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。     

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。     

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。     

基于纹理和结构的图像修复算法研究

图像修复是一种修复图像中破坏部分的技术,具有广泛的应用。传统的图像修复算法对于纯结构或纯纹理图像有较好的修复效果,对于既有结构又有大量纹理的图像,可以先将图像分为结构子图和纹理子图,再分别用不同的方法处理两个子图。算法结合了Poisson方程和块纹理合成的思想,首先将原图分解成结构子图和纹理子图两部分,然后根据两个子图各自的特征分别进行修复。对于结构子图像,采用基于Possion方程的方法进行修复,对于纹理子图,采用纹理块合成方法进行修复。实验证明,该算法具有良好的修复效果。     

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。     

基于区域分割和样本信息的图像修复算法

本文提出了一种通过区域分割和样本信息的图像修复算法,该修复算法是迭代的搜索原域和利用原域中最相似的修补块来填充目标域。首先采用区域分割的方法对图像中目标域进行区域划分,确定不同的目标域的修补区域,从而减少对整个原域的搜索;然后利用修补区域中的样本信息选择修补块大小;最后对图像进行修复。实验结果表明,该算法是有效的,从视觉修复效果较其他算法有了显著提高。     

一种基于颜色区域分割的图像修复算法

现有的基于样本块纹理合成的数字图像修复技术在全局式搜索样本匹配块时可能选择错误的匹配块,导致繁衍错误信息而使修复结果不理想。该文提出一种基于颜色区域分割的图像修复方法,其目标匹配块的搜索限定在源样本块所覆盖的颜色区域中。实验结果表明这是一种更健壮、视觉效果更理想的修复算法,可以有效修复各种破损情况,尤其是具有复杂背景的较大区域填充。     

采用顺序修复的样本例图像修复算法

本文提出了一种采用顺序修复的样本例图像修复算法,该方法在原Criminisi经典图像修复算法的基础上对修复顺序进行新的尝试.原Criminisi经典算法的修复顺序通过计算优先级得出,随着修复的深入优先级逐渐趋近于0,导致算法失去作用.为解决该问题,本文采用顺序修复的方法来代替优先级决定顺序,避免出现算法失去作用的情况;同时本文提出的“倒L”型样本模板来增强结构的传播能力、提高匹配的正确率.实验结果证明,本文的修复算法相对Criminisi算法具有优势并取得很好的修复结果.     

基于纹理特征的自适应图像修复算法

为了解决基于样本图像修复算法对纹理部分的修复易产生误差累计的问题,提高图像修复的准确性,对优先值计算公式进行了修正,通过引入调节因子α调整填充边缘优先级顺序,使算法在修复过程中对图像纹理细节的部分较为敏感;利用图像的小波系数估计图像的平均细节能量值,自适应地调节α因子,从而实现对不同纹理程度的图像自适当地调整修复策略,并通过实验证明了算法的有效性。     

基于样本块的图像修复改进算法

Criminisi等人曾提出一种基于样本块的图像修复算法,将其算法中优先权的确定进行了改进,通过引入调节因子[α]调整填充边缘优先级顺序,使算法在修复过程中对图像纹理细节的部分较为敏感;同时将优先权公式由相乘改成相加,防止快速衰减,提高修复效果,并从实验证明了算法的有效性。     

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。     

基于修复顺序的图像修复算法

提出一个用于图像修复的算法。首先计算修复前沿每个待修复小片的优先级,然后优先修复具有最高优先级的小片。优先级计算方法能体现每个小片具有的结构信息以及已有颜色的可信度,使得基于小片的纹理综合方法有序进行,同时修复目标区域中的纹理和结构信息。用户选择一个目标区域后,算法就根据选择区域周围的信息自动地修复目标区域。实验证明该算法不仅快速且修复的效果非常好,且目标区域较大时也能达到很好效果。     

一种基于图像平均灰度值的快速图像修复算法

基于纹理合成的图像修复技术用于修复大面积破损区域,目前此类算法都存在时间复杂度高的缺点。针对纹理算法的匹配技术进行改进,提出了一种基于图像平均灰度值的快速图像匹配算法。该算法在匹配之前预先计算纹理块的平均灰度值以及分割后的纹理块的局部平均灰度值,以取代计算复杂的匹配项SSD（sum of squared differences）;匹配过程只需对平均灰度值进行快速比较,结合阈值控制筛选掉大部分候选纹理块。实验结果表明,该算法在不损害图像修复质量的同时,将纹理修复的效率提高到实时水平。同时在纹理合成和纹理修复中具有普遍的适用性。     

一种基于样例的快速图像修复算法

在研究Criminisi等人的基于样例的修复算法基础上,提出了一种快速修复算法.该算法采用梯度数据项连同置信度确定填充顺序,使得优先权的计算更加准确;并采用局部窗口搜索的策略,加快了修复速度;最后利用颜色和梯度共同决定相似性,使得修复后的图像具有更好的视觉效果.大量实验结果表明,该算法不仅能够快速有效地修复受损图像,而且能够很好地保持受损区域的纹理和结构.     

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.     

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。     

一种改进的基于样例的图像修复算法

经典的Criminisi图像修复算法,通过结合偏微分方程算法和纹理合成算法两者的优点,对图像的纹理和结构同时进行修复,获得了较好的视觉效果。但基于样例的图像修复算法在定义优先权时仅考虑了置信度和数据项,导致错误信息的繁衍,使修复结果不理想。在Criminisi算法基础上,提出一种改进的基于样例的图像修复方法。通过重新定义修复块的优先权,增加一种度量图像平滑性的几何量,同时增加最佳匹配块的限制条件,从而使修复后的图像获得了更好的视觉效果。     

自适应样本块大小的图像修复方法

传统基于样本块的图像修复算法中样本块大小是固定不变的,在修复过程中无法根据图像的具体情况进行调节,这在很大程度上影响了图像的整体修复效果。为了解决这一问题,提出一种自适应确定样本块大小的方法。该算法通过分析图像的梯度域变化,获得各像素点处的结构信息,进而自适应确定待修复样本块的大小。仿真实验结果表明,该算法能够有效克服传统方法中经常出现的诸如结构误传播、图像整体结构丢失等缺点,对具有明显结构变化的图像取得了比较理想的修复效果。     

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.