基于样例的图像修复改进算法

基于样例的图像修复算法在修复强结构纹理图像时存在结构不连续现象。针对该问题,提出一种基于样例的图像修复改进算法。在计算数据项时引入结构张量,实现各向异性线性结构的优先级,以决定目标区域修复的先后顺序,使用置信度项和数据项加权和的方式计算优先级。实验结果证明,改进算法对强结构纹理图像的修复效果较优。     

基于随机映射的快速图像修复算法

传统基于样本块的图像修复方法是在图像全局区域内循环搜索最优相似块,且结构传播过程易受置信因子影响,使得算法运算量大、时间长、效率低。针对以上问题,提出基于随机映射的修复算法。该算法采用随机映射的方法搜索与待修复区域在结构和纹理相似的样本区域,去除冗余的样本搜索空间;其次优化了基于置信因子和边缘信息的优先级计算方法,改进了最优相似块的计算方法,增强了图像结构传播的正确性。实验结果表明,该方法的修复速度比传统方法提高了5~10倍,且增强了图像修复效果。     

基于大位移视点图像的单帧图像修复

提出一种基于大位移视点图像的单帧图像修复算法,利用大位移视点图像中的可见信息修补目标图像中的被遮挡或信息丢失区域.算法的关键在于如何转化大位移视点图像的可见信息为可用信息,以及如何利用得到的可用信息来有效地修补目标图像.在交互指定待修复的目标区域后,算法首先将所有图像分割为不同的平面场景区域,并基于图像匹配将大位移视点图像中的平面场景区域变换到当前视点.因此,其中的可见信息就可被直接使用.进而通过定义合适的修复和融合优先级函数,提出基于纹理合成和图像融合的图像修复算法,利用获得的可用信息来修补目标区域.修复区域和目标图像之间的鬼影现象使用Poisson图像融合算法来消除,以达到无缝的修复结果.实验结果表明,该算法能够修复较大的丢失信息区域中的结构和纹理信息,具有一定的实用价值.     

一种基于样本纹理的图像修复算法研究

传统的基于样本纹理的图像修复算法也存在一定的问题,对于待修复区域周围比较平滑时,样本块之间的相似性非常大,如果仍采用全图遍历,会增加系统的开销,如果降低匹配范围,对于纹理结构比较复杂的破损区域,会造成匹配样本的多样性减少。在该文中,提出一种新的基于样本纹理的数字图像修复算法,该算法的原理是依据破损区域边缘纹理结构的复杂性,动态的选择匹配样本区域,该方法能够弥补全区域检索带来的系统开销问题,还能够较好的保持待修复区域的纹理信息。通过实验表明,该算法具有较好的修复效果。     

基于统计及结构稀疏特性的图像修复算法

目前普遍使用的基于等照度线的优先权图像修复算法,不能快速准确地确定待修复图像的结构位置。提出利用破损区域边缘图像块的灰度均值直方图,快速准确定位结构点的位置,优先修复结构区域后,实现纹理区域修复,获得很好的修复结果。该算法与传统算法相比,不必计算每个边缘图像块的优先级,直接利用统计信息获得结构点的位置,比传统算法更准确获取结构点位置。算法的计算效率和修复效果都有了很大提升。     

一种改进的基于样本的图像修复方法

分析了Criminisi等人提出的基于样本的图像修复算法,针对其在计算修复块优先级时存在的一些不足,提出一种改进的基于样本的图像修复方法,通过基于TV模型的分解算法将待修复图像分解为结构图像和纹理图像,利用结构图像来计算修复块的优先级,使得优先级的计算更加准确。实验结果表明该方法对图像结构边缘的修复有明显的改善。     

参照四邻域裁剪样本的图像修复算法

针对结构纹理信息较复杂、破损尺度较大的图像修复问题,提出一种既能保持图像特征又能提高修复速度的参照四邻域裁剪样本的修复算法,将图像修复问题转化为最佳样本的检索过程。首先,提取图像结构信息,并对图像进行区域划分以缩小样本的裁剪与检索范围;其次,为了改进离差平方和（SSD）方法对块的结构信息匹配的忽视,在像素块匹配计算中引入结构对称匹配约束,有效避免了误匹配,提高了图像块匹配精度及样本搜索效率;然后,通过引入结构因子和置信度,结合传统的优先权计算,得到突出结构作用的优先级公式;最后,利用目标块与四邻域块间的重叠区域计算四邻域参照优先级,并根据四邻域提供的可靠参照信息,依据改进的块匹配方法裁剪样本集并检索最佳样本块,直至所有目标块都检索匹配到最佳样本,完成修复。实验结果表明,该算法可以很好地解决纹理模糊和结构错位等问题,在提高图像修复速度的同时,所提算法修复效果的峰值信噪比（PSNR）比其他对比算法平均提高了0.5~1 dB,使得修复后的图像更好地满足视觉连通性,同时能高效地修复一般区域,具有更好的普适性。     

面向图像修复的域相似算法

基于偏微分方程（PDE）的图像修复和基于纹理合成的图像修复是目前数字图像修复中的重要方法,虽然均能较好地修复图像,但是修复的效率较低。提出了一种采用域相似修复图像的新算法,先对待修复区域边界上的所有待修复点计算优先级,然后按照优先级从大到小的顺序修复图像;该算法以像素点邻域的相似来衡量两个像素点相似的程度,充分考虑了待修复像素的邻域中已知信息对该像素的影响。仿真实验结果表明,该算法不仅能较好地修复图像,而且在同等修复区域和修复效果的条件下具有更高的修复效率。     

基于显著结构重构与纹理合成的图像修复算法

文章结合结构修复算法及纹理修复算法各自的优点,并考虑显著结构对 图像修复的巨大影响,提出结合显著结构重构与纹理合成的图像修复算法。算法先利用形态 学算子剥离待修复图像中细小结构与大块区域;然后利用快速结构修复算法对图像进行处 理;再利用插值对待修复图像进行显著结构重构;最后利用基于改进优先级的加权匹配图像 修复算法进行后续修复。实验结果表明,对既有显著结构同时又包含丰富纹理的待修复图像, 与传统算法相比,本文的算法不但有更好的修复效果,而且耗时更少。     

基于D-S证据理论的图像修复算法

图像的修复质量容易受到待修复区域边界上修复顺序的影响。针对该问题,提出一种基于D-S证据理论的图像修复算法。通过分析待修复区域像素点所在模块周围的图像特征,考虑图像修复优先级计算中纹理特征和结构特征各自所占的比重问题,采用D-S证据理论改进修复算法的优先级计算。实验结果表明,该算法能有效提高图像的修复效果。     

基于GPU的八叉树结构纹理研究与应用

八叉树结构纹理的应用很好地解决了复杂模型表面2D纹理映射的不足,GPU的高速发展,为八叉树结构纹理在GPU上的现实提供了解决方案。本文将八叉树结构纹理编码为2D纹理,并以节点的广度优先遍历方式在GPU上进行存储,在片段程序访问时提出一种自顶向下的查找方法。实验证明,本文方法取得了准确的纹理映射效果并提高了效率。该方法可以应用于任何需要在复杂物体表面上存储信息的情况。     

基于边缘先验融合动态门控特征的人脸图像修复

为解决现有人脸图像修复算法因无法提取动态特征和缺乏边缘先验信息导致修复大区域不规则破损时纹理模糊和结构扭曲问题,提出了基于边缘先验融合动态门控特征的人脸图像修复算法。首先,设计动态门控卷积模块动态提取破损区域特征,关联已知区域和缺失区域的有效特征,提升纹理细腻度;然后,设计动态门控边缘增强网络和U型编码纹理修复网络,边缘增加网络旨在获取边缘轮廓信息,为U型编码纹理修复网络提供结构先验约束;U型编码纹理修复网络采用UNet++网络融合多层特征以保证人脸修复图像结构和纹理一致性;最后,通过消融实验证明UNet++网络的有效性和通用性,并剪枝U型网络以选取适宜的人脸图像模型表征层进行缺失区域纹理重建,在CelebA-HQ人脸数据集上进行实验评估。实验结果表明：相较于主流算法,所提方法在SSIM上平均提升3.87%,PSNR平均提升3.79 dB,FID平均下降16.54%,能有效修复大区域不规则缺失面积,生成纹理清晰、结构合理的图像。     

一种改进的基于样本块的目标移除方法

图像修补的目的是对指定的区域进行修补,填补该区域的信息,并且要求最终图像的原有区域与填补区域间的过渡自然,尽量减少人工痕迹。Criminisi曾提出一种基于样本块的图像修补方法,这种方法不仅适用于对数字图像中的大面积破损区域进行修补,而且可以用于移除图像中不想要的目标物。对Criminisi的方法进行改进,在计算优先权时增加多个已知像素的梯度信息,并且用加法代替乘法防止了快速衰减,对于一些比较特殊的图像,通过改变修补顺序提高修补效果。大量实验结果表明,与Crimini-si的方法相比,该方法能够取得更好的视觉效果。     

结合分水岭的纹理梯度各向异性图像分割

目的 目前,许多图像分割算法对含有丰富纹理信息的图像的分割效果并不理想,尤其是在不同纹理的边缘信息的保持方面。为了解决这一问题,提出一种基于连续纹理梯度信息的各向异性图像分割算法。方法 在分水岭算法的基础上,引入纹理梯度各向异性算法,能够在避免纹理信息影响分割效果的前提下,最大限度地保证纹理边缘信息的完整。针对纹理特征数据敏感的特性,本文将离散的图像高度信息映射到连续的纹理梯度空间,能够有效减少由细小差异造成的过分割现象。结果 本文方法在BSD500 Dataset和Stanford Background Dataset中选择了大量的纹理信息丰富的图片与最新的分割算法进行了实验与对比。本文方法在分割效果（降低过分割现象）、保持边缘信息和分割准确率等方面均获得明显改进,并在图像分割的平均准确率方面与最新算法进行比较发现,本文算法的平均分割准确率达到90.9%,明显超过了其他最新算法,验证了本文方法的有效性。结论 本文提出的基于分水岭的纹理梯度各向异性算法对纹理图像的分割具有保边和准确的特点,采用连续梯度空间的方法能够有效地减少传统分水岭算法的过分割现象。本文方法主要适用于纹理信息丰富（自然纹理和人工纹理）的图片。     

基于聚类分割和纹理合成的图像修复改进算法

Criminisi提出的基于样本的图像修复技术需要在整幅图像中遍历样本,代价太大,并可能因选择错误的样本,不断迭代更新后而导致错误信息累积,使修复结果出现较大的偏差。同时,考虑到Criminisi算法中优先权函数的计算失误可能导致修复结果中出现结构失真,由此提出一种基于聚类分割和纹理合成的图像修复改进算法,将目标样本块的搜索限定在与源样本块所覆盖的类别一致的区域当中。在像素点优先权计算中,引入该像素点邻域灰度梯度差值信息,提出更为合理的优先权计算公式,以最大限度保证复杂场景中边缘优先传递,并在置信度更新项中有差别地对待新填充像素点。通过实验证明,改进算法不仅解决了Criminisi算法可能存在的结构偏差延续问题,修复视觉效果更加符合人们的主观感受,而且大大缩短了修复时间。     

小波变换与纹理合成相结合的图像修复

目的 为了克服传统的图像修复算法在结构和纹理边界的错误修复,利用小波变换域的系数特征,探讨了一种基于小波变换与纹理合成相结合的修复算法。方法 算法先利用小波变换将待修复图像分解成具有不同分辨率的低频子图和高频子图,然后根据不同子图各自的特征分别进行修复。对代表图像结构信息的低频子图,采用FMM(fast marching method)算法进行修复;对代表图像纹理信息的高频子图,根据各子图中小波系数的特征,利用纹理合成方法进行修复。结果 分层、分类修复方法对边缘破损具有良好的修复效果,其峰值信噪比相比于传统算法提高了1~2 dB。结论 与相关算法相比,本文算法的综合修复能力较好,可以有效修复具有较强边缘和丰富纹理的破损图像,尤其对破损自然图像的修复,修复后图像质量得到较大提升,修复效果更符合人眼视觉效应。     

破损区域分块划分的图像修复

目的： 提出一个算法,使计算机能够自动修复破损区域较大且结构信息较复杂的图像。 方法： 本研究通过模仿手工修复破损区域较大且结构信息较复杂的图像的方法,按如下2个步骤来修复图像：1) 破损区域的划分,首先,对各断裂边界线进行匹配配对。然后,将已配对的各断裂边界线进行直接连接,从而在破损区域内形成各个待修复块。2) 各块的修复,首先,采用BSCB算法中的传输方程和扩散方程将已选邻域信息迭代传输和扩散到各块破损区域,以修复完优先级最大的各个块。然后,判断是否有次优先级的待修复块,若有,则采用边界线删除算法删除部分冗余边界线,接着按相同方法修复次优先级的待修复块;若无,则修复完成。 结果： 基于以上图像修复步骤,提出了破损区域分块划分的图像修复算法。将提出的该算法和其它3个算法用于修复破损区域较大且结构信息较复杂的图像,其结果显示,该算法所修复图像的PSNR值平均提高1.49db,同时,所修复图像具有较好的视觉效果。 结论： 和其它3个算法相比,提出的破损区域分块划分的图像修复算法更适合于修复破损区域较大且结构信息较复杂的图像。     

结构张量的改进Criminisi修复

目的 针对传统基于样本块的图像修复算法中仅利用图像的梯度信息和颜色信息来修复破损区域时,容易产生错误填充块的问题,本文在Criminisi算法的基础上,利用结构张量特性,提出了一种改进的基于结构张量的彩色图像修复算法。方法 首先利用结构张量的特征值定义新的数据项,以确保图像的结构信息能够更加准确地传播;然后利用该数据项构成新的优先权函数,使得图像的填充顺序更加精准;最后利用结构张量的平均相干性来自适应选择样本块大小,以克服结构不连续和错误延伸的缺点;同时在匹配准则中,利用结构张量特征值来增加约束条件,以减少错误匹配率。结果 实验结果表明,改进算法的修复效果较理想,在主观视觉上有明显的提升,其修复结果的峰值信噪比（PSNR）和结构相似度（SSIM）都有所提高;与传统Criminisi算法相比,其峰值信噪比提高了1~3 dB。结论 本文算法利用结构张量的特性实现了对不同结构特征的彩色破损图像的修复,对复杂的线性结构和纹理区域都有较理想的修复,有效地保持了图像边缘结构的平滑性,而且对大物体的移除和文字去除也有较好的修复效果。