图像动态修复（精选7篇）
图像动态修复 篇1
随着计算机技术与理论的蓬勃发展, 图像修复在诸多领域内得到广泛应用, 已成为当前的研究热点[1]。为了取得良好的修复视觉效果, 诸多学者进行了研究, 并提出了许多不同的图像修复算法, 主要包括基于PDE (partial different equations) 算法与基于卷积滤波器算法[2]。如印勇等人[3]基于传统的CDD模型, 引入不同曲率对应的自适应系数, 设计了一种自适应图像修复算法, 并测试其算法性能, 实验结果表明其算法具有良好的修复视觉效果。邓承志等人[4]以稀疏性视为正则化, 同时引入变量分裂法, 利用Lagrange技术进行拟合, 设计了保留结构特征的稀疏性正则化图像修复算法, 并从峰值信噪比、视觉效果等方面测试了其算法的优越性, 结果表明其算法具有更优异的修复性能, 视觉效果好。韩志科等人[5]以方向场为扩散方向, 使得灰度信息沿着表征脊线方向传播到修复区域, 设计了基于方向场的指纹图像偏微分方程修补模型来解决传统指纹修复算法的不足, 最后测试其算法的修复性能, 结果显示该算法能够获得视觉效果更好的指纹修复效果。
上述修复算法都属于PDE (partial different equations) 算法, 尽管这些修复机制能够取得较好的视觉效果;但是这些算法不稳定, 且对于大面积损坏图像, 这些算法就难以使用, 修复质量较差, 存在明显的模糊效应与块效应。
秦绪佳等人[6]通过设定扩散方向, 并对每个待修复像素关联一个置信度, 根据修复顺序, 从高到低进行赋值, 设计了改进的规范化卷积图像修复算法, 并通过实验验证其算法的合理性, 实验数据表明其算法可实现图像连续块状区域信息缺失的修复, 且修复效果良好。Noori等人[7]设计空间变异内核, 通过相邻像素进行双边滤波来估算丢失区域像素值, 提出了基于双边滤波的图像修复算法, 实验结果表明其算法具有良好的图像修复性能。
基于卷积滤波器算法的图像修复机制, 虽然具有更好的修复效果, 视觉满意度高;但是这种无法用于高对比度边缘和高频分量的大面积损坏图像的修复。
为了解决当前图像修复算法存在的上述不足, 引入K-SVD算法和拉格朗日乘数机制, 构造最优字典矩阵, 优化稀疏表示, 以重构图像损坏区域;并设计结构相似度索引, 估算稀疏表示系数, 并动态更新字典矩阵;且建立了图像块先验模型, 完成图像的动态修复。并借助仿真技术测试本文机制与其他几种算法的修复性能。
1 稀疏表示
给定一个超完备字典D=|d1, d2, …, dv|∈Rn×v。其中, di;i∈{1, 2, …, v}代表D的初始信号原子;n, v分别代表D的行与列。目标信号y∈Ra (a为空间维数) 代表di的稀疏线性组合
式中, D代表超完备字典;x代表矢量, 它包含了信号y的表示系数;‖·‖p代表lp范数, 取p=1;β为设定阈值。
如果a<v, 且D为满秩矩阵, 那么上述的稀疏线性组合有无限多个解。故引入一个新的边界条件, 通过求解模型式 (3) , 获取解。
式 (3) 中, ‖·‖pq代表lpq范数;p, q∈[0, 1]均为范数参量;F代表限制因子, 决定了信号的稀疏性;β为设定阈值;‖x‖0代表矢量x中非零元素的个数。
令p=1, q=1, 则模型式 (3) 为
模型式 (4) 代表x中的非零元素F条件下的最优表示系数向量x的最小距离‖y-Dx‖。通过限制式 (4) 中‖x‖0的值, 能求解出式 (1) 的最终值, 见图1。
再给定一个信号矢量zi (i=1, 2, 3, …, N) 集合, 那么存在一个字典矩阵D, 可提供稀疏模型xi的值。引用KSVD算法[8]来求解最优字典矩阵D和系数矢量zi (i=1, 2, 3, …, N)
式 (5) 中, X={x1, x2, x3, …, xN}代表向量x的集合;Z={z1, z2, z3, …, zN}代表系数矢量zi的集合;‖·‖S代表Frobenius范数;I代表图像修复区域;Ω代表有效信息范围。
基于正则转换思想, 将模型 (5) 演变为
式 (6) 中, α为正则因子。
根据模型式 (6) 可得到最优字典矩阵D以及在xi中的非零元素为F条件下的最优表示系数向量xi的最小距离总和∑‖zi-Dxi‖, 见图2。
2 结构相似度索引
结构相似度索引反映了两个信号矢量y1与y2之间的相似程度, 能够直接体现修复效果。结构相似度索引如下
式 (7) 中, SSIM (y1, y2) 代表y1与y2之间的相似度;l (y1, y2) 代表y1与y2的相对均值;d (y1, y2) 代表y1与y2的相对方差;μ (y1, y2) 为y1与y2的相似度测量因子;α>0, λ>0, δ>0均为经验常数, 取α=1, λ=1, δ=1。
因此, 根据模型式 (3) 可知, SSIM (y1, y2) 可以从信号矢量的亮度, 对比度以及结构成分来获取;且l (y1, y2) , d (y1, y2) , μ (y1, y2) 是非常接近人类视觉系统的。l (y1, y2) , d (y1, y2) , μ (y1, y2) 的计算模型分别如下。
式中, ηy1、ηy2分别代表y1、y2的均值;σy1、σy2分别代表y1、y2的方差;σy1, y2代表y1与y2之间的交叉协方差;C1、C2、C3均为常量, 本文取C1=2.55, C2=7.65, , 以克服系统不稳定性。
依据模型式 (8) ~模型式 (10) , 可得
SSIM (y1, y2) 可以提高图像修复质量。SSIM (y1, y2) 是依据人类视觉系统的显著特征来设计的, 依据模型式 (7) ~式 (11) SSIM (y1, y2) 与亮度、对比度掩模以及互相关性有着密切联系。模型式 (8) 与Webers定律一致, 使得SSIM (y1, y2) 对人类视觉系统的相对亮度有着强烈的敏感性。模型式 (9) 具有较好的对比度掩模特性, 使得SSIM (y1, y2) 相对于对比度变化, 不敏感。模型式 (10) 所显示的相对结构是在减去亮度以及对比度正常化之后才计算的。这也说明可以依据人类视觉系统的敏感度来使用SSIM (y1, y2) 修复图像。
为了更好的修复图像, 使得修复机制能够动态更新, 将SSIM (y1, y2) 嵌入到最优稀疏表示中, 估算稀疏表示系数;并设计原子动态更新机制来更新字典矩阵, 提出了图像动态修复机制。
3 基于结构相似度索引与最优稀疏表示的图像动态修复机制
动态图像修复机制见图3。从图中可知, 设计的图像动态修复机制包括两个步骤: (1) 字典矩阵的生成; (2) 缺失区域的修复。
3.1 字典矩阵的生成
字典矩阵的生成是依据目标图像的已知块fi (i=1, 2, …, N) , 其中N代表已知块的数量, 且每个块的尺寸为s×q个像素。再基于结构相似度索引SSIM (y1, y2) , 获取最优字典矩阵。
(1) 从目标图像中以相同的间距裁剪无损坏已知块fi (i=1, 2, …, N) , 意味着每个字典矩阵是从已知部分中提取的。
(2) 对于每个块fi, 定义一个矢量yi∈Rsq。利用一个包含K个初始原子di (i=1, 2, …, K) 的D∈Rsq×K, 则每个矢量yi可表示为di的稀疏线性组合
式中, yi代表矢量;D为满秩矩阵;θ为固定设置值;矢量xi∈RK包含了yi的表示系数。
(3) 若s×q<K, 且D∈Rsq×K未满秩矩阵, 则稀疏表示问题的解有无穷多个。则基于SSIM (y1, y2) , 模型式 (3) 演变为
根据模型式 (14) 可知, 在xi中的非零元素为F的约束条件下, xi的最优矢量可通过最小化yi与Dxi之间的SSIM来获得。则通过求解模型式 (15) , 可得到最优的表示系数
依据模型式 (15) , 在xi中的非零元素为F的约束条件下, 可通过最小化所有yi的近似性能来计算字典矩阵。
(4) 引入K-SVD算法[9], 求解最优字典矩阵。
3.1.1 最优矢量的计算
固定字典矩阵D, 求解每个yi的最优矢量。在本次最优求解中, 择取F个最优原子以构建基于SSIM索引的线性组合。对于每个yi (i=1, 2, …, N) , 首先所搜一个可提供最优拟合的一个原子;再向已择取原子中添加另外的原子, 计算基于SSIM的线性组合逼近值yi;然后基于已择取的原子, 利用最优原子最小化SSIM索引。通过迭代上述过程F次, 就可获得F个最优原子。详细描述如下
对于每个yi对应的第h个最优原子, 其矢量定义如下:
然后嵌入结构相似度索引SSIM, 求解最优矢量:
综合式 (21) ~式 (23) 可知, 最终的SSIM是一个非凸集函数, 很难获取它的最优值。故本文固定的均值, 对其进行简化。
令为固定限制因子。则整个最优求解简化为
式 (24) 中的所有参数物理意义与式 (19) ~式 (23) 相同。
因此, 整个最优问题只需在范围内找出最高结构相似度索引。
为了快速求解, 引入拉格朗日乘数机制[9]
式 (25) 中, 的偏导数;τ为拟合因子;ε为常数;其余参数物理意义与式 (19) ~式 (23) 相同。
3.1.2 字典矩阵D的动态更新
根据上述得到的最优矢量, 来动态更新字典矩阵D。通过求解如下函数, 来更新D的原子dj:
式 (26) 中, xi (j) 为矢量xi中的第j个元素。
dj的动态更新算法如下:
(1) 选择一个初始信号原子dj (j=1, 2, …, K) ;
(2) 迭代如下函数, 更新dj:
(3) 根据步骤 (2) 得到的新原子来替代初始原子, 则得到一个更新的字典矩阵D;
(4) 重复步骤 (1) ~步骤 (3) , 替代D中所有的原子d1, d2, …, dK, 得到个全新的字典矩阵。
3.2 损坏图像修复
根据上述步骤得到的更细字典矩阵中的原子的稀疏线性表示组合以及结构相似度索引, 来修复图像缺失信息。将结构相似度索引视为逼近性能;然后最大化结构相似度索引, 得到最优重构图像。
本文机制最终目的是估算已知块fi的未知矢量y的稀疏线性表示组合
式中, E∈Rsq×NΩ为对角线元素全为0的矩阵;y*为提取y的强度矢量。NΩ为已知块fi中的已知像素的最大数量;Ω为损坏区域。
为了求解模型式 (28) 的最优值;通过求解模型式 (30) , 来从字典矩阵D中选择F个最优原子:
式 (30) 中, α为未知矢量y的拟合稀疏表示矢量;α为α的最优值;‖α‖0为矢量α中非零元素的个数。
依据本文3.1.1小节的方法, 可以得到其最优解, 继而重新得到一个新的字典矩阵D。依据新字典矩阵D, 联合模型式 (29) , 可得
式中, ηy代表未知矢量y的均值;D为新字典矩阵;y, α分别为y与α的最优值;ηDα代表D与α的均值;σy, Da为y与Dα的交叉协方差;σy2, σ2Da分别为y与Dα的方差;C1, C2均为常数, 见模型式 (8) ~式 (10) 。
可见, 在边界条件Ey=y*下, 依据获取公式 (32) 的最大值, 可估算出y, α。最后根据y, α, 输出损坏区域Ω的估算强度, 完成图像修复。
为了实现图像修复, 首先需要确定沿前景填充区域Ω中的块的顺序, 将这种顺序称之为“图像块先验”。假设在目标图像中的损坏区域中, 给定其填充区域的像素ϕ的一个已知块fϕ, 则其块先验p (ϕ)
式 (33) 中, p (ϕ) 代表像素ϕ的块先验;ϕ代表图像像素;I代表修复图像的所有区域;ϕ为图像损坏区域;area (fp) =s×q代表已知块fϕ中像素数量;Imax为归一化因子, 对于灰度图像, Imax=255;代表像素为p对应的照度线;nϕ为正交单位矢量;C (p) C (q) 分别代表fϕ中任意一个块p、q对应的置信度;D (p) 为块p对应的数据度。
由于置信度表征着已知块fϕ内像素的平均可靠性。因此, 若fϕ包含着许多的已知强度, 那么置信度更高。在图像修复后, 重构图像像素的可靠性要高于损坏区域, 而低于原始图像。而数据度是前景填充区域内的照度线强度的函数, 见图4所示。因此, 通过计算与nφ, 可重构其线性结构。继而通过模型式 (33) 中的块先验信息, 可修复目标图像的所有缺失区域。
4 仿真结果与分析
借助MATLAB 7.10软件来测试本文图像动态修复机制。测试对象为227×227的灰度、彩色图像, 见图5 (a) 与图6 (a) ;再将障碍物插入到图中, 得到损坏图像, 见图5 (b) 与图6 (b) 。仿真环境为:采用因特尔I7, 2.3 GHz双核CPU, 400 GB硬盘, 2GB的内存, 操作系统为Windows XP。为了体现本文算法的合理性与优异性, 将当前的两种典型代表修复算法视为对照组:文献[3]与文献[7], 分别记为A、B算法。利用本文机制与对照组对大规模损坏图像以及图像高频成分损坏区域进行修复。稀疏表示中的范数采用l1, 2范数;设定阈值β为0.06;非零元素个数F=4。图像块大小为8×8;修复图像尺寸为224×224;C1=2.55, C2=7.65, ;迭代次数为60次;字典大小为256。
4.1 大面积损坏区域修复质量对比分析
图6为不同图像修复机制对图5 (b) 修复后的效果图。从图中可知, 在面对大面积损坏图像时, 本文修复机制的修复效果最好, 见图5 (f) ;而对照组的两种图像修复算法显然存在明显的缺陷, 修复后, 图像存在显著的块效应, 见图5 (d) 和图5 (e) 中箭头所指;且存在明显的模糊效应, 视觉效果比本文机制修复质量差。原因是本文修复机制设计了针对缺失区域的结构相似度索引, 并将其嵌入到最优稀疏表示中, 使得本文机制能够自适应选择缺失区域中每个块的信号原子, 也就是可向每个目标块提供最优子空间, 提高了本文修复机制的修复质量。
4.2 图像高损坏区域修复质量对比分析
因自然图像有着它的固有特征, 高对比度边缘以及含有高频成分。故本次试验选择自然彩色图像为对象, 见图6 (a) 。将文本插入其中, 得到损坏图像, 见图6 (b) 。根据本文机制以及对照组算法对图6 (b) 进行修复。修复效果见图6 (d) ~图6 (k) 。从图中可知, 在视觉上看, 三种修复机制得到的复原图像几乎没有任何差异, 见图6 (d) 、图6 (f) 、图6 (h) ;但是对损坏区域修复后, 进行局部放大, 可以看到, 在面对高对比度边缘与高频成分的自然图像修复时, 本文修复机制的修复质量最佳, 拥有最佳的视觉效果, 缺失区域修复完美, 彻底清除了文本, 见图6 (k) ;而对照组算法的修复质量较差, 缺失区域修复后, 仍然存在文本, 见图6 (e) 与图6 (g) 。主要原因是A、B算法在对图像修复时, 依据人类视觉系统, 将图像的高频部分忽略, 主要是针对图像的低频部分, 故无法对高频成分进行修复。而本文机制所设计的结构相似度索引, 不包括平均成分, 如方程 (9) , 故本文机制的子空间可充分提现自然图像的高频成分。
4.3 结构相似度SSIM对比分析
为了量化不同图像的修复质量, 本文借助结构相似度SSIM来具体量化算法性能。测试了图5 (a) 与图6 (a) 的初始图像与修复图像的相似度。根据文献[10]、文献[11]提供的计算方法, 结果见图7 (a) 与图7 (b) 。从图中可知, 对于两种测试对象, 所得到的结果具有相同的趋势, 随着缺失像素比率的增大, 修复质量也逐渐降低, SSIM值逐步下降;且本文机制得到的SSIM值是最高的。在大面积损坏图像修复时, 本文算法的优势更加明显, 当丢失像素比率达到25%时, 本文机制的SSIM仍然保持在80%以上。这表明本文机制得到的修复图像与初始目标图像非常接近, 具有较高的修复质量。
5 结论
基于数据度与置信度, 构造图像块先验函数;再引入K-SVD算法和拉格朗日乘数机制, 构造最优字典矩阵, 优化稀疏表示;并设计结构相似度索引与动态更新机制, 估算稀疏表示系数, 并动态更新字典矩阵, 输出最优值, 完成图像的动态修复;最终提出了结构相似度索引耦合优化稀疏表示的大规模损坏图像动态修复机制, 以更高地对大面积损坏图像与高对比度边缘和高频分量图像进行修复。通过构相似度索引, 可以优化图像修复质量。仿真结果显示:与当前图像修复算法相比, 本文机制具有更好的修复质量, 边缘清晰, 显著消除了模糊效应与块效应。
参考文献
[1] 王宝红, 郭水旺, 季钢.基于布尔云模型算法的图像修复研究.科学技术与工程, 2013;13 (17) :4983—4986Wang Baohong, Guo Shuiwang, Ji Gang.Study on image inpainting based onBoolean cloud model algorithm.Science Technology and Engineering, 2013;13 (17) :4983—4986
[2] 康佳伦, 唐向宏, 任澍.结构约束和样本稀疏表示的图像修复.中国图象图形学报, 2013;18 (11) :383—387Kang Jialun, Tang Xianghong, Ren Peng.Research on image inpainting based on structural constraints and sparse representation of sample.Chinese Journal of Image and Graphics, 2013;18 (11) :383—387
[3] 印勇, 李丁, 胡琳昀.采用CDD模型的自适应图像修复算法.重庆大学学报, 2013;36 (4) :181—185Yin Yong, Li Ding, Hu Linyun.Adaptive image inpainting algorithm based on CCD model.Journal of Chongqing University, 2013;36 (4) :181—185
[4] 邓承志, 刘娟娟, 汪胜前.保留结构特征的稀疏性正则化图像修复.光学精密工程, 2013;21 (7) :1906—1913Deng Chengzhi, Liu Juanjuan, Wang Shengqian.Research on sparsity regularized image restoration of retains structural features.Optics and Precision Engineering, 2013;21 (7) :1906—1913
[5] 韩志科, 王贵.基于方向场的指纹图像偏微分方程修补模型.计算机应用, 2013;33 (10) :2886—2890Han Zhike, Wang Gui.Fingerprint image partial differential equations inpainting model based on orientation field.Computer Application, 2013;33 (10) :2886—2890
[6] 秦绪佳, 桑贤生, 程时伟.改进的规范化卷积图像修复算法.计算机辅助设计与图形学学报, 2011;23 (2) :371—376Qin Xujia, Sang Xiansheng, Cheng Shiwei.Image inpainting algorithm based on improved normalized convolution.Computer Aided Design and Computer Graphics, 2011;23 (2) :371—376
[7] Noori H, Saryazdi S.A bilateral image inpainting.IJST Trans Electr Eng, 2011;25 (E2) :95—108
[8] Kuang Y, Zhang L, Yi Z.An adaptive rank-sparsity K-SVD algorithm for image sequence denoising.Pattern Recognition Letters, 2014;33 (17) :1021—1032
[9] 刘新艳, 马杰, 张小美.联合矩阵F范数的低秩图像去噪算法.中国图象图形学报, 2014;18 (15) :482—4387Liu Xinyan, Ma Jie, Zhang Xiaomei.Denoising algorithm of low rank matrix F norm based on joint matrix F norm.Chinese Journal of Image and Graphics, 2014;18 (15) :482—4387
[10] Lu B, Tian W.Image quality assessment based on nonsubsample construct transform and structure similarly.Consumer Electronics, Communications and Networks (CECNet) , 2012;27 (22) :347—350
[11] Ehmann J, Pappas T, Neuhoff D.Structure texture similarity metrics for image analysis and retrieval.IEEE Transactions, 2013;22 (7) :2545—2258
改进的图像修复算法 篇2
图像修复是对图像上信息缺损部分进行填充的过程, 其主要目的是对图像进行修复, 或者移除目标, 并使观察者无法察觉图像曾经缺损或已经修复, 目前, 图象修复技术包括基于偏微分和基于纹理两种修复技术。针对大面积破损区域的修复, 主要应用的是纹理合成算法, 目前纹理修复代表性的成果为文献[2]提出的Criminisi算法, 该算法通过自定义的优先级函数, 结合受损区域周围块像素灰度值变化的整体趋势, 将源区域中的像素点填充到目标区域中, 从而使纹理修复的视觉质量达到了满意的效果。本文通过人为选择匹配区域来改进Criminisi算法, 提出了一种新的图像修复技术, 实验证明, 改进算法的修复结果更加真实可信。
一、Criminisi区域填充算法
给定一个图像I, 如图1所示, Ω是待修复的区域 (即目标区域) , δΩ是Ω的边界, Φ是已知区域 (即源区域, Φ=I-Ω) , p为修复边界δΩ上的点, ψp是以点p为中心的块其优先权P (p) 为:P (p) =C (p) D (p)
式中, , |ψp|是ψp的面积, C (q) 为模块内像素点的置信值, 初始时, 待修复区域中的点值设为1, 源区域中的点的值设为0;, α是归一化因子, np是p点的法向量, 是与边缘梯度相垂直的向量。在目标区域边界δΩ上找到优先权值最大的点, 以SSD (颜色平方差的和) 计算与匹配区域中所有的匹配块ψq存在的像素之间颜色的差距, 计算公式如下:
寻找一个匹配块, 使得为最小。最后, 用中的相应点替代中的未知点, 在填充了新像素之后, 对于, 更新置信度C (q) , 即
二、改进算法
Criminisi图像修复算法中, 对每个待修复块都是对整个源区域进行全局式的搜索, 导致算法耗时大、效率低。通常一幅图像, 具有很强的空间冗余度, 相邻像素值的变化小, 很多这样的具有相关性的点便形成了一个图像的结构和纹理, 根据马尔科夫随机场模型 (MRF) , 假设一张图像可以由MRF来描述, 即由于图像具有局部统计特征, 其任一部分可以由周围部分 (邻域) 完全决定, 据此得出, 本文提出人为选择目标区域周围部分作为匹配区域, 来缩短搜索时间和使匹配块搜索更加精确。如下图所示, 我们所要做的工作是将图2中绿色区域修复, 图3中红色区域是人为选择的匹配区域, 可以看出匹配区域在目标区域的周围。
三、实验结果
通过实验表明, 本文的修复结果耗时少, 修复效果更加自然可信。
四、结束语
本文提出新的匹配区域选择方法, 缩小了匹配空间并使修复更加真实可信修复效果更加真实可信。文中的修复区域是事先人为确定的, 属于一种半自动修复算法。今后需进一步研究的问题包括缩短搜索时间和加强对边缘的修复等。
参考文献
[1]谢成军, 檀结庆.一种改进的基于样本块的图像修补方法[J].系统仿真报, 2008, 20 (10) :2606-2613.
[2]朱霞, 李宏, 张卫.一种基于颜色区域分割的图像复算法[J].计算机工程, 2008, 34 (14) :191-193.
基于遗传匹配追踪的图像修复算法 篇3
本文结合GMP提出一种采用混合选择算子的图像修复算法,该算法在使用GMP对图像进行稀疏表示的过程中,使用精英保留策略、竞标赛选择方法和轮盘赌方法[15]相结合的选择算子,在变异过程中采用动态变异的方式,通过仿真实验验证算法的可行性。
1 基于GMP的图像修复算法
1. 1 GMP算法原理
Mallat和Zhang引入的MP是一个通过选取字典向量来优化逼近的贪婪算法。信号f的最佳逼近原子 φp0∈ D( D是过完备字典库) 为
逼近残差为
通过从字典里选取另一最优原子 φp1,进一步用MP逼近误差R ,继续这一过程,得到l阶误差Rl( l = 1,2,…,K) ,最后得到信号的分解式
GMP将MP中的参数空间投影到编码空间进行编码,编码采用实数编码,设定初始种群规模Size 、种群代数G 、参数编码长度n ,并形成初始种群pm,解码并计算种群中个体的适应值,得到本代最优个体,但不是全局最优的个体,判断m是否小于G ,小于则进行遗传操作,在保留上一代优良基因的同时又加入了新的基因,大于G则跳出遗传算法,并带回最优个体的原子、残差及投影系数,判断原子个数是否小于K ( 稀疏度) ,小于则继续进行迭代,否则停止,得到最终的原子及投影系数。
1. 2 基于GMP的图像修复算法
图像修复是利用损坏图像的未被损坏信息,按照一定规则对损坏区域进行填补,利用压缩感知理论对损坏区域进行修复是一种新颖的方法。设图像的完整信息为f ,未被损坏区域为yobs,则yobs= Mf ,M是掩模算子,损坏区域为y = f - yobs,图像具有稀疏性,所以f在字典D中可以稀疏表示
根据图像的全局稀疏性,未被损坏区域yobs和损坏区域y共用稀疏系数 α ,则图像修复问题可定义为
基于GMP的图像修复算法就是通过GMP求解式( 5) 得到系数 α ,然后利用式( 6) 恢复损坏区域y的过程。
2 改进的GMP图像修复算法
2. 1 改进的选择算子
选择算子具有降低种群多样性和保护种群收敛性的双重作用,使用单一的选择算子会导致早熟并且降低种群的多样性。为了解决这个问题,在进化的前后阶段分别使用不同的选择算子来达到选择压力的改变,并且保留精英个体,将每代中最优的个体直接复制到下一代,而不经过交叉和变异操作,把最差的个体替换为最优的个体,在进化初期为了保护种群的多样性使用锦标赛选择方式来降低选择压力,而在后期为了加快收敛使用轮盘赌方法来提高选择压力。
2. 2 基于改进的GMP图像修复算法
基于改进的GMP图像修复算法的具体实现步骤如下:
1) 给定待修复图像的未被破损区域yobs和掩模算子M ,选择合适的字典D ,设置种群规模Size ,种群代数G ,参数编码长度n ,稀疏度K ,交叉率pc,变异率pm,迭代次数l = 0 ,随机产生初始种群。
2)计算种群中每个个体的适应值eval(vi),i=1,2,…,Size,即个体所对应字典D中的原子φpl与残差R或yobs的内积,最高的适应值即为原子与残差内积的最大值。
3) 选择运算: 采用改进的选择算子对种群进行选择,即保留适应值最高的个体,直接复制到下一代,把适应值最低的个体替换为最高的个体,前G1代选择锦标赛方式进行选择操作,后G - G1代选择轮盘赌方式进行选择操作。锦标赛方式为随机两两一组进行竞赛,选择适应值最大的个体。轮盘赌方式为先计算选择概率pi及累计概率qi,即
然后在[0,1]区间产生一个均匀分布的伪随机数r ,若r < q1,则选第一个个体v1; 若qi -1< r ≤ qi,则选第i个个体,依次进行下去。
4) 交叉运算: 采用算术交叉的方式,根据交叉率pc选出交叉个体,将交叉个体两两随机配对,根据以下方式产生后代。设双亲为v1和v2,交叉产生的后代为
5) 变异运算: 根据变异率pm选出变异个体,设变异个体为v ,则变异后的个体vm按如下方式产生
式中: vU为字典D变量的上界; r是[0,1]间的随机数; G是最大代数; g为代数; b为确定不均匀度的参数,取2。
6) 判断种群是否收敛,若收敛转至步骤7) ,否则,转至步骤3) 。
7) 通过解码得到最优个体对应的原子参数,并由参数计算出最优原子 φpl,再将原子与残差作内积运算得到原子的系数 αl。判断l是否小于K ,是则转至步骤2) ,否则转至步骤8) 。
8) 最后得到式( 6) 的稀疏系数 α = { αl,l = 1,2,…,K} ,对应的原子D = { φpl,l = 1,2,…,K} ,通过式( 6) 计算出损坏区域y 。
3 实验结果及分析
3. 1 图像修复的评价
本文对图像修复效果采用客观评价法进行评价,评价指标为信噪比,计算方法为
式中: I0,I1分别表示原图与修复后的图像,信噪比越高,修复的效果越好。
3. 2 仿真结果
本节在小区域修复和文字去除等方面做实验验证算法的可行性,并与FOE方法、TV方法、CDD方法进行比较。表1 给出了基于本文GMP图像修复算法的参数设置,字典D采用文献[16]中的2D几何字典。表2 给出了3 种算法修复3 幅图像的信噪比。
图1 为对Lena图字母掩模后的修复,图1a为掩模后的图像,图1b为字母掩模,掩模率为22. 75% ,从图1c、图1d、图1e和图1f中可以看出: FOE方法在肩膀部位出现锯齿,帽子和图像左边界有阴影; TV方法在边缘部分的修复效果不是很理想; CDD方法有个别像素在修复时出现错误,边缘部分有些模糊; 而本文方法无论在平滑还是边缘区域修复效果都很好,并且信噪比高。
图2 为对Peppers图随机掩模50% 的修复,即有一半的信息丢失,从图2c、图2d、图2e和图2f中可以看出:FOE方法在某些边缘部分出现了锯齿; CDD方法对于边缘部分基本发生了模糊; TV和本文方法修复效果都很好,但是本文方法的信噪比更高一些。
图3 为对Boat图用棋子格掩模后修复的图像,图3a和图3b中黑色区域为宽度2 个像素的掩模区域,掩模率为11. 38% ,从图2c、图2d、图2e和图2f中可以看出:FOE,TV和CDD方法对船上的桅杆和船身修复时有阴影出现,而本文方法修复后的阴影很少,且信噪比高。
4 结论
基于样本的数字图像修复技术研究 篇4
1.1 技术原理
图像修复技术属于半自动图像智能处理技术, 并且它是当前计算机图形学科技术中的一个研究热点。图像修复在一定程度上, 是利用计算机技术对图片当中出现的污点以及划痕等进行修复, 使经过修复后的图片能够在一定程度上, 不被人眼察觉的一种图像处理技术。当下, 现有的图像处理软件, 在一般情况下均能对图片进行后期处理, 例如, Photoshop、光影魔术手等图像修复软件。
1.2 特征
图像修复技术在当前计算机图像学科中已被广泛应用, 这种修复技术对文物保护、广播电视后期特效, 以及想要表现虚拟现实, 具有十分重要的作用。一般情况下, 图像修复在一定程度上会受到很多因素的影响, 使其局部信息出现损伤。例如:在某种条件下, 为了某种特殊要求而利用图像修复技术, 将完整的图片或者图像中的信息移动到另外的地方, 又如:某些图片或者图像在数字媒体技术下, 进行获取、处理、压缩, 在这个过程中由于信息丢失, 最终导致图像所留下的信息出现缺损区域等。由此可见, 为了保证图像信息的完整性, 这就需要图像修复技术在一定基础上为图像重新扫描、处理, 从而使图像恢复完整性[1]。
2 基于样本的数字图像修复技术应用的重要性
首先, 它是对静态图像的裂痕以及污点进行修复。数字图像修复技术, 在一定基础上对污点以及有损伤的图像进行清理, 从而利用数字化技术对这些污点图像进行整合, 最后呈现给人们一个视觉“完整”并且合理的图像。当下在我国印刷行业, 对于一些破损的老照片或者有划痕的照片均可以利用这种技术进行简单的修复。
其次, 数字图像修复也是动态影像修复。如今, 我国计算机技术的发展越来越迅猛, 因此图像修复技术, 不仅能对一些静态的图片进行简单修复, 而且这种技术在我国乃至全世界的影视行业也应用广泛。例如:这种技术可以在一定基础上对制作好的影视进行修复。
最后, 图像修复技术在其他的一些领域也被广泛使用, 例如:摄影领域, 在摄影中, 人们可以利用这种技术对照片中的“红眼”现象进行处理, 除此之外, 在一定基础上我们还可以利用数字图像技术, 生成自己所要的特殊艺术效果图像, 总而言之, 这种修复技术已经涉及到多个领域, 并且在不同领域中的应用均得到了很好的发展[2]。
3 基于样本的数字图像修复技术
3.1 基于样本的快速图像修复算法
Criminisi提出了基于样本块的图像修复的快速算法, 其算法具体步骤如下:
3.1.1 计算修复区的优先权
设输入图像已知区域H, 待修补区域K, 边界为N, 如图1所示。p为破损区域边缘上点, 对于给定中心在p点的修复块Jp, 优先权P (p) 定义如下:P (p) =C (p) D (p) 。优先权P (p) 的值综合反映了待修复块的置信度和结构强弱, 由此来决定图像修复顺序。其中置信度C (p) 衡量p处信息可靠程度;数据项D (p) 反映目标结构信息的强弱, 分别定义如下:
3.1.2搜索最佳的匹配块并填充
3.1.3更新置信度
当Jp中未知区域填充完后, 更新Jp内像素点的置信度。
3.2基于局部平均灰度的快速图像修复方法
一般情况下, 在进行精确的SSD匹配之前, 先用平均灰度值对其进行筛选并在一定基础上淘汰一部分灰度差异较大的匹配模块, 这样一来便可以有效的提升图像修复和算法的效率。如图2所示, 考虑到待修复块只包含了部分的已知像素 (图中白色背景部分) , 为使匹配更加精确, 引入二级匹配项———局部平均灰度值 (LAGV) 。
设平均灰度值阈值为Tagv, 局部平均灰度值阈值为Tlagv, 其算法的主要步骤为:
3.2.1提取用户选定的待修复区域Ω的边界SΩ
(2) 将所有候选块q按照AVGq值从小到大排列成有序链表L。
3.2.2重复下述步骤直到结束: (t为迭代变量)
(4) 在背景区域中搜索最优匹配块Ψp, 使用平均灰度值阈值Tagv筛选候选块;使用局部平均灰度值阈Tlagv筛选候选块。
4结束语
总而言之, 图像已经成为人们获取信息的重要途径和重要方式, 因此在近几年来, 图像修复这一技术在各个媒体行业不仅广受欢迎, 而且在一定程度上还受到更多数字媒体对其的关注, 在日常生活中, 图像信息的不完整是一种普遍现象, 因此这就需要我们对受损的图片进行处理和填充。例如, 利用图像修复技术可以有效清除图像上的污点和划痕, 因此对图像修复技术的研究与推广是当前研究人员以及推广人员首要的做的一件事情。
摘要：数字图像修复一般是利用计算机技术对图像所丢失的信息或者丢失信息的区域进行修复或者填充。文章从图像修复的技术原理以及特征两个方面概述了它的含义, 并论述了基于样本的数字图像修复技术应用的重要性, 最后对基于样本的数字图像修复技术进行了深入的分析。
关键词：样本,数字图像,图像修复技术
参考文献
[1]张晴.基于样本的数字图像修复技术研究[D].华东理工大学, 2012.
[2]杨秀红.基于结构张量的数字图像修复技术研究[D].西安电子科技大学, 2014.
基于压缩感知的图像修复技术研究 篇5
关键词：压缩感知,图像修复,修复技术
0 前言
运用缩感知进行图像的修复主要是利用信号的稀疏特性, 可以通过少量的能够采样数据来来对图像的信号进行重构。针对这种特性, 可以利用破损图像中其他部分的信息为压缩感知提供采样数据, 进而对图片破损部分或是需要去除水印的部分进行重构技术, 从而实现对图像的修复。
1 压缩感知技术的基本理论
对于图像信号采集和处理主要包括数据采样、数据压缩、数据传输和解压等工作。在以往我们对图像的信号进行采集的时候, 要保证图像的信号频率带宽比奈奎斯特采样率低, 只有这样才能保证采样点最终可以恢复出图像的原信号。一旦图像信号带与奈奎斯特频率相同或是高于奈奎斯特频率, 就会使采样出现混叠现象, 采样点也不能完整的恢复出原信号, 图片就是产生一定的损坏。
压缩感知是新产生的一项采集和处理图像信号的技术。其主要的优势在于能够在确保不损坏图像信息的的基础上, 利用信号稀疏性的特点, 实现采集信号与压缩信号的步骤相结合, 并以极大地低于奈奎斯特采样率的信号频率带宽进行信号的采集工作, 最终运用重构技术使原始信号能够被完全恢复出来。压缩感知理论能够有效的降低对信号进行采样时的频率, 极大的减少传输过程中信号损坏的情况, 降低处理数据的时间和计算成本。
自从压缩感知理论摆被提出以来, 受到了相关领域包括信息论、图像处理、通信传播等许多行业的广泛关注。发展至今, 压缩感知技术已经在图像和数据的采集、处理、压缩和传输等领域进行了十分广泛的应用。同时, 压缩感知的稀疏性以及信号重构技术还可以对图像中进行去噪处理、图像修复并对图像的分辨率进行修改和重构, 有进一步促进了压缩感知技术的发展和应用。
2 基于压缩感知技术的图像修复算法
在对压缩感知技术进行研究的过程中, 可以发现, 压缩感知技术能够利用较少的数据采样完整的重构或是恢复出原信号, 基于此压缩感知技术也逐渐的被应用于图像修复领域。通过先进的修复算法, 在图像修复的过程中将压缩感知的稀疏表示以及信号重构技术与传统的图像修复技术进行有机的结合, 进一步发展图像修复技术。其中, 最为常见的就是在将压缩感知技术与纹理的修复算法相结合, 将线性逆问题进行规则化的处理。
块纹理重构算法是图像修复技术中应用较为广泛的, 其主要是对破损面积较大的图像进行修复, 块纹理重构算法主要是对破损区域进行填充式修复, 根据这以特点, 将压缩感知中的稀疏表示以及信号重构技术与块纹理重构算法相结合, 能够更好的对图像中大面积的损坏进行修复和重构以及去除目标对象等工作。
3 基于压缩感知图像修复技术中存在的不足以及未来的发展方向
随着压缩感知技术的提出和应用, 图像修复的工作得到了进一步的发展。因此我们可以说压缩感知技术是推动图像修复领域不断进步的巨大动力, 其在图像修复领域中发挥着不可替代的作用。但是我们不能满足于这种发展并止步不前, 而是应该加大对于图像修复相关技术的研究, 发展新的算法, 以满足实际生活中人们对于图像修复工作更高的要求, 实现相关领域的可持续发展。基于压缩感知图像修复技术未来的发展情况主要可以从以下三个方面来进行分析:
3.1 提高对于图像的认知
当前所发展的图像修复技术并没与对图像的规律有一个科学而全面的认知, 因此并没能充分的应用相关的规律来进行图像的修复。因此在修复的过程中, 也仅仅只是单一的对一部分的图像信息进行运用, 缺乏综合性的考量[4]。那么今后的研究重心就要放在如何对图像进行全面系统的认识, 充分的了解图像的规律, 并在此基础上对图像的信息和规律进行利用, 针对不同的情况选择合适的算法, 以确保各个算法都能发挥自身的优势。
3.2 简化算法
基于压缩感知技术的图像修复算法虽然能够很好的对破损图像进行修护, 但是在不断迭代的过程中, 修复图像所使用的算法就有一定的难度, 因此会消耗较多的时间。那么就需要在未来的研究重, 寻找简化算法的方式, 从而有效的提高信号重构的速度, 进一步提高图像修复的效率。
3.3 与先进科学技术相结合
基于压缩感知理论的图像修复技术, 并不是独立存在的, 例如利用块纹理重构法进行图像修复时, 就是与贝叶斯理论相结合, 从而发挥出巨大的作用。因此在未来的发展中, 要注意将更多的先进科学技术融入基于压缩感知的图像修复技术中, 从而促进图像修复技术的发展。
4 总结
基于压缩感知的图像修复技术是当前应用最为广泛的图像修复技术, 它可以利用较少的数据采样还原出原始信号, 从而实现对图像的修复。因此应当加大对于这项技术的研究, 促进图像修复技术的进一步发展。
参考文献
[1]崔国庆.基于压缩感知的图像修复技术研究[D].上海交通大学, 2013.
[2]张湃.可实现图像自修复的压缩感知超分辨率成像算法的研究[D].燕山大学, 2013.
[3]党宏社, 张娜.一种基于贝叶斯压缩感知的图像修复方法[J].河南大学学报 (自然科学版) , 2014, 05:601-607.
[4]周亚同, 王丽莉, 唐红梅.基于压缩感知的稀疏度自适应图像修复[J].铁道学报, 2014, 09:52-59.
数字图像修复技术的研究与应用 篇6
数字图像修复技术是从人们的心理以及视觉的角度出发,通过对被遮物体的边缘信息进行适当地分析处理并且按照一定的方向进行延伸扩展、边界连接,从而对图像被遮蔽部分进行正确合理地填充,从而实现视觉上的连续,能够达到与人工修复类似的效果。现代的图像修复的建模过程通常依赖于Helmholtz最佳猜测原理,这一基本原理明确指出:在已经确定传感数据的前提下,人们所感觉到的一切都是在现实世界状态的基础上而做出的一种最佳推测与猜测。因此,一个具有实用价值的图像修复模型必须能够从含有噪声的图像中加以分析并提取出纯净的图像信息,同时还能够从余下的图像信息中合理推测出最佳的丢失信息。
2 数字图像修复技术的一些方法
2.1 基于BSCB的图像修复模型
图像修复过程需要依赖于专业修复人员的主观感受,这就使得图像的修复过程是一个非常主观的过程,它并不具备一套修复的标准方法。BSCB修复模型采取的是偏微分方程,它与人的手工修复过程十分相似,通过将待修复区域边界部分的等照度线进行合理地延伸来实现修复的过程。在BSCB模型的算法中,是根据等照度线将待修复的区域进行区域划分的,使得各区域能够与其边缘外的颜色严格地保持一致。然而该修复算法对于细节纹理和图像的完整性方面有一定的损害。由于BSCB模型和一般的基于各向同性的修复过程并不相同,它考虑了等照度线,不会使边缘结构发生失真现象,属于一种各向异性扩散的修复过程,因此通过这一技术恢复的数字图像的修复效果能够更接近人的视觉感受。
2.2 基于整体整体变分的图像修复模型
整体变分(TV,total variation)图像处理模型的最初引入目的是为了解决图像的去噪问题。使用整体变分模型能够充分利用自然图像内在的正则性,例如图像边缘的平滑性等。整体变分模型的算法属于一种各向异性的算法,这种算法能够对数字图像进行一定程度的去噪处理。另外,图像去噪技术与图像修复技术之间有着很大的区别,虽然它们本质上都是属于图像恢复的相关技术,但是被噪声污染过的图像像素仍然包含了图像中的有用信息,而图像的待修复区域通常情况下是图像某块信息的完全丢失,并不能能从中获取到任何有价值的图像信息。所以,面向图像去噪的图像恢复技术并不能够直接推广或应用到图像修复技术中来,经常需要经过一定程度上的变形或者融入图像的先验知识和几何模型才能行得通。
2.3 基于曲率驱动扩散的图像修复模型
在基于整体变分的图像修复模型提出之后,TV修复模型由于受到一定的修复区域大小的限制而不能够满足图像的连通原理,进而提出了基于曲率驱动扩散(curvature-driven diffusion CDD)的图像修复模型。在CDD图像修复模型中通过曲率来调整各向异性扩散的系数,使得在利用CDD模型进行图像修复的工作中,不仅能够考虑到整体图像的长度规格,还能够充分考虑到图像中曲率信息的变化,从而能够实现对图像中细长线段的合理修复与填充。
2.4 基于分形纹理合成的图像修复算法。
图像的修复和合成是两个非常相似的概念,但是它们之间仍然存在着一些区别,其区别主要体现在以下两点:一是受损图像在修复之前并不存在完整的样图,而只能够从待修复区域的边界处取样来从而对未知的图像区域进行修复;二是图像合成的输出是一幅完整的图像,而图像修复则只需要对图像的受损区域进行合理填充即可。分形纹理修复算法的基本原理是先在待修复区域边界处进行取样,计算样图的分形维度,并且按照给定的搜索路径在图像的己知区域中搜索分形维度等于或者接近于样图分形维度的图像块,再将其复制到相应的待修复区域中。进行该算法的关键是进行相似度度量以及邻域搜索,纹理相似度的度量和搜索路径的关系十分密切,在数字图像修复的整个过程中有着十分重要的作用。
3 数字图像修复技术的应用
3.1 修复古代字画
由于古代字画保管环境的不当,再加上历史人为原因等多种因素的影响,使得一些具有极高收藏价值和极高艺术价值的历史艺术作品经常会出现不同程度的损坏现象。因此,对这类文物进行必要的图像修复工作就具有十分重要的现实意义。利用现代的数字图像修复技术,只需要确定文物中需要修复的区域,使用计算机就可以方便、快捷地按照确定的算法进行图像修复工作,并且修复效果十分理想,能够避免传统手工修复工作所需要的大量时间问题,减少修复人员的修复工作。
3.2 修复照片、文字等丢失的信息
在实际的生活中,照片经常会被不小心地折叠或者被不同程度的划伤,或者照片、胶片等受到多种原因的污染,这时就需要利用数字图像修复技术。对于文字、遮挡物或者是特定图标的去除也可以利用数字图像修复技术进行修复。比如某些电影画面中加入的字幕,利用数字图像修复技术可以轻而易举地去除这些字幕,另外,由于一些实际的原因需要隐藏图像中某个特定目标时,就可以利用图像修复技术达到预期的修复效果。
3.3 对失真图像的修复以及高分辨率研究
在图像传输过程中,由于网络故障或者其他的种种原因导致传输过来的图像具有不同程度的残缺部分,利用数字图像修复技术可以完美地处理这些问题。另外,一般情况下当将图像从低分辨率放大到高分辨率时就会出现不同程度的马赛克现象,图像修复技术能够解决这一过程所产生的问题,并在不影响图片质量的前提下提高图像的分辨率。
随着电子智能产品的逐渐普及与应用,它们的广泛应用使得数字图像的数量急剧增加,人们迫切需要一种对数字图像修复以达到对图像进行改进的新型技术。因此,数字图像修复技术的应用领域也将会有更大的突破,它必定会对人们今后的生活产生更加积极的影响。
摘要：图像修复技术是图像复原领域中的一项非常重要的修复技术,它是通过对图像的现有信息进行分析处理从而推测出其所丢失的图像信息数据。伴随着计算机技术的迅速发展,数字图像修复技术又有了新的发展方向以及更加广泛的应用领域,它是图像处理技术中的一个重要组成部分,有着极其重要的研究与应用价值。
关键词：图像修复,图像处理,数字图像
参考文献
[1]孙玉刚.数字图像修复技术研究[D].南京:南京航空航天大学,2011.
图像视频处理中的修复应用分析 篇7
关键词：图像,视频,修复技术
图像的修复技术具有源远流长的历史, 它最早出现在文艺复兴时期, 艺术家们为了恢复被破坏的物作品, 依据人们的想象力对受损部分进行修复。随着科学技术水平的提升人们将艺术作品的修复观念应用在现代图像与视频处理技术上, 得以广泛应用并取得良好的修复效果。
1 修复的概念
图像视频的处理包括很多方面, 其中数字及视频的修复技术就是图像视频处理的重要组成部分。图像视频修复技术是运用科学计算的方法, 通过对图像视频中的受损信息进行补充, 以达到恢复图像或视频的原来面貌的目的。
为了使观察者察觉不到图像或视频的修复, 需要做好以下两方面的工作, 一是确定修复区域。采用人工统计的方法进行确定, 对视频或图像需要修补的部分进行明确标注, 以确定需要修补的范围。二是对确定的区域进行重点修复, 对图像或视频已经标注的修复的范围, 采用可用、有效的信息, 进行重点恢复与重建。
2 修复技术的发展
图像与视频的修复技术的运用, 源于文艺复兴时期艺术家对艺术作品的修复。它与艺术作品的修复技术不同, 不仅能去除图像的干扰与模糊影像, 改善图像的质量, 还能对图像的受损甚至空白区域进行填补与修复。
最早将修复的概念引入图像与视频的处理技术中的是M.Bertalmio, 他通过偏微分方程的使用, 建立了图像修复算法模型, 将图像的信息与构造按一定的方法传递到需要修复的区域。这种算法虽然能对视频内的噪声干扰进行有效去除, 但由于它使用的范围较小, 对大面积的纹理或复杂的区域修复效果不理想, 甚至出现模糊影像的现象。
随后, 经过多个科学家对视频修复技术的完善, 已逐渐形成较为完善的修复概念。由于视频修复是图像修复在时间上的扩充与完善, 因此, 在整个运动修复的过程中, 视频修复是最优的选择, 它不仅可以将图像进行动态背景与静态背景区分, 还可以增强修复过程中的连续性, 在实践过程中具有很好的修复效果。
3 修复技术在图像视频处理的应用
图像的修复步包括以下几方面的内容。一是静态图像修复。静态修复是指对照片或胶片丢失的信息恢复、无线传输信息的修复、图像压缩及马赛克部分的图像处理技术等。二是动态图像修复。动态修复也叫视频修复, 是指对序列中指定标记的去除、划痕污染区的修复处理及视角空白区域的填充等。
3.1 对现存修复算法的改进
随着科学技术的发展, 现存的修复算法技术被广泛应用到各个行业。虽然在应用过程中, 取得了较好的修复效果, 但其自身的缺陷也被逐渐暴露出来。这些缺陷主要分为以下几个方面。一是现存的修复算法修复只能对较小或构造较为简单的一些区域进行修复, 对于面积较大或结构纹理较复杂的区域修复效果不理想。二是空域或时域的承接连续性不强, 尤其在不同的区域进行匹配衔接操作时, 在连续播放过程中会出现模糊甚至闪烁不停的现象, 对视觉效果造成严重的影响。三是复杂性不高。在实际视频修复过程中, 对复杂性较高的序列不能有很好的处理效果。
因此, 针对这种情况, 可以对以下几个方面进行改进。一是在使用微偏分的基础上, 通过引入有效的微偏分方程及约束方程, 对构造特征区域的细节信息进行特殊处理, 使线性结构具有较强的连续性。二是采用纹理合成的方法, 对尺寸及模板进行匹配择优选择。三是在视频修复过程中, 通过对运动轨迹的概念进行引入, 选择更快速的修复算法进行修复处理。
3.2 运用修复算法对视频进行压缩
由于视频的编码端采用的编码方式不同, 一部分编码端在压缩前通常对某些结构和特征信息进行去除处理, 而这些区域通常采用直流分量的方式, 进行MPEG2进行编码。这种方法虽然可以将视频进行压缩, 但效果不佳。因此为了更好的提升恢复效果, 需要对视频丢弃的区域进行重点选择, 从而使视频的压缩效率与压缩质量达到平衡状态。
3.3 对DTV视觉修复度的修复
修复技术对DTV视觉修复度的修复, 主要是指对视频中影响人们观感的标识及字幕进行移除处理。一般情况下, 视频中呈现的字幕或标识只出现在屏幕的特定位置, 通常采用修复方法对需要移除的区域进行重建和保存, 使移除的信息既不会丢失, 也不会受到影响, 更不会产生模糊的影像, 对提高人们的视觉观感效果有很大的帮助作用。
3.4 在三维视频重建的应用修复
近年来, 随着三维电视的出现, 极大的改善了人们观看电视的视觉效果。三维视频的应用是指通过对二维主视觉视频与相应的深度图像进行结合处理, 从而产生三维视频或是其他新视角视频。在二维视频生成三维视频或其他新视角视频过程中, 主要依据深度信息与二维图像映射, 对产生的重复覆盖区域和空白填充区域进行修复处理。修复技术对视频空白区域进行填充, 是一项具有广阔发展前景的应用技术。
4 结束语
随着科学技术的发展与人们生活水平的提高, 图像与视频在生活中随处可见, 但随之也出现了类似于视频的播放不流畅, 图像画面不清晰问题的问题, 严重影响了人们的视觉观感。其他国家相比, 我国的图像视频处理技术还不够发达, 因此, 利用修复技术对视频及图像损坏部分或空白部分进行填充与修复, 对提升图像视频的处理水平具有十分重要的意义。
参考文献
[1]张欢欢.修复在图像视频处理中的应用[D].上海交通大学, 2010, 01 (11) :20-25.
[2]赵明.数字图像及视频修复方法研究[D].湖南大学, 2011, 10 (10) :11-13.