本站所有资源均为高质量资源,各种姿势下载。
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