基于深度学习的数字图像修复算法最新进展

数字图像修复是一项利用计算机技术还原破损图像的缺失信息,从而实现自动修复破损图像的技术,其广泛应用于文物修复、图像去雾、电影特效生成等方面。近年来深度学习的发展为图像修复提供了新的思路,即将估计缺失信息的问题转为有条件的图像生成问题。基于深度学习的图像修复研究已成为底层计算机视觉问题的研究热点之一。本文对深度学习在数字图像修复领域的最新进展进行总结归纳,并详细阐述卷积模式和网络结构优化的研究进展,最后对未来的研究方向进行展望。      

三维激光扫描的文物破损区域修复研究

为了提高文物破损区域修复能力,提出基于激光扫描的文物破损区域三维虚拟修复方法。构建文物破损区域三维激光扫描图像采样模型,采用激光扫描方法进行文物破损区域三维虚拟图像特征采集和信息配准,在虚拟计算机视觉下进行文物破损区域三维虚拟图像重构,结合模糊信息增强技术进行文物破损区域三维图像的信息增强处理,构建三维图像特征重构模型,采用高分辨的视觉信息重构技术进行文物破损区域三维激光扫描图像的信息重构和特征提取,提取文物破损区域三维激光扫描图像视觉特征量,采用三维视觉重构技术进行文物破损区域三维激光扫描图像特征配准设计,构建文物破损区域三维激光扫描图像的多维直方图结构模型,基于激光扫描技术实现文物破损区域三维虚拟修复。将本文方法与传统方法进行对比,在迭代次数为100时,本文方法的精度最高为0.923,所用时间最短为9.23 s,输出信噪最高为46 dB,开销最低为36元,仿真结果表明,采用本方法能有效实现文物破损区域三维虚拟修复,且修复的精度较高。     

图像修复方法综述

图像修复技术是目前计算机视觉领域的研究热点之一，该技术主要利用缺失区域周边或者外部辅助数据来对图片受损区域进行信息推理和修复。随着大数据时代的到来，基于深度学习的图像修复技术以其出色的性能成为了图像处理领域内的关注点。对现有的图像修复算法进行总结，对各个算法的模型结构、性能表现及在常用数据集上的指标进行讨论说明，并对该领域目前所存在的问题和难点进行分析和展望。     

基于整体变分模型的图像修复算法仿真实现

为了提高受损数字图像修复质量,将整体变分模型用于图像修复。采用Matlab编程工具对修复过程进行了仿真实现,克服了直接求解偏微分方程的困难。发现随着迭代次数的增加,被修复区域接近原图质量,当受损区域较小且受损区域灰度梯度不大时,看不出明显的修复痕迹。仿真实验结果表明,该算法复原图像的视觉质量好,算法收敛快,特别适合于线状裂痕的图像修补。     

以TV模型为例的西藏壁画数字图像修复技术研究

通过介绍图像修复技术中的一个主要修复模型,即基于偏微分方程的图像修复技术,具体分析了数字图像的的破损类型及对应方法,在偏微分方程的基础上,深入了解此模型中具有代表性的TV图像修复模型.分析TV模型在噪声影响下对修复方程的约束,实现对噪声图像的处理方法.分析和对比此类模型对不同破损图像的修复效果,得出了最佳修复方案.     

基于分形的数字图像修补算法

针对传统图像修复方法中搜索范围局限于待修复图像源区域的问题,提出了一种新的基于分形的数字图像修复算法,首次将分形理论应用于图像修复领域,利用图像的自仿射性(或自相似性)对破损图像进行修复。首先,在图像的源区域中选取定义域块,经仿射变换后建立码本;然后,从码本中查找待修复块的最佳匹配块,同时为了加快查找速度,降低计算复杂度,采用了基于方差和内积的快速搜索算法来提高修复效率;最后,用查找得到的最佳匹配块对待修复块进行填补。提出了一种改进的优先值计算方法,在计算优先值时加大置信度的比重,从而可以加强搜索匹配过程中的约束,使得修复过程总体按照"剥洋葱"的顺序进行,同时兼顾线性结构的延伸。实验结果证明,与传统修复方法相比,本算法不仅提高了修复质量,同时也提高了修复效率。     

图像修复技术综述

图像修复技术是利用破损图像中未缺失区域信息,按照一定的修复规则,对图像中被污染或缺失的区域进行像素修补、填充。文章从目前常见的图像修复技术入手,分析比较传统的图像修复技术和基于深度学习的图像修复技术,结果认为基于深度学习的图像修复技术修复的图像在颜色和纹理等方面效果更好。     

基于图像修复的图像编码技术

数字图像修复技术是图像恢复领域的一个重要分支,它的目的是根据图像现有的信息来自动恢复丢失的信息,它可以用于旧照片中丢失信息的恢复、视频文字去除以及视频错误隐藏等。结合数字修复技术的图像压缩编码技术是基于对象的第二代图像编码中的研究热点之一。这里首先介绍了图像修复技术的概念,然后分类说明了几种常见的修复技术,在此基础上,得到了基于图像修复的压缩编码技术的基本处理流程,最后以具体算法为例说明了基于图像修复的压缩编码技术的压缩过程。     

基于渐进式特征推理的裂缝图像修复方法研究北大核心CSCD

图像修复是计算机图形学与计算机视觉中的研究热点之一。针对传统裂缝图像修复采用一次性补全修复方法并没有语义理解能力,当语义场景较为复杂且图像缺陷较大时修复效果不佳的问题,提出了一种基于渐进式特征推理的裂缝图像修复方法。该方法从孔洞边缘逐步修复图像,加强对孔洞中心的约束。首先通过计算掩膜占比确定修复比例,使用部分卷积更新掩膜,然后利用VGG-16网络进行特征提取,再使用语义注意力机制,生成高质量的图像特征,并采用跳跃连接方法,增强遥远距离的梯度相关性,为后续图像修复提供多尺度多层次的特征信息。最后,将递归生成的特征图进行融合解码生成修复图像。实验结果表明,与传统图像修复方法相比,本方法修复的裂缝图像峰值信噪比提升了0.5 dB—1.2 dB,产生语义明确的修复结果。     

一种基于Poisson方程的分离型图像修复方法

图像修复是一种恢复图像中损坏部分的技术,具有广泛的应用.基于采样复制的修复方法对纹理图像有较好的效果,但容易产生块效应,而且对结构信息的修复可能产生较大的偏差.本文提出了一种基于Poisson方程的分离型修复算法,首先将原图分解为结构图像和纹理图像两部分,然后根据其特件分别进行修复,叠加后得到最终的修复结果.对结构图像使用Laplacian算子强化结构信息,然后对Laplacian场进行修复并使用Poisson方程重建,可以同时保持锐利的区域边界以及平滑的区域背景.实验表明该方法可以有效改善修复的视觉效果,对大区域修复也有良好的表现.     

基于图像形态学激光模具裂纹修复技术研究

为了探究小功率激光模具自动修复技术,利用同轴视觉采集系统采集模具的裂纹图像,结合数字图像形态学细化处理识别裂纹位置信息,建立了数字图像处理流程,得到裂纹的轨迹信息,将裂纹轨迹信息矢量化后,经曲线拟合生成数控代码,导入到数控系统完成激光模具修复。裂纹图像经图像去噪增强、形态学细化等处理后,能够有效地得到裂纹中心线,将裂纹位图矢量化后转为DXF文件格式,通过CAM软件生成数控加工代码。结果表明,该方法加工精度达到0.0368mm,满足模具修复的精度要求;通过图像形态学细化处理技术可以实现激光模具自动修复。这对激光加工设备实现自动化和智能化提供了理论支持和技术基础。     

面向统计特性一致的深度图像修复方法

本文提出了一种改善深度修复图像统计特性一致性的方法。首先,分别采用非线性高通滤波残差及深度神经网络提取固有身份信号(intrinsic identity signal, IIS),发现深度修复图像和真实图像存在IIS统计特性差异,验证在不同来源图像和不同的深度修复算法的条件下统计特性不一致性是普遍存在的。其次,提出一个生成型卷积神经网络,优化修复区域,保证修复图像的视觉质量,使其与真实区域IIS统计特性保持一致。最后,通过在合理范围内对生成网络的部分参数进行随机扰动,生成具有模式多样性的图像,有效降低生成图像被识别来源的概率。通过对比真实图像、深度修复图像、生成图像的IIS统计特性,以及在取证检测器上的对抗检测实验,表明了本文方法的有效性。      

闪烁体缺陷引起的CT图像伪影修复

为了修复X射线投影图像中闪烁体缺陷引起的图像伪影,提高X射线投影图像的三维重构质量,结合X射线成像过程中闪烁体缺陷的结构特点,提出了一种改进的BSCB修复算法(IBSCB)。利用Kirsch算子对本底图像进行处理,获得标记出闪烁体缺陷像素的掩膜图像。进而对样品投影图像中相应的缺陷区域按照由外及内的顺序迭代进行修复和扩散,在对外层缺陷区域修复完成后,利用修复后的信息修复内部缺陷区域,并且根据周围缺陷像素的个数确定修复和扩散过程中的迭代系数和迭代次数;对于其中的修复过程,采用log算子滤波,并将滤波后的信息沿等照度线方向扩散实现图像修复。从主观视觉和客观数据两方面对BSCB和IBSCB修复算法进行评价。不同放大倍率下X射线投影图像的修复结果表明:IBSCB不但提高了修复质量,而且其修复速度也比BSCB算法提高了5~6倍。比较修复前后X射线投影图像的三维重构图像,进一步验证了本文算法的有效性。     

AI算法在视频修复运用中的应用

人类文明对于图像艺术产物的修复有着悠久的历史。早在文艺复兴时期,许多欧洲艺术家们为了修复损坏的画作等艺术品,就根据想象力以手工方式修复画作。随着科技的进步,人类社会进入了数字媒体时代,对于图像艺术的修复观念以数字媒体技术等现代技术手段广泛应用并取得了出色的成果。但相对于外国对AI等数字媒体技术研究的蓬勃发展,中国国内对于数字图像、视频的修复以及AI图像处理技术的研究起步较晚,仍有较大的发展和提高空间。     

数字图像修复技术在文物保护中的应用

当今信息化的时代,计算机技术的快速发展,极大的促进了社会的进步。文物保护在文艺复兴时期就已经开始,对文物进行修复对当时的修复工作者提出了巨大的技术要求,稍有疏忽便会造成巨大的损失。随着科学技术的进步,数字成像技术逐渐应用到文物保护当中来,许多有价值的文物因此得到保护。本文将重点论述数字图像修复技术在文物保护中的应用,针对数字图像修复文物虚拟图片的概念及意义进行讲述,同时为大家呈现运用数字图像修复技术保护文物的历史和方式方法,最后还将展现这一前沿科技在实际实践当中的运用,展示数字图像修复技术在文物保护当中的巨大作用。     

基于DBSCAN的图像分割算法研究

图像分割能将一幅数字图像分成多个的不同区域,是计算机视觉的主要研究领域之一。文中在系统性研究DBSCAN算法的基础上，提出了一种改进型DBSCAN图像分割方法。该方法首先计算图像中每个像素点的局部密度，然后通过寻找局部密度峰值点来确定核心点，同时将邻域内的像素点加入同一簇中，来处理不同密度区域和噪声点的影响。实验结果表明，该算法对参数敏感度较低，能有效处理不同密度区域和噪声点，相比标准DBSCAN图像分割方法，其在聚类正确率、精度和效率等方面的表现更优秀。     

基于深度学习的医疗图像分割综述

自2006年深度学习这一概念提出以来,各研究领域对于深度学习技术的研究热度一直高居不下。深度学习的出现,对计算机视觉领域的发展起到了重要推动作用。计算机视觉的主要研究任务是对图像、视频等进行目标的检测、识别以及分割等,目前已经广泛应用于医疗、金融和工业领域中。其中最常见的应用场景是医学图像处理。图像分割是医学图像处理任务中一个重要的研究方向,目前已经出现了很多图像分割方法,其中包含传统的分割方法和基于深度学习模型的分割方法。首先介绍了阈值分割法、区域生长法以及图割法等传统的图像分割方法;其次总结了FCN、U-Net、U-Net++、SegNet以及DeepLab系列的网络架构,并对其优缺点进行了分析;同时,着重阐述了图像分割方法在医疗图像处理中的应用;最后讨论了未来基于深度学习的医学图像分析将要面临的挑战和发展机遇。     

显著区域检测算法综述

检测视觉上显著的区域对于很多计算机视觉应用都是非常有帮助的,例如：内容保持的图像缩放,自适应的图像压缩和图像分割。显著区域检测成为视觉显著性检测领域的重要研究方向。文中介绍了显著区域检测算法的研究现状并分析了典型的显著区域检测方法。首先,将现有的显著区域检测算法进行了分类和分析。然后,在一个包含1000幅图像的公开数据集上对典型的显著区域检测算法进行了评测。最后对现有的显著区域检测算法进行了总结并展望了下一步发展方向。     

基于HALCON与图像拼接的文物修复系统设计与实现

设计了一种基于机器视觉软件MVTec HALCON与图像拼接技术的文物修复系统.该系统首先对图像进行去噪,分割等预处理,然后利用Harris算法进行角点检测提取特征点,接着检测出的角点经归一化互相关匹配后使用RANCAC算法剔除误匹配点实现初步拼接,最后用改进的加权融合方法进行图像融合并利用图像修复技术进行修复.针对采用的算法编制了相应的软件,并进行了拼接实验,结果表明该方法可以快速有效地对图像进行无缝拼接,精度高,可广泛应用到古字画等文物修复工作中。     

基于微分近似的图像修复

图像修复是对图像的破损区域进行填充,主要是利用待修复边缘信息对待修复区域进行填充。现有多数图像修复算法都非常复杂,而且难于实现。文中提出了一种基于微分近似、利用图像的空间连续性进行图像修复的算法。该算法实现简单,修补速度快,对小区域的修复效果较好。