crimini算法

资 源 简 介

应用背景 criminisi的详细算法，一看就懂！！ 目前，图像修复中占主流的修复模型有：偏微分方程的修复模型[1-2]、纹理合成[3]的修复模型。前者计算量大、耗时长、对纹理的还原能力有限，处理大区域图像会有明显的模糊现象，因此只适合于划痕、污迹和文字等细窄的区域修复。相比之下，后者将待修复区域周围的图像作为样本,从中提取特征并选取匹配的纹理，将其合成到待修复区域内，适用于较大区域的修复。 现实中的图像不是由简单结构和单一纹理拼接而成的，而是同时包含复杂的结构和多种纹理特征。参考文献[4]将图像

详 情 说 明

应用背景

在图像修复领域，目前主要使用两种修复模型：偏微分方程的修复模型[1-2]和纹理合成的修复模型[3]。前者计算量大、耗时长，对纹理的还原能力有限，只适用于细窄的区域修复，如划痕、污迹和文字。后者则通过从待修复区域周围的图像中提取特征并合成纹理，适用于较大区域的修复。

参考文献[4]将图像分割成结构和纹理两部分，并分别使用偏微分方法和纹理合成技术进行处理，最后将两种处理结果融合。然而，该方法只适用于小区域的修复，速度较慢且仍然存在一定的模糊问题。为了解决这些问题，Criminisi等人在2003年提出了一种不需要分割图像、能够同步处理纹理和结构的基于样例的图像修复算法[5]。虽然该算法取得了令人满意的效果，但是时间消耗较长，并且优先权和相似度的计算还有一些不足之处。

本文改进了参考文献[5]的图像修复算法。为了更准确地计算优先权，我们采用了梯度数据项和置信度共同决定填充顺序。为了加快修复速度，我们采用了局部窗口搜索的策略。最后，我们利用颜色和梯度共同决定相似性，使修复后的图像具有更好的视觉效果。大量实验结果表明，该算法提高了修复效率，同时产生了更加满意的视觉效果。

关键技术

基于样例的图像修复算法中，填充顺序是关键。填充顺序的优先权函数需要考虑两个因素：模板窗口中已知信息的数量和待修复区域周围的结构特征。已知信息更多的待填充块周围可以利用更多的信息，结构特征明显的区域包含丰富的结构信息。Criminisi定义的优先权函数为：P（p）=C（p）×D（p）。然而，当等照度线与单位法向量垂直时，D（p）=0，即使C（p）很大，甚至整个块中只有几个未知像素，块也无法及时填充。这导致优先权计算不可靠，进而影响修复效果。为了解决这个问题，本文直接引入梯度信息来计算块的优先权。P为修复边界dΩ上的点，ψp是以点P为中心的