够在不同区域施加最适宜的平滑力度，从而在像素级别实现了结构保持与纹理抑制的精准平衡。

(a) 输入图像 (b) ${\sigma }_s=3$ (c) ${\sigma }_s=5$ (d) ${\sigma }_s=7$

输入图像来源：文献[1]。

Figure 4. Texture filtering examples with different values of ${\sigma }_s$

图4. 不同${\sigma }_s$ 的纹理滤波示例

(a) 输入图像 (b) ${\sigma }_r=0.1$ (c) ${\sigma }_r=0.2$ (d) ${\sigma }_r=0.3$

输入图像来源：文献[1]。

Figure 5. Texture filtering examples with different values of ${\sigma }_r$

图5. 不同${\sigma }_r$ 的纹理滤波示例

(a) 输入图像 (b) PTF (c) STF

(d) BTF (e) RTV (f) 本文算法

输入图像来源：文献[1]。

Figure 6. Comparison under different texture smoothing algorithms 1

图6. 不同纹理平滑算法下的对比图1

在图7所示的毛毡纹理图像中，现有方法往往因局部方向估计模糊，导致结构边缘受到邻近纹理的污染，产生误平滑或细节丢失，在结构保持与边缘质量方面均表现出明显不足。如图7(b)所示，基于金字塔引导的结构感知上采样方法虽然能够保留绒毛等细小结构，但其边缘产生了视觉瑕疵，表现为明显的锯齿状伪影。图7(c)至图7(e)所示的其他对比方法，在实现纹理平滑的过程中完全忽略了细小结构的保留，导致重要细节丢失。如图7(f)所示，本文算法通过引入结构方向与纹理方向的一致性分析机制，有效解决了结构边缘与邻近纹理因方向差异而产生的干扰问题。本方法通过计算局部区域方向场的一致性度量，能够精准辨识出真正属于连续结构边缘的信号(方向高度一致且延续性强)与随机或周期性的纹理模式(方向变化频繁或一致性低)。基于此判别，算法在滤波权重分配时，对结构边缘予以保护性增强，而对纹理区域进行定向抑制，从而在完整滤除背景纹理的同时，不仅保持了细窄结构的清晰度，更显著消除了锯齿状伪影，实现了平滑质量与结构完整性的统一。

(a) 输入图像 (b) PTF (c) STF

(d) BTF (e) RTV (f) 本文算法

输入图像来源：文献[1]。

Figure 7. Comparison under different texture smoothing algorithms 2

图7. 不同纹理平滑算法下的对比图2

在结构保持方面，本文算法同样展现出显著优势。如图8所示，在包含蓝色织物边缘等高梯度变化的区域内，往往存在着与背景对比度微弱、信号强度低的细微结构(例如织物表面的细微褶皱、纹理过渡或附着物)。现有主流方法在处理此类区域时，由于难以有效区分高梯度边缘与嵌入其中的低对比度细节，往往导致滤波过度，造成低对比度结构出现不同程度的丢失、断裂或模糊。相比之下，本文方法通过其

(a) 输入图像 (b) PTF (c) STF

(d) BTF (e) RTV (f) 本文算法

输入图像来源：文献[1]。

Figure 8. Comparison under different texture smoothing algorithms 3

图8. 不同纹理平滑算法下的对比图3

多层次自适应保护机制，能够精准识别并分离出这些嵌于强边缘区域内的弱结构信号。算法不仅避免了强边缘对邻近细节的遮蔽效应，更通过局部对比度增强与梯度方向协同分析，实现了对低对比度结构的敏锐捕捉与完整保持。处理结果中，这些结构呈现出更高的清晰度与连贯性，有力证明了本文算法在复杂梯度场景下卓越的结构感知与细节分辨能力。

为进一步验证本文算法的泛化性与鲁棒性，图9展示了其在多种自然场景下的滤波结果。这些场景涵盖了周期性、随机性、方向性等多种纹理模式，以及从宏观物体轮廓到微观细节的不同尺度结构。这些结果充分表明，本方法在不同纹理类型与结构复杂度下均表现稳定，能够广泛适用于不同类型的图像，在有效抑制复杂背景纹理的同时，更好地保持画面中从粗到细的各种几何结构，这证明了算法不仅对特定图像具有优化作用，更具备应对真实世界复杂视觉变化的普遍适应能力。

(a) 输入图像

(b) 滤波结果

输入图像来源：文献[1]。

Figure 9. Other filtering results of this algorithm

图9. 本算法其他滤波结果

4. 算法局限性分析

尽管本文提出的局部尺度自适应纹理滤波算法在多种场景下展现出优异的纹理抑制与结构保持性能，但仍存在一定的局限性，其有效性依赖于若干前提条件，在某些特殊情况下可能出现性能下降或失效。

1) 对高度不规则与随机纹理的处理局限

算法在模型设计时，隐含假设纹理具有一定的局部周期性或方向一致性。对于高度非结构化、完全随机且幅值变化剧烈的纹理模式(例如某些自然场景中的杂乱枯草、泼溅污渍或砂石地面)，其统计特性可能与弱边缘结构相似，导致算法难以准确分离。此时，滤波结果可能出现部分纹理残留，或为抑制纹理而过度平滑某些真实细节。

2) 尺度估计对超细结构的挑战

本算法为每个像素估计最优滤波尺度的机制，虽能适应多数结构，但对于尺度接近或小于单个像素宽度的超细结构(如极细的电线、显微图像中的纳米级边缘)，其局部梯度响应可能无法与噪声或纹理充分区分。在尺度估计阶段，此类结构可能被归类为高频噪声，从而在滤波过程中被抑制，导致超细结构的断裂或丢失。

3) 计算复杂度与实时性限制

由于算法包含多方向梯度分析、局部尺度估计、自适应高斯滤波及联合双边滤波等多个串行计算模块，其计算复杂度显著高于传统单一尺度的滤波方法。尽管在实验环境中取得了良好效果，但在对实时性要求极高的应用场景(如高清视频流实时处理、移动设备图像处理)中，目前的算法实现可能难以满足严格的时效性约束。

4) 对强噪声与纹理混合区域的分离困境

在图像中同时存在强加性噪声(如椒盐噪声、高斯噪声)与复杂纹理的区域，噪声会干扰梯度方向的一致性计算，也可能影响局部尺度估计的准确性。虽然算法对纯纹理抑制效果显著，但在这种混合干扰下，其分离性能可能下降，需要与专用去噪算法进行结合或前置处理。

未来工作将针对上述局限性，探索在梯度分析中引入噪声鲁棒性估计、结合深度学习进行纹理与结构的语义区分、优化尺度估计算法以更好地保留亚像素结构，并通过算法加速与硬件适配提升计算效率，以进一步扩展本算法的适用范围与实用性。

5. 结语

针对现有纹理滤波技术在结构与纹理分离中的局限性，本文提出了一种基于局部尺度自适应纹理滤波算法。该算法通过多方向梯度统计分析，更精确地提取图像的结构特征，从而显著提升了结构信息与纹理细节的区分能力。在此基础上，算法为每个像素估计其最优滤波尺度，接着采用自适应高斯滤波对输入图像进行预处理，生成结构感知的指导图像。随后，基于该指导图像执行联合双边滤波，实现边缘感知的精细化平滑。实验结果表明，本文算法在有效增强纹理滤除效果的同时，显著提升了对重要结构的保持能力，并且能够广泛应用于图像处理、计算机视觉等领域。下一步的研究打算将算法中的局部尺度估计与方向感知机制，推广至三维点云或体素网格数据，用于在去除三维表面噪声或微观纹理的同时，保持模型的关键几何特征与尖锐边缘，为三维重建、医学图像分析与逆向工程提供新工具。

NOTES

^*通讯作者。