基于纹理方向的图像修复算法

在使用基于样本的纹理合成技术的图像修复算法中,搜索纹理的匹配块时,利用纹理的方向特性,可以将搜索过程约束到沿着纹理的方向进行。在Criminisi A的算法基础上,加入了确定纹理方向过程,优化了纹理块的优先权和大小的计算方法。实验结果表明,该方法在处理强方向性的纹理图像的修复时有很好的效果,明显地提高了计算效率。     

基于图像结构和纹理的快速修复方法

传统的图像修复算法对纯结构或纯纹理图像有较好的修复效果.对于一幅既有结构又有大量纹理的图像,可先将图像分解为结构子图和纹理子图,再分别用不同的方法处理两子图,最后把处理后的子图合并,完成修复.对结构子图的处理常采用基于PDE的修复方法,该方法需要复杂的运算,其时间代价太大.为了提高效率,使用一种新方法,结合结构图像的特征,仅利用邻域的已知信息单次填充进行修复.试验对比表明,该方法有较好的修复效果,且大大缩短了修复时间.     

基于演化算法的纹理合成图像修复技术

针对Criminisi算法中计算待修复块优先级时存在的一些不足及搜索最佳匹配块效率低的问题,提出一种基于演化算法EA(Evolutionary Algorithm)的纹理合成图像修复技术。该算法首先从等照度线方向和梯度方向共同考虑待修复块的优先权,并根据梯度的变化来控制模板窗口的大小,然后提出用演化算法在待修复区域周围搜索最佳匹配块,最终达到快速准确修复图像的目的。仿真实验表明,提出的新算法与传统算法相比具有更快地收敛速度和更好地修复效果,其综合性能优于Criminisi算法。     

基于全变分和边界重构的纹理图像修复方法

在修复纹理图像时,将来自受损图像周边的像素或选出的纹理沿等照度线方向复制到受损区域内可能引起边界模糊。为解决上述问题,通过全变分将图像分解成骨架图和纹理图,用边界重建方法修复图像的骨架图部分,在修复的骨架图的导引下用纹理合成方法修复纹理图部分,使图像的纹理和结构得以同时修复。实验结果证明,该方法对具有复杂结构的纹理图像具有较好的修复结果。     

纹理分布分析的快速图像修复算法

目前基于样本块的图像修复算法均是运用平方差和(SSD)准则遍历固定的样本集以选取最优匹配块,算法普遍具有运算效率低的缺点。针对现有算法进行改进,提出一种基于图像纹理分布分析的快速图像修复算法,该算法根据局部纹理变化动态确定样本集大小,解决样本集过大时引起的计算时间浪费以及样本集过小时样本多样性不足的问题。实验结果证明,该算法保证修复结果连续且符合人眼视觉要求,大大提高了图像修复的效率,具有实际意义。     

方向性纹理图像的修复算法

自然图片和一些方向性纹理图像通常有污点或者希望去掉覆盖背景的一些目标,如果直接擦掉前景会留下一个“空洞”。针对这种强方向性纹理分布图像,提出一种修复算法去填充这些“空洞”。由于强方向性,算法通过在局部区域选择图像块以合成缺失的图像块。若缺失信息的图像块BT附近的为已知图像块BTN,沿着纹理/颜色分布的方向或者约束的方向搜索,可以找到与BTN最相似的块BSN,并用BSN附近的图像块BS去更新BT。在更新BT前,计算块与块之间边界的最小误差路径,以其为更新边界,以减小拼接的痕迹。最后文章给出了对不同的纹理图像修复的例子,以说明方法的有效性。     

纹理合成在图像修复中的应用研究

图像修复是数字图像处理领域中的主要研究方向,该文介绍纹理合成技术中的Criminisi算法,并针对其在利用边界点优先权调整修补次序过程中存在的问题,提出一种改进算法,该算法不仅可以有效改善图像的修复效果,还可以在数字图像上实现用背景替换较大的前景物。实验结果证明了其有效性。     

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。     

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.     

一种改进的基于纹理的图像修复算法

图像修复是数字图像处理领域重要的研究内容,该文针对Criminisi等人提出的基于纹理的图像修复算法的一些不足,提出一种改进算法,优化了纹理块优先权的计算方法,采用新的搜索匹配块方法和改进了匹配准则.实验结果表明,该算法具有良好的修复效果.     

基于结构和颜色信息的图像修复算法

研究图像修补问题,为了适应自然图像纹理信息的多样性,提高图像的修复质量,待修复图像的填充顺序和雎配准则极为重要.合适的填充顺序和匹配准则,对于待修复图像的修复质量具有重要意义.提出样图的纹理合成技术的图像修复算法,在Criminisi A的算法基础上,挺高待修复图像中已知像素的权重,加入颜色信息,并采用新的匹配搜索方法和自定义的结构-距离权重匹配准则对相似块进行匹配.通过仿真证明.改进方法对大面积的图像缺失的修复和多余物体的去除都有很好的效果,提高了修复质量,加速修补速度.     

紧密系数耦合非线性结构张量的图像修复算法

为了解决当前基于PDE技术的图像修复算法采取了各向同性扩散,且没有考虑到损坏区域周边参考点的影响,使其修复图像存在不连续边缘与纹理模糊,降低了其视觉质量等不足,本文设计了紧密度系数耦合非线性各向异性扩散结构张量的图像修复算法。基于完好像素点与受损点之间的距离,构造紧密度系数计算模型;基于 技术,将结构张量嵌入其中,构造新的扩散速度模型,使其只沿着等照度曲线方向扩散,将从损坏图像中提取的掩码信息传播至受损区域,完成图像修复。仿真结果显示：与基于PDE技术的图像修复机制相比,本文算法具有更佳的修复质量,较好地保持了图像细节信息,无模糊效应;且修复图像的PSNR值最高。     

基于MRF模型的图像修复算法

基于马尔可夫随机场(MRF)模型,提出一种直接采样的图像修复方法.通过优先权机制来决定边界像素的修复次序,充分顾及到图像的边缘结构信息,同时能够恢复纹理细节,避免了模糊效应.实验证明该算法具有很好的修复效果.     

基于结构字典的图像修复算法

随着稀疏表示理论的日渐完善,利用信号的稀疏性对图像进行修复得到广泛应用。本文针对传统的字典仅是一种无结构的扁平的原子的集合,没有充分利用原子之间相关性的问题,提出基于结构字典的图像修复算法。实验结果表明了该算法的有效性。基于结构字典的图像修复算法不仅可以训练字典更紧致地完成图像修复任务,而且训练得到的字典具有平移不变性、尺度灵活性等优点。     

特征向量一维化的图像修复算法

图像修复是指对图像中的缺损部分进行自动修复.图像结构特征向量一维化的图像修复算法,将图像转换为一维图像结构特征向量后,构建图像结构特征空间,然后在该特征空间内寻找一组与每一个含有缺损部分的图像区域高度相似的特征向量,并利用这组特征向量在特征空间内定义一子空间,最后基于该特征子空间修复缺损像素.试验表明,经过图像的一维化后,增加了特征向量的数量,从而能够更加准确地修复缺损区域.     

基于生成对抗网络的图像修复算法

为解决当前基于生成对抗网络的深度学习网络模型在面对较复杂的特征时存在伪影、纹理细节退化等现象, 造成视觉上的欠缺问题, 提出了连贯语义注意力机制与生成对抗网络相结合的图像修复改进算法. 首先, 生成器使用两阶段修复方法, 用门控卷积替代生成对抗网络的普通卷积, 引入残差块解决梯度消失问题, 同时引入连贯语义注意力机制提升生成器对图像中重要信息和结构的关注度; 其次, 判别器使用马尔可夫判别器, 强化网络的判别效果, 将生成器输出结果进行反卷积操作得到最终修复后的图片. 通过修复结果以及图像质量评价指标与基线算法进行对比, 实验结果表明, 该算法对缺失部分进行了更好地预测, 修复效果有了更好的提升.