CN102142132A - 基于模块的图像修复方法 - Google Patents
基于模块的图像修复方法 Download PDFInfo
- Publication number
- CN102142132A CN102142132A CN2011100804184A CN201110080418A CN102142132A CN 102142132 A CN102142132 A CN 102142132A CN 2011100804184 A CN2011100804184 A CN 2011100804184A CN 201110080418 A CN201110080418 A CN 201110080418A CN 102142132 A CN102142132 A CN 102142132A
- Authority
- CN
- China
- Prior art keywords
- module
- repaired
- image
- pixel
- target area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种基于模块的图像修复方法,该方法包括:选择待修复目标区域;计算待修复目标区域内各像素点对应的具有预定大小的待修复模块的纹理特征统计值,根据计算得到的纹理特征统计值调整各待修复模块的大小;利用置信度约束和数据项约束计算各待修复模块的优先级;在图像已知区域内寻找与具有最高优先级的待修复模块最相似的模块,将其中全部像素点填充入该待修复模块中,同时更新本次填充的待修复模块内被填充像素的置信度约束;采用散度约束下的重叠区域图像融合减弱本次填充的待修复模块填充后的模块接缝效应;对填充后待修复目标区域重复上述步骤,直至待修复目标区域内所有像素被填满。
Description
技术领域
本发明属于图像处理和计算机视觉领域,涉及一种图像修复方法,具体地说,涉及一种基于模块的能够同时有效保持图像中几何特征和纹理信息的图像修复方法。
背景技术
随着数字图像处理技术的发展,填充图像中某些区域的缺失信息,或移除图像中某些区域仅保留需要的信息,使图像满足人眼视觉系统要求的工作成为研究热点。这种修补缺失信息或移除目标区域的图像处理技术称为图像修复。图像中信息缺失的区域或待移除的区域统称为图像中的待修复目标区域,图像中的其它区域称为信息已知区域。
Bertalmio提出一种基于信息传播的图像修复模型(参考Bertalmio M.2000.Imageinpainting,ACM SIGGRAPH’00,pp.417-424,July 2000)。模型利用偏微分方程(PartialDifferential Equation,PDE)的各向异性扩散特性沿边缘方向进行不同强度的扩散以修复待修复目标区域,Chan等在此研究基础上提出了总体变分(Total Variation,TV)修复模型(参考Chan T.2001.The digital TV filter and nonlinear denoising,IEEE Trans.Image Process.,10(2):231-241,2001)以及CDD(Curvature Driven Diffusion)模型(参考Chan T.2001.Non-textureinpainting by curvature-driven diffusions(CDD),J.Visual Comm.Image Representation,12(4):4736-449.)。PDE修复模型基于图像几何特征通过计算像素间灰度差值各向异性将信息已知区域的信息向待修复的目标区域内扩散,从而实现图像修复。PDE修复模型的处理是基于图像中的已知几何特征进行的,因此PDE修复模型具有很好的几何特征保持性能。但PDE修复模型仅基于局部的像素值计算扩散方向及扩散强度,因此PDE修复模型不能保持图像中的纹理特征;PDE修复模型只适合修复包含较小目标区域的图像,当待修复的目标区域较大时,区域中心的信息很难由已知区域的信息推测,因此PDE修复模型的修复结果会产生很大的失真。
Efros提出一类基于模块的纹理分析模型(参考Efros A.1999.Texture Synthesis byNon-parametric Sampling,IEEE Int.Conf.Computer Vision),与PDE修复模型相比,基于模块的纹理分析模型通过将模块中的已知信息复制到待修复目标区域,复原待修复的图像。这种处理方法以“模块”为基本处理单元,可以保持图像中的基本纹理特征,同时可以修复包含较大缺失信息区域的图像。Bornard等首先将基于模块的方法应用于自然场景图像修复(参考BornardR.2002.Missing data correction in still images and image sequences,ACM Int.Conf.Multimedia),并证明基于模块的模型对自然场景图像的修复效果优于PDE模型。基于模块的模型的修复过程为:
1.确定目标区域:手动选择待修复目标区域,区域内全部像素点的值视为未知;
2.修复优先级:按照从左至右、从上到下的顺序处理待修复目标区域内的各模块;
3.确定模块:将待修复目标区域左上角的第一个像素点对应的固定大小的模块(例如模块大小设为3x3)确定为当前的待修复模块。待修复目标区域边界位置的像素点对应的模块中,包含部分图像已知信息,而待修复目标区域内部的模块在未修复时不包含任何已知信息;
4.模块匹配:在图像信息已知区域内搜索与当前待修复模块中包含的已知信息最为匹配的模块;
5.模块填充:将最为匹配的模块填充入待修复目标区域的当前待修复模块的位置,完成对该模块的修复,此时更新待修复目标区域内的像素值;
6.循环执行步骤3-5,至待修复目标区域内全部像素点值为已知时,修复过程结束。
基于模块的模型在模块的搜索、匹配以及填充过程中,根据像素值进行操作并不受图像已知几何特征的约束,因此其处理结果并不能很好的保持图像中的几何特征。
为了解决基于模块的模型无法保持图像中的几何特征的问题,Criminisi等提出通过约束模块修复优先级的方式将信息已知区域中的几何特征扩展入待修复目标区域(参考CriminisiA.2004.Region filling and object removal by exemplar-based image inpainting.IEEE Trans.Image Process.13(9):1200-1212)。Criminisi的方法执行的修复步骤与传统的基于模块模型相同,只是在步骤2中,不再按照从左至右、从上到下的顺序处理待修复模块,而是对各个待修复模块赋予了不同的修复优先级,根据优先级确定待修复模块的修复顺序。优先级由待修复模块中包含的已知信息量(称为置信度约束)和包含的几何特征强度(称为数据项约束)决定。Criminisi的方法改进了基于模块模型的修复效果,但是由于优先级的计算方式较简单;数据项约束的计算方式仅考虑信息已知区域内像素沿等照度线方向的几何特征,导致沿等照度线方向的待修复模块都具有很高的优先级,因此,在处理复杂几何图像时修复结果并不理想。
此外,虽然相比PDE模型,基于模块的模型能较好的保持图像中的纹理特征,但由于待修复模块的大小固定,并不能完整的复原不同类型的纹理特征:例如当纹理特征的重复周期较大时,较小的模块并不能真实复原图像信息。
另外,由于图像的修复是通过填充模块实现的,修复后的图像中模块间的接缝是可见的,修复结果并不真实自然。
发明内容
为克服以上已有技术的不足之处,本发明提出一种基于模块的能够有效保持图像中几何特征和纹理信息的修复方法。该方法根据待修复目标区域的纹理特征自适应调整待修复模块的大小,在亚像素级精度下利用PDE的几何特性约束待修复模块的修复优先级,同时采用散度约束下的重叠区域图像融合技术对填充的模块进行减弱接缝效应的处理,使得对包含纹理信息和几何特征的图像修复结果更加真实自然。
本发明提供一种基于模块的图像修复方法,该方法包括以下步骤:
步骤1:选择待修复目标区域;
步骤2:计算待修复目标区域内各像素点对应的具有预定大小的待修复模块的纹理特征统计值,根据计算得到的纹理特征统计值调整各待修复模块的大小;
步骤3:利用置信度约束和数据项约束计算各待修复模块的优先级;
步骤4:在图像已知区域内寻找与具有最高优先级的待修复模块最相似的模块,将其中全部像素点填充入该待修复模块中,同时更新本次填充的待修复模块内被填充像素的置信度约束;
步骤5:采用散度约束下的重叠区域图像融合减弱本次填充的待修复模块填充后的模块接缝效应;
对填充后待修复目标区域重复步骤2至步骤5,直至待修复目标区域内所有像素被填满。
优选地,所述纹理特征统计值计算公式如下:
优选地,所述根据计算得到的纹理特征统计值调整各待修复模块的大小的步骤包括:
预先设定n个不同大小的纹理特征统计阈值:λ1<......<λn,以及与该n个阈值大小相应的n+1个模块大小:将每个待修复模块的纹理特征统计值与阈值进行比较,根据比较结果将待修复模块大小调整为相应的模块大小。
优选地,所述数据项约束是通过在亚像素级精度内计算待修复模块边缘位置像素4邻域的半点差分平均梯度值得到的。
优选地,所述在图像已知区域内寻找与具有最高优先级的待修复模块最相似的模块进一步包括,使用相似度函数进行模块间的相似度匹配,该相似度函数为:
其中Ψq为图像已知区域内的图像模块,Ψξ为待修复模块,d(Ψξ,Ψq)表示模块间的欧式距离,模块间的欧式距离为对应像素点间欧式距离的总和,像素点间欧式距离表示为:
其中(x1,y1),(x2,y2)分别对应于待修复模块Ψξ和图像已知区域内的图像模块Ψq中的已知像素点。
优选地,所述采用散度约束下的重叠区域图像融合减弱本次填充的待修复模块填充后的模块接缝效应进一步包括,对已填充完毕的待修复模块在已知信息约束下进行插值操作,其计算公式为:
本发明的有益效果:
本发明充分考虑到“保持图像中的纹理信息”、“保持图像中几何特征”和“减弱模块间的接缝效应”。
(1)本发明通过计算待修复目标区域内的纹理特征统计值,判断不同的纹理类型,自适应确定待修复模块的大小,从而合理修复图像内不同类型的纹理特征;
(2)本发明通过计算目标区域内待修复模块亚像素级精度内边缘位置像素的平均梯度值和其包含的已知信息像素点的数量,来确定待修复模块的修复优先级,平均梯度值较大的待修复模块,表明其包含较多的边缘等几何特征,具有较高的修复优先级,从而保持修复图像中的几何特征;
(3)本发明采用散度约束下的重叠区域图像融合技术减弱模块填充带来的接缝效应,在总体变分空间内实现融合,可以在平滑图像的同时保持图像中的几何特征;
(4)本发明既可用于填充图像缺失信息的区域,也可用于去除图像中的目标物,适用于大尺寸待修复目标区域的处理。本发明通过调整待修复模块的大小和修复顺序实现对自然场景图像的修复,修复过程简单,处理速度很快,从而保证模型具有很好的实用性。
附图说明
图1示出本发明所涉及到的符号定义;
图2示出根据本发明实施例的基于模块的图像修复方法流程图;
图3示出根据现有技术与根据本发明实施例的图像修复实验结果对比图;
图4示出像素级精度9邻域梯度差分图和亚像素级精度平均梯度差分图;
图5示出根据现有技术和根据本发明实施例的图像修复过程对比图;
图6示出根据现有技术和根据本发明实施例的图像修复实验结果对比图;
图7示出根据本发明实施例的图像修复实验结果;
具体实施方式
下面结合附图和具体实施方式对本发明作进一步描述。
首先定义一些符号。如图1所示:对于待修复图像I,定义待修复目标区域为Ω,也称为未知区域。待修复目标区域Ω的边界表示为已知区域为Φ,Φ=I-Ω,是填充待修复目标区域Ω的采样空间。另外定义ξ为待修复目标区域内的任意一像素点,Ψξ是像素点ξ对应的待修复模块,|Ψξ|为待修复模块的大小。显然,随着修复的进行,已知区域Φ不断地扩大,而待修复目标区域Ω将变小,边界也随之改变。
如图2所示,本实施例包括以下步骤:
步骤1:选定图像中待修复目标区域,优选为人工选定。
第一步,计算待修复目标区域内各待修复模块的纹理特征统计值,表示为:
其中,ξ为待修复目标区域内的任意像素点,Ψξ为像素点ξ对应的待修复模块,u(ξ)为像素点ξ的灰度值,μ为像素点ξ对应的待修复模块包含的全部像素的灰度平均值,f表示像素点ξ的灰度值与像素点ξ对应的待修复模块全部像素灰度平均值之间的光度差异,u0为像素点ξ对应的待修复模块中心位置像素,g为高斯函数,它的作用是衡量ξ与u0的空间位置关系;表示像素点ξ对应的待修复模块内的像素数目。平滑区域像素间差异很小,T(ξ)较小;纹理区域像素间差异大,T(ξ)大。因此,可以使用统计值T(ξ)表征待修复模块的纹理强度。
第二步,根据式(1)得到的纹理特征统计值动态调整各待修复模块大小。
以像素点ξ对应的待修复模块Ψξ为例,根据其纹理特征统计值T(ξ)的大小,调整待修复模块Ψξ的大小|Ψξ|的计算过程为:
λ1,λ2为根据经验值预先设定的纹理特征统计的阈值,为了简化过程加快计算速度,本实施例优选选用两个阈值,根据纹理特征统计值的大小,将待修复模块自动调整为合适的大小,即为本算法动态采用的待修复模块大小。
图3示出根据现有技术与根据本发明实施例的图像修复实验结果;其中图3(a)为待修复图像,图3(b)为选定了待修复目标区域的待修复图像,图3(c)与图3(d)分别采用了传统算法和采用了本实施例所述的根据阈值动态调整待修复模块大小的图像修复方法。由图3(d)的实验结果可以看出,根据阈值动态调整待修复模块大小的图像修复方法的处理效果很好,目标区域被合理的填充为草地的纹理特征。
步骤3:计算各调整后待修复模块的修复优先级:
像素点ξ对应的调整后待修复模块Ψξ的修复优先级由下式确定:
P(ξ)=C(ξ)D(ξ) (2)
C(ξ)为Ψξ的置信度约束,表示Ψξ中包含的已知像素的数量:
其中|Ψξ|为像素点ξ对应的调整后待修复模块Ψξ的大小,q为调整后待修复模块Ψξ中的像素。由式(3),包含较多已知像素的待修复模块具有较高修复优先级,即待修复目标区域边缘位置的像素点对应的待修复模块具有较高的修复优先级。
D(ξ)为数据项约束,表示调整后待修复模块Ψξ中是否包含几何特征。图像中边缘等特征位置的像素具有较大梯度值,因此本发明使用调整后待修复模块边缘位置像素的平均梯度值表示D(ξ)。
计算中心像素点的梯度值应参照其9邻域内的像素值,在图像修复模型中,待修复目标区域边缘位置像素9邻域内的像素值大部分为未知,因此本发明在亚像素级精度内计算像素4邻域的半点差分平均梯度值:
图4示出像素级精度9邻域梯度差分图和亚像素级精度平均梯度差分图,其中实线标记的为9领域像素点,虚线标记的为4领域像素点。根据图4(b)计算半点差分,以e点方向为例:
图5示出根据现有技术和根据本发明实施例的图像修复实验过程对比图。其中,图5(a)为理想修复结果,图5(b)为选定了待修复目标区域的待修复图像,图5(c1)至(c5)示出未约束修复优先级的图像处理过程;图5(d1)至(d5)示出采用传统算法约束修复优先级的图像处理过程;图5(e1)至(e5)示出采用本实施例所述的基于亚像素级精度约束修复优先级的图像处理过程。由图5的实验结果可以看出,本发明提出的方法与传统算法相比,能够更好的保持图像中的几何特征,修复效果优于其他模型。
步骤4:根据P(ξ)值确定的各调整后待修复模块的修复优先级,将优先级最高的模块作为当前处理的待修复模块,对其进行修复,过程如下:
第一步,在图像已知区域内寻找与当前处理的待修复模块最相似的模块使用相似度函数进行模块间的相似度匹配,相似度函数为:
其中Ψq为图像已知区域内的图像模块,Ψξ为包含部分已知信息的调整后待修复模块,d(Ψξ,Ψq)表示模块间的欧式距离,模块间的欧式距离为对应像素点间欧式距离的总和,像素点间欧式距离表示为:
其中(x1,y1),(x2,y2)分别对应于当前处理的待修复模块Ψξ和图像已知区域内的图像模块Ψq中的已知像素点。
第二步,确定已知区域内与当前处理的待修复模块最相似的模块后,依次拷贝最相似的模块的像素灰度值到Ψξ相应位置中,最相似的模块中的线性结构和纹理信息同时拷贝,可以保持图像的纹理特征。一次修复过程结束后,当前处理的待修复模块变为已知,当前处理的待修复模块Ψξ更新为已填充完毕的待修复模块同时更新置信度函数:
其中Ω′为已填充完毕的待修复模块与图像已知区域重叠的部分,W为图像已知区域内的图像信息,u*为已填充完毕的待修复模块内包含的信息,u为插值控制参数。式(9)的操作目的是使重叠区域内,填充入的信息与原始的已知信息间插值的散度算子结果最小。式(9)的操作在总体变分空间内实现,因此在平滑图像的同时可以有效保持边缘特征。
每执行一次模块填充都要对重叠区域进行散度约束的总体变分插值以保证重叠区域与相邻像素的融合。减弱接缝效应的处理后,修复图像中颜色强度变化及纹理特征间的接缝不可见。
步骤6:重复执行步骤2至步骤5,直到Ω内全部像素值更新为已知,修复过程完毕。
图7示出采用上述步骤的根据本发明实施例的图像修复实验结果,待修复图像中的目标物被移除,修复结果自然真实。
以上借助实施例对本发明进行了具体说明。应当理解,本发明的上述描述是示例性的而非限制性的。本领域技术人员通过阅读本说明书,在不偏离本发明精神的情况下可以对本发明进行修改和变型。本发明的保护范围仅由所附权利要求限定。
Claims (6)
1.一种基于模块的图像修复方法,其特征在于,包括以下步骤:
步骤1:选择待修复目标区域;
步骤2:计算待修复目标区域内各像素点对应的具有预定大小的待修复模块的纹理特征统计值,根据计算得到的纹理特征统计值调整各待修复模块的大小;
步骤3:利用置信度约束和数据项约束计算各待修复模块的优先级;
步骤4:在图像已知区域内寻找与具有最高优先级的待修复模块最相似的模块,将其中全部像素点填充入该待修复模块中,同时更新本次填充的待修复模块内被填充像素的置信度约束;
步骤5:采用散度约束下的重叠区域图像融合减弱本次填充的待修复模块填充后的模块接缝效应;
对填充后待修复目标区域重复步骤2至步骤5,直至待修复目标区域内所有像素被填满。
4.根据权利要求1所述的基于模块的图像修复方法,其特征在于,所述数据项约束是通过在亚像素级精度内计算待修复模块边缘位置像素4邻域的半点差分平均梯度值得到的。
5.根据权利要求1所述的基于模块的图像修复方法,其特征在于,所述在图像已知区域内寻找与具有最高优先级的待修复模块最相似的模块进一步包括,使用相似度函数进行模块间的相似度匹配,该相似度函数为:
其中Ψq为图像已知区域内的图像模块,Ψξ为待修复模块,d(Ψξ,Ψq)表示模块间的欧式距离,模块间的欧式距离为对应像素点间欧式距离的总和,像素点间欧式距离表示为:
其中(x1,y1),(x2,y2)分别对应于待修复模块Ψξ和图像已知区域内的图像模块Ψq中的已知像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100804184A CN102142132A (zh) | 2011-03-31 | 2011-03-31 | 基于模块的图像修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100804184A CN102142132A (zh) | 2011-03-31 | 2011-03-31 | 基于模块的图像修复方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102142132A true CN102142132A (zh) | 2011-08-03 |
Family
ID=44409621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100804184A Pending CN102142132A (zh) | 2011-03-31 | 2011-03-31 | 基于模块的图像修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102142132A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020943A (zh) * | 2013-01-08 | 2013-04-03 | 天津光电高斯通信工程技术股份有限公司 | 一种结合数据融合技术的铁路线阵彩色图像修复算法 |
CN103578085A (zh) * | 2013-10-18 | 2014-02-12 | 清华大学深圳研究生院 | 基于可变块的图像空洞区域修补方法 |
US8867794B2 (en) | 2012-10-23 | 2014-10-21 | Cyberlink Corp. | Systems and methods for performing image inpainting based on texture analysis |
WO2014198029A1 (en) * | 2013-06-13 | 2014-12-18 | Microsoft Corporation | Image completion based on patch offset statistics |
CN104601972A (zh) * | 2014-12-17 | 2015-05-06 | 清华大学深圳研究生院 | 一种利用图像修补的自由视点合成方法 |
CN105678712A (zh) * | 2016-01-29 | 2016-06-15 | 陕西师范大学 | 结合自适应梯度分块和等距变换的改进Criminisi图像修复方法 |
CN105761213A (zh) * | 2014-12-16 | 2016-07-13 | 北京大学 | 图像修补方法和图像修补装置 |
CN106296604A (zh) * | 2016-08-04 | 2017-01-04 | 厦门美图之家科技有限公司 | 一种图像修复方法及装置 |
CN106408546A (zh) * | 2016-09-05 | 2017-02-15 | 广东欧珀移动通信有限公司 | 图像修复方法、装置和终端设备 |
CN106600552A (zh) * | 2016-12-14 | 2017-04-26 | 中国科学院地质与地球物理研究所兰州油气资源研究中心 | 纹理图像补全方法及装置 |
CN108885787A (zh) * | 2018-07-06 | 2018-11-23 | 深圳前海达闼云端智能科技有限公司 | 训练图像修复模型的方法、图像修复方法、装置、介质及设备 |
CN113256527A (zh) * | 2021-05-31 | 2021-08-13 | 广东联通通信建设有限公司 | 一种图像修复方法及装置 |
CN113344813A (zh) * | 2021-06-02 | 2021-09-03 | 中国工商银行股份有限公司 | 图像修复方法、装置和服务器 |
CN114418902A (zh) * | 2022-03-31 | 2022-04-29 | 深圳市华汉伟业科技有限公司 | 图像修复方法和计算机可读存储介质 |
CN117928565A (zh) * | 2024-03-19 | 2024-04-26 | 中北大学 | 一种复杂遮挡环境下的偏振导航定向方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661613A (zh) * | 2009-08-27 | 2010-03-03 | 北京交通大学 | 一种基于图像分割的图像修复方法及系统 |
CN101777178A (zh) * | 2010-01-28 | 2010-07-14 | 南京大学 | 一种图像修复方法 |
CN101980285A (zh) * | 2010-11-09 | 2011-02-23 | 西安电子科技大学 | 结合gmrf先验的非局部图像修复方法 |
-
2011
- 2011-03-31 CN CN2011100804184A patent/CN102142132A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661613A (zh) * | 2009-08-27 | 2010-03-03 | 北京交通大学 | 一种基于图像分割的图像修复方法及系统 |
CN101777178A (zh) * | 2010-01-28 | 2010-07-14 | 南京大学 | 一种图像修复方法 |
CN101980285A (zh) * | 2010-11-09 | 2011-02-23 | 西安电子科技大学 | 结合gmrf先验的非局部图像修复方法 |
Non-Patent Citations (5)
Title |
---|
《ICALIP2008》 20081231 Jiying Wu et al. A Novel Hybird Image Inpainting Model 全文 1-6 , * |
《中国图象图形学报》 20071130 仵冀颖等 偏微分方程约束的基于模块的图像修复模型 第1981-1984页 1-5 第12卷, 第11期 * |
《计算机研究与发展》 20070531 仵冀颖等 曲率驱动的基于亥姆霍兹涡量方程的图像修复模型 第863-864页 4 第44卷, 第5期 * |
《计算机辅助设计与图形学学报》 20070831 仵冀颖等 偏微分方程约束下基于动态大小模块的图像修复模型 第1035-1037页 1-3,5-6 第19卷, 第8期 * |
《计算机辅助设计与图形学学报》 20070831 仵冀颖等 偏微分方程约束下基于动态大小模块的图像修复模型 第1035-1037页 4 第19卷, 第8期 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8867794B2 (en) | 2012-10-23 | 2014-10-21 | Cyberlink Corp. | Systems and methods for performing image inpainting based on texture analysis |
CN103020943A (zh) * | 2013-01-08 | 2013-04-03 | 天津光电高斯通信工程技术股份有限公司 | 一种结合数据融合技术的铁路线阵彩色图像修复算法 |
CN103020943B (zh) * | 2013-01-08 | 2016-06-29 | 天津光电高斯通信工程技术股份有限公司 | 一种结合数据融合技术的实时铁路线阵彩色图像修复算法 |
WO2014198029A1 (en) * | 2013-06-13 | 2014-12-18 | Microsoft Corporation | Image completion based on patch offset statistics |
CN103578085A (zh) * | 2013-10-18 | 2014-02-12 | 清华大学深圳研究生院 | 基于可变块的图像空洞区域修补方法 |
CN105761213B (zh) * | 2014-12-16 | 2019-02-26 | 北京大学 | 图像修补方法和图像修补装置 |
CN105761213A (zh) * | 2014-12-16 | 2016-07-13 | 北京大学 | 图像修补方法和图像修补装置 |
CN104601972A (zh) * | 2014-12-17 | 2015-05-06 | 清华大学深圳研究生院 | 一种利用图像修补的自由视点合成方法 |
CN104601972B (zh) * | 2014-12-17 | 2016-09-21 | 清华大学深圳研究生院 | 一种利用图像修补的自由视点合成方法 |
CN105678712B (zh) * | 2016-01-29 | 2018-08-24 | 陕西师范大学 | 结合自适应梯度分块和等距变换的改进Criminisi图像修复方法 |
CN105678712A (zh) * | 2016-01-29 | 2016-06-15 | 陕西师范大学 | 结合自适应梯度分块和等距变换的改进Criminisi图像修复方法 |
CN106296604B (zh) * | 2016-08-04 | 2019-04-02 | 厦门美图之家科技有限公司 | 一种图像修复方法及装置 |
CN106296604A (zh) * | 2016-08-04 | 2017-01-04 | 厦门美图之家科技有限公司 | 一种图像修复方法及装置 |
CN106408546A (zh) * | 2016-09-05 | 2017-02-15 | 广东欧珀移动通信有限公司 | 图像修复方法、装置和终端设备 |
CN106600552A (zh) * | 2016-12-14 | 2017-04-26 | 中国科学院地质与地球物理研究所兰州油气资源研究中心 | 纹理图像补全方法及装置 |
WO2020006762A1 (zh) * | 2018-07-06 | 2020-01-09 | 深圳前海达闼云端智能科技有限公司 | 训练图像修复模型的方法、图像修复方法、装置、介质及设备 |
CN108885787A (zh) * | 2018-07-06 | 2018-11-23 | 深圳前海达闼云端智能科技有限公司 | 训练图像修复模型的方法、图像修复方法、装置、介质及设备 |
CN108885787B (zh) * | 2018-07-06 | 2021-11-05 | 达闼机器人有限公司 | 训练图像修复模型的方法、图像修复方法、装置、介质及设备 |
CN113256527A (zh) * | 2021-05-31 | 2021-08-13 | 广东联通通信建设有限公司 | 一种图像修复方法及装置 |
CN113344813A (zh) * | 2021-06-02 | 2021-09-03 | 中国工商银行股份有限公司 | 图像修复方法、装置和服务器 |
CN114418902A (zh) * | 2022-03-31 | 2022-04-29 | 深圳市华汉伟业科技有限公司 | 图像修复方法和计算机可读存储介质 |
CN114418902B (zh) * | 2022-03-31 | 2022-07-08 | 深圳市华汉伟业科技有限公司 | 图像修复方法和计算机可读存储介质 |
CN117928565A (zh) * | 2024-03-19 | 2024-04-26 | 中北大学 | 一种复杂遮挡环境下的偏振导航定向方法 |
CN117928565B (zh) * | 2024-03-19 | 2024-05-31 | 中北大学 | 一种复杂遮挡环境下的偏振导航定向方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102142132A (zh) | 基于模块的图像修复方法 | |
CN111160085A (zh) | 一种人体图像关键点姿态估计方法 | |
CN101980285B (zh) | 结合gmrf先验的非局部图像修复方法 | |
CN101571950B (zh) | 基于各向同性扩散和稀疏表示的图像修复方法 | |
Lee et al. | Robust exemplar-based inpainting algorithm using region segmentation | |
CN103578085B (zh) | 基于可变块的图像空洞区域修补方法 | |
CN102999887B (zh) | 一种基于样本的图像修复方法 | |
CN114731408A (zh) | 使用结构化神经网络进行视频帧插值的系统、设备和方法 | |
CN103886561A (zh) | 基于数学形态学的Criminisi图像修复方法 | |
CN106934780A (zh) | 一种基于图像修复的自动水印去除方法 | |
JP2007000205A (ja) | 画像処理装置及び画像処理方法並びに画像処理プログラム | |
CN101777178A (zh) | 一种图像修复方法 | |
CN107527329A (zh) | 一种基于暗通道先验和马尔可夫随机场的图像去雾方法 | |
CN105787891A (zh) | 一种优化边缘锯齿的图像处理方法、系统及拍摄终端 | |
CN104680492B (zh) | 基于样本结构一致性的图像修复方法 | |
CN105719250A (zh) | 基于简单背景的图像修复方法、系统及拍摄终端 | |
CN102693534A (zh) | 一种基于图像修补技术的快速去除图像污点的方法 | |
CN112149563A (zh) | 一种注意力机制人体图像关键点姿态估计方法及系统 | |
CN112132164B (zh) | 目标检测方法、系统、计算机装置及存储介质 | |
CN104036481A (zh) | 一种基于深度信息提取的多聚焦图像融合方法 | |
Moorfield et al. | Bilateral filtering of 3D point clouds for refined 3D roadside reconstructions | |
Dang et al. | Multi-resolution patch and window-based priority for digital image inpainting problem | |
CN110738624B (zh) | 一种区域自适应的图像去雾系统及方法 | |
Wu et al. | A Novel Exemplar-Based Image Completion Model. | |
Sangeetha et al. | A novel exemplar based Image Inpainting algorithm for natural scene image completion with improved patch prioritizing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110803 |