CN103325095B - 一种结合方向因子的样本块稀疏性图像修复方法 - Google Patents
一种结合方向因子的样本块稀疏性图像修复方法 Download PDFInfo
- Publication number
- CN103325095B CN103325095B CN201310252648.3A CN201310252648A CN103325095B CN 103325095 B CN103325095 B CN 103325095B CN 201310252648 A CN201310252648 A CN 201310252648A CN 103325095 B CN103325095 B CN 103325095B
- Authority
- CN
- China
- Prior art keywords
- block
- image
- matrix
- sample block
- pixel
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
一种结合方向因子的样本块稀疏性图像修复方法,主要操作有:首先利用现有的图像修复算法对待修复图像进行预处理;然后对预处理图像利用非下采样轮廓波变换提取其4个方向的方向因子;根据颜色-方向因子加权距离确定新的结构稀疏度函数以及匹配准则,利用结构稀疏度函数确定填充顺序,然后根据新的匹配准则寻找多个匹配块;建立包含颜色空间局部连续一致性及方向因子局部连续一致性的约束方程,优化求解约束方程获得多个匹配块的稀疏表示信息并填充;更新填充区域直至破损区域完全被填充。该方法能够有效地保持结构部分的连贯性,纹理部分的清晰性及与邻域信息的连续一致性,尤其适合具有复杂纹理和结构特征的真实照片或合成图像的修复。
Description
技术领域
本发明涉及基于样本块的图像修复方法,特别涉及基于样本块稀疏性的图像修复方法。
背景技术:
数字图像修复是根据破损图像内的已知信息,按照一定的规则对破损区域进行修补的一门技术,其目的是使观察者无法察觉图像曾经破损或者已被修复。随着数字图像处理技术的发展,数字图像修复技术成为当前计算机图形学和计算机视觉的一个研究热点,在文物保护,影视特技制作,图像有损压缩,特定物体移除等方面具有重大的应用价值。目前数字图像修复技术主要分为两类:基于扩散的图像修复算法和基于样本块的图像修复算法。
文献1(CriminisiA,PerezP,ToyamaK.Regionfillingandobjectremovalbyexemplar-basedimageinpainting.IEEETransactionsonImageProcessing.2004,13(9):1200-1212.)是基于样本块的图像修复算法的代表性方法,其基本思想是先计算破损区域边界上所有点的优先权,然后以最大优先权值的像素点为中心选择合适的样本块作为待填充块,其次在已知区域内寻找与待填充块最相似的样本块,将其信息复制给待填充块,最后更新填充区域,重复上述过程直至破损区域完全被填充。该方法能较好的修复纹理区域,但因填充顺序不稳定,不能很好的保持结构部分的连贯性,且在填充时仅利用最相似的匹配块的信息,易产生块效应与接缝效应。
近几年,研究学者利用样本块稀疏性提出图像修复算法:(1)文献2(XuZBandSunJ.Imageinpaintingbypatchpropagationusingpatchsparsity[J].IEEETransactionsonImageProcessing,2010.19(5):1153-1165.)根据结构块在其局部邻域内的稀疏性构造块结构稀疏度函数,然后利用结构稀疏度确定填充顺序,并将多个匹配块的稀疏表示信息作为填充信息填充到待修复区域中。(2)文献3(史金刚,齐春.一种双约束稀疏模型图像修复算法[J].西安交通大学学报.2012,46(2):6-10)提出一种双约束稀疏模型图像修复算法,利用线性嵌入方法估计待填充块中未知区域的信息,将估计信息与待填充块中已知信息作为稀疏逼近的目标(3)申请人(文献4:李志丹,和红杰,尹忠科等.基于结构稀疏度的自适应样本块图像修复算法[J].电子学报,2013,41(3):549-554.)也提出了一种基于结构稀疏度的自适应样本块图像修复算法,根据结构稀疏度值自适应确定待填充块大小,邻域一致性约束的权重系数与局部搜索窗口大小。
上述三种方法均是将多个块的稀疏表示信息填充到待修复区域中去,能够削弱块效应和接缝效应。上述三种方法均仅利用颜色信息衡量样本块之间的相似性,不仅使得寻找到的匹配块不够合理,且对于构造结构稀疏度函数时也造成负面影响。文献3仍然采用文献1中的优先权计算方法,填充顺序不够稳定,不能很好的保持结构部分的连贯性。文献2与文献4虽是利用结构稀疏度函数确定填充顺序,但结构稀疏度函数是由相似度函数及待填充块的邻域内已知块所占比例确定的,不仅相似度函数不够合理,而且当结构块的邻域内已知块较少时,结构稀疏度值较小,不能优先填充结构块。而且上述三种方法均仅在颜色空间建立邻域一致性约束,不能很好的保持修复图像纹理区域与结构区域的清晰性,存在一定的模糊效应。因此如何构造稳定的填充顺序,合理的匹配准则及约束方程,是提高样本块稀疏性图像修复质量必须解决的关键问题。
发明内容
为克服现有基于样本块的图像修复技术存在的技术问题,本发明提供一种结合方向因子的样本块稀疏性图像修复方法,该方法能够有效地保持结构部分的连贯性,纹理部分的清晰性及与邻域信息的连续一致性,使得修复后图像与原始图像更为接近、更加自然,更符合人眼视觉要求,尤其适合具有复杂纹理和结构特征的真实照片或合成图像的修复。
本发明解决其技术问题所采用的技术方案是:一种结合方向因子的样本块稀疏性图像修复方法,包括以下步骤:
A、预处理:将含待修复区域Ω的待修复图像I,利用基于颜色信息的结构稀疏度的自适应样本块图像修复算法进行修复,得到预处理图像I’;同时,划分待修复图像I中待修复区域Ω的填充边界δΩ,将待修复图像I的待修复区域Ω内各像素点r的置信度值C(r)初始化为0,已知区域内各像素点r的置信度值C(r)初始化为1;
B、估计方向因子:对预处理图像I’利用超小波变换估计出其水平、垂直、正对角和反对角四个方向的方向因子矩阵Ak(k=1,2,3,4);
C、颜色-方向因子加权距离的计算:以待修复区域Ω的填充边界δΩ上任意点p为中心点的边界样本块Ψp与该点p的邻域N(p)内的任意点q为中心的各已知块Ψq的颜色-方向因子加权距离D,D=(η·d(Ψp,Ψq)+μ·d(Γp,Γq));其中η和μ分别为颜色信息和方向因子信息的加权系数,η+μ=1;边界样本块Ψp与邻域块Ψq的大小相等,大小均为7*7;邻域N(p)的大小为21*21~101*101;Гp与Γq分别为方向因子矩阵Ak中以p,q点为中心的方向因子块,d(Ψp,Ψq)表示边界样本块Ψp的已知区域的像素点r的值和已知块Ψq中对应位置点r’的像素值的差的均方;
D、计算边界样本块的优先权:
先计算边界样本块Ψp与邻域N(p)内的已知块Ψq的相似度Xp,q:
其中σ=5;Z(p)为使得的归一化常数,Ns(p)为中心点q在p点的邻域N(p)内的各已知块Ψq的集合,再构造出边界样本块Ψp的结构稀疏度S(p),
进而计算边界样本块Ψp的优先权P(p),P(p)=C(p)·S(p),其中C(p)为边界样本块Ψp的块置信度值,为边界样本块Ψp中像素点r的置信度值C(r)之和与边界样本块Ψp像素点r总个数|Ψp|的比值,即:
E、寻找匹配块:对计算出的所有边界样本块Ψp的优先权P(p)进行比较,将具有最大优先权值P(p)的边界样本块Ψp作为当前待填充块Ψm,并选出相对应的方向因子块Гm,根据当前待填充块Ψm的结构稀疏度S(m)自适应确定局部搜索窗口半径W,
其中γ为权重系数,取值范围为40-80;
计算出搜索窗口内以任意点l为中心点的大小为7*7的已知块Ψl与当前待填充块Ψm的颜色-方向因子加权距离D,从中找出颜色-方向因子加权距离D最小的前M个已知块{Ψl′}l′=1:M作为匹配块;
F、像素点值填充:在当前待填充块Ψm和M个匹配块{Ψl′}l′=1:M的颜色空间及方向因子空间以局部连续一致性为约束条件,建立能量优化方程,获得稀疏表示系数 是第l’个匹配块Ψl′的稀疏表示系数;并得出当前待填充块Ψm的稀疏表示信息Ψt,将当前待填充块Ψm中的未知区域像素点的值用稀疏表示信息Ψt中对应位置点的像素值填充;
G、置信度值更新:用当前待填充块Ψm的块置信度值C(m)赋值给当前待填充块Ψm中被填充的像素点的置信度值C(r);
H、新的边界样本块优先权的计算:将F步中被填充的像素点作为已知像素点,重新划分待修复区域Ω的填充边界δΩ,对于填充边界δΩ上的新的已知像素点,按C、D步的方法分别计算出以其为中心点的边界样本块Ψp的颜色-方向因子加权距离D和优先权P(p);
I、重复步骤E-H的操作,直至H步重新划分待修复区域Ω的填充边界δΩ为零,结束操作。
与现有技术相比,本发明的技术效果是:
一、本发明利用超小波变换提取待修复图像的水平、垂直、正对角及反对角4个方向的方向特征,进而利用加权的颜色-方向因子加权距离衡量样本块之间的相似性,构造结构稀疏度函数,可以更好的度量结构块在其邻域内的稀疏性,保证优先填充结构块;同时本发明仅利用待填充块与其邻域内已知块的相似度的非零个数确定结构稀疏度值,避免了邻域内已知块所占比例对其的影响,可以更好的突出结构块在其邻域内的稀疏性,保证优先填充结构块,保持结构部分的连贯性。
二、本发明利用加权的颜色-方向因子距离寻找匹配块,能够寻找到更为合理的匹配块,使得修复后的图像在视觉效果上更接近原始样本块。
三、利用多个匹配块构造了更优的原子库,并通过在颜色空间和方向因子空间均建立局部连续一致性约束,使得稀疏表示信息不仅在颜色空间内保持局部连续一致性,而且要在方向因子空间保持局部连续一致性,更好的描述了图像修复的目的,可以获得更优的稀疏表示系数,使得填充信息与邻域信息的连续一致性更优,提高纹理及结构部分的清晰性。
总之,本发明方法采用颜色-方向因子加权距离衡量样本块之间的相似性,可以更好的度量样本块间的距离,据此构造了结构稀疏度函数与匹配准则,保证结构部分优先填充及寻找到的匹配块与原始样本块更为接近;并且在颜色空间和方向因子空间均要保持局部连续一致性,保持了结构信息与纹理信息的清晰性,使得修复后图像与原始图像更为接近,也更加自然,更符合人眼视觉要求。
上述步骤B中的超小波变换为非下采样轮廓波变换(Nonsubsampledcontourlettransform,NSCT),其具体做法是:
若预处理图像I’为彩色图像,则先将预处理图像I’转化为灰度图像Ig,若预处理图像I’为灰度图像,则令Ig=I’,然后采用非下采样轮廓波变换对灰度图像Ig进行多尺度多方向分解,即:
Qij=N+(Ig)
其中N+表示非下采样轮廓波正变换,Qij代表图像Ig的非下采样轮廓波系数矩阵的集合,i表示尺度,j表示方向;将第二尺度层到第四尺度层的非下采样轮廓波系数矩阵Qij(i=2,3,4)按方向划分为4个集合,分别为水平方向集合Z1、正对角方向集合Z2、垂直方向集合Z3和反对角方向集合Z4,则第k个方向的方向因子矩阵Ak(k=1,2,3,4)为:
Ak=N-(Hk(Q))
N-代表非下采样轮廓波逆变换,Hk(Q)(k=1,2,3,4)表示将非下采样轮廓波系数矩阵集合Qij中属于Zk的非下采样轮廓波系数矩阵Qij(i=2,3,4)保留,其他的非下采样轮廓波系数矩阵置为零矩阵的系数矩阵集合,即:
这样,通过非下采样轮廓波变换(NSCT)提取待修复图像的水平、垂直、正对角与反对角4个方向的方向特征,可以更准确的描述图像的方向特征。因为NSCT不仅具有多尺度、良好的空域和频域局部特性和多方向特性,还具有平移不变性,使得NSCT变换能有效捕获图像不同频带和不同方向上的细节及边缘信息,进一步使得修复后图像更好的保持结构纹理信息的清晰性,在细节及边缘信息与原始图像更为接近。
上述步骤F中在当前待填充块Ψm和M个匹配块{Ψl′}l′=1:M的颜色空间及方向因子空间以局部连续一致性为约束条件,建立能量优化方程的具体做法为:
a、计算待填充块Ψm已知像素点的信息矩阵与稀疏表示信息Ψt中对应像素点的信息矩阵的距离d1,
b、利用待填充块Ψm邻域内已知块Ψq估计待填充块Ψm的未知像素点信息矩阵EΨm,再计算待填充块Ψm未知像素点的信息矩阵EΨm与稀疏表示信息Ψt中对应像素点的信息矩阵EΨt的距离d2,d2=‖β(EΨt-EΨm)‖2,其中β为邻域一致性约束的权重系数,取值为0.5;
c、计算待填充块Ψm已知像素点的方向因子信息矩阵与稀疏表示信息Ψt中对应的方向因子信息矩阵的距离d3,
d、利用计算待填充块Ψm邻域内已知块Ψq对应的方向因子块Γq估计待填充块Ψm的未知像素点对应的方向因子信息矩阵FΓm,再计算待填充块Ψm未知像素点对应的方向因子信息矩阵FΓm与稀疏表示信息Ψt中对应的方向因子信息矩阵FΓt的距离d4,d4=‖β(FΓt-FΓm)‖2;
则求解稀疏表示系数的能量优化方程为:
其中argmin为求极小值运算,s.t.表示要满足的条件,δ为容错参数,取值为5。
通过上述方法建立优化方程并求解稀疏表示系数,使得优化方程能够更好的描述图像修复的目标,接近人眼视觉要求,使得修复后图像在方向信息上与原始图像更为接近,保持结构信息与纹理信息的清晰性;且稀疏表示信息更好的保持了与邻域信息的连续一致性,使得修复后图像更加自然。
下面结合附图和具体实施方式对本发明作进一步的说明。
附图说明
图1为本发明实施例使用的NSCT系数矩阵示意图。
图2为本发明实施例使用的NSCT系数矩阵的方向分割示意图。
图3为计算位于不同区域的样本块的结构稀疏度值的示例图。其中:(a)分图为示例图像,(b)(c)(d)分图分别为(a)分图中样本块Ψa、Ψb和Ψc的对应邻域N(a),N(b)和N(c)。
图4为采用文献2算法及本发明方法对划痕和块缺失进行修复的效果示意图。其中,分图(a1)-(a4)为原始图像,分图(b1)-(b4)分别为分图(a1)-(a4)发生缺损后的待修复图像,其中黑色部分表示待修复区域。分图(c1)-(c4)为利用文献2算法对分图(b1)-(b4)修复后的结果图,分图(d1)-(d4)为利用本发明方法对分图(b1)-(b4)修复后的结果图,其中边角处大矩形框内的图像为图中小矩形框内图像的放大图。
图5为采用文献2算法及本发明方法对目标移除后信息缺失区域进行修复的效果示意图。其中,分图(a1)-(a2)为原始图像,分图(b1)-(b2)分别为分图(a1)-(a2)发生缺损后的待修复图像,其中黑色部分表示待修复区域;分图(c1)-(c2)为利用文献2算法对分图(b1)-(b2)修复后的结果图,分图(d1)-(d2)为利用本发明方法对分图(b1)-(b2)修复后的结果图。
具体实施方式
本发明的一种具体实施方式为,一种结合方向因子的样本块稀疏性图像修复方法,包括以下步骤:
A、预处理:将含待修复区域Ω的待修复图像I,利用基于颜色信息的结构稀疏度的自适应样本块图像修复算法进行修复,得到预处理图像I’。基于颜色信息的结构稀疏度的自适应样本块图像修复算法为现有技术,如文献4的方法。同时,划分待修复图像I中待修复区域Ω的填充边界δΩ,将待修复图像I的待修复区域Ω内各像素点r的置信度值C(r)初始化为0,已知区域内各像素点r的置信度值C(r)初始化为1;
B、估计方向因子:对预处理图像I’利用超小波变换估计出其水平、垂直、正对角和反对角四个方向的方向因子矩阵Ak(k=1,2,3,4)。
超小波变换为非下采样轮廓波变换(Nonsubsampledcontourlettransform,NSCT),其具体做法是:
若预处理图像I’为彩色图像,则先将预处理图像I’转化为灰度图像Ig,若预处理图像I’为灰度图像,则令Ig=I’,然后采用非下采样轮廓波变换对灰度图像Ig进行多尺度多方向分解,即:
Qij=N+(Ig)
其中N+表示非下采样轮廓波正变换,Qij代表图像Ig的非下采样轮廓波系数矩阵的集合,i表示尺度,j表示方向。
将第二尺度层到第四尺度层的非下采样轮廓波系数矩阵Qij(i=2,3,4)按方向划分为4个集合,分别为水平方向集合Z1、正对角方向集合Z2、垂直方向集合Z3和反对角方向集合Z4,如图2所示。
则第k个方向的方向因子矩阵Ak(k=1,2,3,4)为:
Ak=N-(Hk(Q))
其中N-代表非下采样轮廓波逆变换,Hk(Q)(k=1,2,3,4)表示将非下采样轮廓波系数矩阵集合Qij中属于Zk的非下采样轮廓波系数矩阵Qij(i=2,3,4)保留,其他的非下采样轮廓波系数矩阵置为零矩阵的系数矩阵集合,即:
由于第k个方向的方向因子矩阵Ak与待修复图像I大小相同,每个像素点Ak(x,y)代表待修复图像I相应像素点(x,y)第k个方向的方向因子。Ak(x,y)值越大,说明像素I(x,y)在第k(k=1,2,3,4)个方向上的特征信息越丰富。
图1为多尺度NSCT系数矩阵示意图,通过图1可以更直观的看出非下采样轮廓波变换多尺度多方向的划分方式。图1中间的正方形代表第1尺度层系数,由内到外的正方形依次代表第2、3和4尺度层系数。NSCT的尺度层个数及每一尺度层上的方向个数是可以自由设定的,本例选择包含4个尺度层的NSCT变换,第2、3和4尺度层的方向个数分别为8、8和16。不同尺度包含的NSCT系数矩阵的数量不同,第1尺度层包含一个NSCT系数矩阵Q11。除此之外,每一层又分为很多小块,每一小块代表一个方向矩阵,第2-4尺度层分别含有8、8和16个方向矩阵。为表示方便,规定从135°方向开始,按照顺时针方向对每个尺度层的系数矩阵编号,图1给出了第2层8个系数矩阵Qij的编号Q21、Q22、…、Q28。
C、颜色-方向因子加权距离的计算:以待修复区域Ω的填充边界δΩ上任意点p为中心点的边界样本块Ψp与该点p的邻域N(p)内的任意点q为中心的各已知块Ψq的颜色-方向因子加权距离D,D=(η·d(Ψp,Ψq)+μ·d(Γp,Γq));其中η和μ分别为颜色信息和方向因子信息的加权系数,0<η,μ<1,η+μ=1;边界样本块Ψp与邻域块Ψq的大小相等,大小为7*7;邻域N(p)的大小为21*21~101*101;Гp与Γq分别为方向因子矩阵Ak中以p,q点为中心的方向因子块,d(Ψp,Ψq)表示边界样本块Ψp的已知区域的像素点r的值和已知块Ψq中对应位置点r’的像素值的差的均方;
D、计算边界样本块的优先权:
先计算边界样本块Ψp与邻域N(p)内的已知块Ψq的相似度Xp,q:
其中σ=5;Z(p)为使得的归一化常数,Ns(p)为中心点q在p点的邻域N(p)内的各已知块Ψq的集合,再构造出边界样本块Ψp的结构稀疏度S(p),
通常边界样本块Ψp的结构稀疏度值与该块在其邻域内相似度的稀疏性高低成正比,当样本块的非零相似度的分布最稀疏和最不稀疏时,结构稀疏度值分别达到最大和最小值。下面给出位于不同区域的图像块的结构稀疏度的实际结果,以图3中分图(a)作为待修复图像为例,在其中结构区域的a点,纹理区域的b点,平滑区域的c点可分别得到边界样本块Ψa、Ψb和Ψc,其邻域分别为N(a),N(b)和N(c),分别如分图(b)-(d)所示,邻域N(a),N(b)和N(c)的大小为25*25。计算得到Ψa、Ψb和Ψc的结构稀疏度S(a),S(b),S(c)分别为0.9986,0.3209和0.0403,可见,位于结构区域的边界样本块Ψa的结构稀疏度最高。
进而计算边界样本块Ψp的优先权P(p),P(p)=C(p)·S(p),其中C(p)为边界样本块Ψp的块置信度值,为边界样本块Ψp中像素点r的置信度值C(r)之和与边界样本块Ψp像素点r总个数|Ψp|的比值,即:
E、寻找匹配块:对计算出的所有边界样本块Ψp的优先权P(p)进行比较,将具有最大优先权值P(p)的边界样本块Ψp作为当前待填充块Ψm,并选出相对应的方向因子块Гm,根据当前待填充块Ψm的结构稀疏度S(m)自适应确定局部搜索窗口半径W,
其中γ为权重系数,取值范围为40-80;
计算出搜索窗口内任意点l为中心点的大小为7*7的已知块Ψl与当前待填充块Ψm的颜色-方向因子加权距离D,从中找出颜色-方向因子加权距离D最小的前M个已知块{Ψl′}l′=1:M作为匹配块;
F、像素点值填充:在当前待填充块Ψm和M个匹配块{Ψl′}l′=1:M的颜色空间及方向因子空间以局部连续一致性为约束条件,建立能量优化方程,获得稀疏表示系数 是第l′个匹配块Ψl′的稀疏表示系数;并得出当前待填充块Ψm的稀疏表示信息Ψt,将当前待填充块Ψm中的未知区域像素点的值用稀疏表示信息Ψt中对应位置点的像素值填充。
其中在当前待填充块Ψm和M个匹配块{Ψl′}l′=1:M的颜色空间及方向因子空间以局部连续一致性为约束条件,建立能量优化方程的具体做法为:
a、计算待填充块Ψm已知像素点的信息矩阵与稀疏表示信息Ψt中对应像素点的信息矩阵的距离d1,
b、利用待填充块Ψm邻域内已知块Ψq估计待填充块Ψm的未知像素点信息矩阵EΨm,再计算待填充块Ψm未知像素点的信息矩阵EΨm与稀疏表示信息Ψt中对应像素点的信息矩阵EΨt的距离d2,d2=‖β(EΨt-EΨm)‖2,其中β为邻域一致性约束的权重系数,取值为0.5;
c、计算待填充块Ψm已知像素点的方向因子信息矩阵与稀疏表示信息Ψt中对应的方向因子信息矩阵的距离d3,
d、利用计算待填充块Ψm邻域内已知块Ψq对应的方向因子块Γq估计待填充块Ψm的未知像素点对应的方向因子信息矩阵FΓm,再计算待填充块Ψm未知像素点对应的方向因子信息矩阵FΓm与稀疏表示信息Ψt中对应的方向因子信息矩阵FΓt的距离d4,d4=‖β(FΓt-FΓm)‖2;
则求解稀疏表示系数的能量优化方程为:
其中argmin为求极小值运算,s.t.表示要满足的条件,δ为容错参数,取值为5。
本发明利用贪婪方法解约束方程,基本思想是以系数非零图像块集合为空集开始,每次从已知图像块集合中选择一个新的非零元素,进而重新构造满足组合系数求和约束且使得局部图像块一致性误差(如(d1+d2+d3+d4)≤δ)最小的线性组合方式,直到误差(d1+d2+d3+d4)达到约束要求。获得稀疏表示系数进而获得颜色信息的稀疏表示并进行填充,即EΨm=EΨt。
G、置信度值更新:用当前待填充块Ψm的块置信度值C(m)赋值给当前待填充块Ψm中被填充的像素点的置信度值C(r);
H、新的边界样本块优先权的计算:将F步中被填充的像素点作为已知像素点,重新划分待修复区域Ω的填充边界δΩ,对于填充边界δΩ上的新的已知像素点,按C、D步的方法分别计算出以其为中心点的边界样本块Ψp的颜色-方向因子加权距离D和优先权P(p);
I、重复步骤E-H的操作,直至H步重新划分待修复区域Ω的填充边界δΩ为零,结束操作。
此外,因为相似度Xp,q的取值范围为0~1,故结构稀疏度S(p),的取值范围也为0~1。在计算优先权P(p)时,若结构稀疏度值S(p)过小,如S(p)<0.05,可能会导致填充顺序不够稳定,因此,可对结构稀疏度S(p)进行下面的变换,以调整其取值范围,即:S′(p)=α·S(p)+(1-α),再令S(p)=S′(p),其中0.7<α<1。
仿真实验:
下面是图像修复的仿真实验。通过仿真实验可验证本发明方法较其他修复方法可得到更优的修复效果。在下面的仿真实验中,将本发明所提供的方法所得到的修复结果与其他修复方法所得到的的修复结果进行比较,仿真实验时,设置边界样本块Ψp和已知样本块Ψq大小为7*7,邻域N(p)的大小为25*25。
针对随机块及划痕丢失的修复对比结果如图4所示,其中,分图(a1)-(a4)为原始图像,分图(b1)-(b4)分别为分图(a1)-(a4)发生缺损后的待修复图像,其中黑色部分表示待修复区域。分图(c1)-(c4)为利用文献2算法对分图(b1)-(b4)修复后的结果图,分图(d1)-(d4)为利用本发明方法对分图(b1)-(b4)修复后的结果图,其中边角处大矩形框内的图像为图中小矩形框内图像的放大图。
比较图4的各分图(尤其其中局部放大图)可以看出:本发明方法较文献2算法可以获得更优的修复效果,能够更好的保持结构部分的连贯性,纹理信息的一致性以及与邻域信息的连续性。
计算表明文献2修复得到的分图(c1)-(c4)的峰值信噪比分别为:32.95dB,38.34dB,40.46dB,35.39dB,本发明修复得到的分图(d1)-(d4)的峰值信噪比分别为:38.25dB,40.51dB,43.48dB,38.76dB。本发明方法要比文献2的算法提高峰值信噪比2dB以上。
可见,本发明方法在主观视觉效果及客观效果上均要优于文献2算法。
针对目标移除的修复对比结果如图5所示。其中,分图(a1)-(a2)为原始图像,分图(b1)-(b2)分别为分图(a1)-(a2)目标移除后的待修复图像,其中黑色部分表示待修复区域;分图(c1)-(c2)为利用文献2算法对分图(b1)-(b2)修复后的结果图,分图(d1)-(d2)为利用本发明方法对分图(b1)-(b2)修复后的结果图。
比较图5的修复结果分图图(尤其是矩形框内区域)可以看出,本发明方法较文献2算法可以获得更好的修复效果,保持结构部分的连通性及纹理信息的清晰性,满足人眼视觉要求。
以上仿真实验结果表明,本发明方法在保持结构部分的连通性及纹理信息的清晰性,满足人眼视觉要求上明显优于现有方法,在图像修复的应用领域中具有可行性和适用性。
Claims (3)
1.一种结合方向因子的样本块稀疏性图像修复方法,包括以下步骤:
A、预处理:将含待修复区域Ω的待修复图像I,利用基于颜色信息的结构稀疏度的自适应样本块图像修复算法进行修复,得到预处理图像I’;同时,划分待修复图像I中待修复区域Ω的填充边界δΩ,将待修复图像I中的待修复区域Ω内各像素点r的置信度值C(r)初始化为0,已知区域内各像素点r的置信度值C(r)初始化为1;
B、估计方向因子:对预处理图像I’利用超小波变换估计出其水平、垂直、正对角和反对角四个方向的方向因子矩阵Ak(k=1,2,3,4);
C、颜色-方向因子加权距离的计算:以待修复区域Ω的填充边界δΩ上任意点p为中心点的边界样本块Ψp与该点p的邻域N(p)内的任意点q为中心的各已知块Ψq的颜色-方向因子加权距离D,D=(η·d(Ψp,Ψq)+μ·d(Γp,Γq));其中η和μ分别为颜色信息和方向因子信息的加权系数,0<η,μ<1,η+μ=1;边界样本块Ψp与邻域块Ψq的大小相等,大小均为7*7;邻域N(p)的大小为21*21~101*101;Γp与Γq分别为方向因子矩阵Ak中以p,q点为中心的方向因子块,d(Ψp,Ψq)表示边界样本块Ψp中已知区域的像素点r的值和已知块Ψq中对应位置点r’的像素值的差的均方;
D、计算边界样本块的优先权:
先计算边界样本块Ψp与邻域N(p)内的已知块Ψq的相似度Xp,q:
其中σ=5;Z(p)为使得的归一化常数,Ns(p)为中心点q在p点的邻域N(p)内的各已知块Ψq的集合,Ns(p)={q|q∈N(p)且
再构造出边界样本块Ψp的结构稀疏度S(p),
进而计算边界样本块Ψp的优先权P(p),P(p)=C(p)·S(p),其中C(p)为边界样本块Ψp的块置信度值,为边界样本块Ψp中像素点r的置信度值C(r)之和与边界样本块Ψp像素点r总个数|Ψp|的比值,即:
E、寻找匹配块:对计算出的所有边界样本块Ψp的优先权P(p)进行比较,将具有最大优先权值P(p)的边界样本块Ψp作为当前待填充块Ψm,并选出相对应的方向因子块Γm,根据当前待填充块Ψm的结构稀疏度S(m)自适应确定局部搜索窗口半径W:
其中γ为权重系数,取值范围为40-80;
计算出搜索窗口内以任意点l为中心点的大小为7*7的已知块Ψl与当前待填充块Ψm的颜色-方向因子加权距离D,从中找出颜色-方向因子加权距离D最小的前M个已知块{Ψl'}l'=1:M作为匹配块;
F、像素点值填充:在当前待填充块Ψm和M个匹配块{Ψl'}l'=1:M的颜色空间及方向因子空间以局部连续一致性为约束条件,建立能量优化方程,获得稀疏表示系数 是第l'个匹配块Ψl'的稀疏表示系数;并得出当前待填充块Ψm的稀疏表示信息Ψt,将当前待填充块Ψm中的未知区域像素点的值用稀疏表示信息Ψt中对应位置点的像素值填充;
G、置信度值更新:用当前待填充块Ψm的块置信度值C(m)赋值给当前待填充块Ψm中被填充的像素点的置信度值C(r);
H、新的边界样本块优先权的计算:将F步中被填充的像素点作为已知像素点,重新划分待修复区域Ω的填充边界δΩ,对于填充边界δΩ上的新的像素点,按C、D步的方法分别计算出以其为中心点的边界样本块Ψp的颜色-方向因子加权距离D和优先权P(p);
I、重复步骤E-H的操作,直至H步重新划分待修复区域Ω的填充边界δΩ为零,结束操作。
2.根据权利要求1所述的结合方向因子的样本块稀疏性图像修复方法,其特征在于,所述步骤B中的超小波变换为非下采样轮廓波变换(Nonsubsampledcontourlettransform,NSCT),其具体做法是:
若预处理图像I’为彩色图像,则先将预处理图像I’转化为灰度图像Ig,若预处理图像I’为灰度图像,则令Ig=I’,然后采用非下采样轮廓波变换对灰度图像Ig进行多尺度多方向分解,即:
Qij=N+(Ig)
其中N+表示非下采样轮廓波正变换,Qij代表图像Ig的非下采样轮廓波系数矩阵的集合,i表示尺度,j表示方向;将第二尺度层到第四尺度层的非下采样轮廓波系数矩阵Qij(i=2,3,4)按方向划分为4个集合,分别为水平方向集合Z1、正对角方向集合Z2、垂直方向集合Z3和反对角方向集合Z4,则第k个方向的方向因子矩阵Ak(k=1,2,3,4)为:
Ak=N-(Hk(Q))
其中N-代表非下采样轮廓波逆变换,Hk(Q)(k=1,2,3,4)表示将非下采样轮廓波系数矩阵集合Qij中属于Zk的非下采样轮廓波系数矩阵Qij(i=2,3,4)保留,其他的非下采样轮廓波系数矩阵置为零矩阵的系数矩阵集合,即:
3.根据权利要求1所述的结合方向因子的样本块稀疏性图像修复方法,其特征在于,所述的步骤F中在当前待填充块Ψm和M个匹配块{Ψl'}l'=1:M的颜色空间及方向因子空间以局部连续一致性为约束条件,建立能量优化方程的具体做法为:
a、计算待填充块Ψm已知像素点的信息矩阵与稀疏表示信息Ψt中对应像素点的信息矩阵的距离d1,
b、利用待填充块Ψm邻域内已知块Ψq估计待填充块Ψm的未知像素点信息矩阵EΨm,再计算待填充块Ψm未知像素点的信息矩阵EΨm与稀疏表示信息Ψt中对应像素点的信息矩阵EΨt的距离d2,d2=||β(EΨt-EΨm)||2,其中β为邻域一致性约束的权重系数,取值为0.5;
c、计算待填充块Ψm已知像素点的方向因子信息矩阵与稀疏表示信息Ψt中对应的方向因子信息矩阵的距离d3,
d、利用计算待填充块Ψm邻域内已知块Ψq对应的方向因子块Γq估计待填充块Ψm的未知像素点对应的方向因子信息矩阵FΓm,再计算待填充块Ψm未知像素点对应的方向因子信息矩阵FΓm与稀疏表示信息Ψt中对应的方向因子信息矩阵FΓt的距离d4,d4=||β(FΓt-FΓm)||2;
则求解稀疏表示系数的能量优化方程为:
其中argmin为求极小值运算,s.t.表示要满足的条件,δ为容错参数,取值为5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310252648.3A CN103325095B (zh) | 2013-06-24 | 2013-06-24 | 一种结合方向因子的样本块稀疏性图像修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310252648.3A CN103325095B (zh) | 2013-06-24 | 2013-06-24 | 一种结合方向因子的样本块稀疏性图像修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103325095A CN103325095A (zh) | 2013-09-25 |
CN103325095B true CN103325095B (zh) | 2016-02-03 |
Family
ID=49193818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310252648.3A Expired - Fee Related CN103325095B (zh) | 2013-06-24 | 2013-06-24 | 一种结合方向因子的样本块稀疏性图像修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103325095B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256538B (zh) * | 2017-06-08 | 2019-10-01 | 大连海事大学 | 一种图像修复方法 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021524B (zh) * | 2014-05-23 | 2017-02-08 | 西安理工大学 | 基于退化转换的图像修复方法 |
CN104134195B (zh) * | 2014-08-01 | 2017-02-15 | 西安电子科技大学 | 基于块几何稀疏的图像修复方法 |
CN104200444B (zh) * | 2014-09-25 | 2017-08-25 | 西北民族大学 | 基于对称样本块的图像修复方法 |
CN104484866A (zh) * | 2014-12-15 | 2015-04-01 | 天津大学 | 一种基于旋转及尺度空间拓展的图像修复方法 |
CN104680487A (zh) * | 2015-01-21 | 2015-06-03 | 浙江大学 | 基于低秩矩阵恢复的非局部图像修复方法 |
CN105528769B (zh) * | 2015-12-11 | 2018-08-07 | 上海兴芯微电子科技有限公司 | 图像修补方法及系统 |
CN105957027B (zh) * | 2016-04-22 | 2018-09-21 | 西南石油大学 | 一种基于所需方向结构特征统计的mrf样本块图像修复方法 |
CN106023098B (zh) * | 2016-05-12 | 2018-11-16 | 西安电子科技大学 | 基于张量结构多字典学习与稀疏编码的图像修补方法 |
CN106851248A (zh) * | 2017-02-13 | 2017-06-13 | 浙江工商大学 | 基于稀疏性的图像修复优先级计算方法 |
CN107507139B (zh) * | 2017-07-28 | 2019-11-22 | 北京航空航天大学 | 基于Facet方向导数特征的样例双重稀疏图像修复方法 |
CN111353946B (zh) | 2018-12-21 | 2023-04-11 | 腾讯科技(深圳)有限公司 | 图像修复方法、装置、设备及存储介质 |
CN111899184B (zh) * | 2020-03-31 | 2023-11-28 | 珠海市杰理科技股份有限公司 | 图像缺陷修复、神经网络训练方法、装置、设备和系统 |
CN115393737B (zh) * | 2022-10-27 | 2022-12-23 | 南通有来信息技术有限公司 | 一种遥感对象确定方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708576A (zh) * | 2012-05-18 | 2012-10-03 | 西安电子科技大学 | 基于结构字典的分块图像压缩感知重建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101075716B1 (ko) * | 2009-01-14 | 2011-10-21 | 삼성전자주식회사 | 이미지 복원 장치 및 방법 |
KR101669820B1 (ko) * | 2010-07-02 | 2016-10-27 | 삼성전자주식회사 | 볼륨 예측 기반 폐색 영역 양방향 복원 장치 및 방법 |
-
2013
- 2013-06-24 CN CN201310252648.3A patent/CN103325095B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708576A (zh) * | 2012-05-18 | 2012-10-03 | 西安电子科技大学 | 基于结构字典的分块图像压缩感知重建方法 |
Non-Patent Citations (2)
Title |
---|
IMAGE INPAINTING VIA WEIGHTED SPARSE NON-NEGATIVE MATRIX FACTORIZATION;Wang Y X et al;《2011 18th IEEE International Conference on Image Processing》;20111231;全文 * |
基于块结构稀疏度的自适应图像修复算法;李志丹等;《电子学报》;20130331;第41卷(第3期);全文 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256538B (zh) * | 2017-06-08 | 2019-10-01 | 大连海事大学 | 一种图像修复方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103325095A (zh) | 2013-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103325095B (zh) | 一种结合方向因子的样本块稀疏性图像修复方法 | |
Li et al. | Image dehazing using residual-based deep CNN | |
US20220044375A1 (en) | Saliency Map Enhancement-Based Infrared and Visible Light Fusion Method | |
CN102902956B (zh) | 一种地基可见光云图识别处理方法 | |
CN106204503B (zh) | 基于改进置信度更新函数及匹配准则的图像修复算法 | |
CN103337061B (zh) | 一种基于多次引导滤波的图像去雨雪方法 | |
Yao | Damaged region filling by improved criminisi image inpainting algorithm for thangka | |
CN103325120A (zh) | 一种快速自适应支持权值双目视觉立体匹配方法 | |
CN106295613A (zh) | 一种无人机目标定位方法及系统 | |
CN107170000B (zh) | 基于全局块优化的立体影像密集匹配方法 | |
CN103971340A (zh) | 一种高位宽数字图像动态范围压缩和细节增强方法 | |
CN103955906A (zh) | 基于蝙蝠算法的Criminisi图像修复方法 | |
CN109829507B (zh) | 航拍高压输电线路环境检测方法 | |
Zhou et al. | Research on weighted priority of exemplar-based image inpainting | |
CN113592018A (zh) | 基于残差密集网络和梯度损失的红外光与可见光图像融合方法 | |
CN113205502A (zh) | 一种基于深度学习的绝缘子缺陷检测方法及其系统 | |
CN109241867A (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
CN117876530B (zh) | 一种基于参考图像的红外图像彩色化方法 | |
CN103839244B (zh) | 一种实时的图像融合方法及装置 | |
CN105160661A (zh) | 基于中心像素相似权的彩色图像边缘提取方法 | |
CN107369138B (zh) | 基于高阶统计模型的图像最优化显示方法 | |
CN111860517B (zh) | 一种基于分散注意力网络的小样本下语义分割方法 | |
CN117197462A (zh) | 基于多尺度特征融合和对齐的轻量地基云分割方法及系统 | |
He et al. | Effective haze removal under mixed domain and retract neighborhood | |
CN116912645A (zh) | 融合纹理和几何特征的三维目标检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160203 Termination date: 20190624 |