CN103761708A - 基于轮廓匹配的图像修复方法 - Google Patents
基于轮廓匹配的图像修复方法 Download PDFInfo
- Publication number
- CN103761708A CN103761708A CN201310751926.XA CN201310751926A CN103761708A CN 103761708 A CN103761708 A CN 103761708A CN 201310751926 A CN201310751926 A CN 201310751926A CN 103761708 A CN103761708 A CN 103761708A
- Authority
- CN
- China
- Prior art keywords
- repaired
- mapping block
- pixel
- image
- multiblock
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013507 mapping Methods 0.000 claims description 203
- 230000008439 repair process Effects 0.000 claims description 42
- 238000010586 diagram Methods 0.000 claims description 29
- 230000000694 effects Effects 0.000 description 4
- 230000009021 linear effect Effects 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于轮廓匹配的图像修复方法,该图像修复方法采用标记确定待修复区域,并在待修复图像中定义待修复块,通过轮廓匹配在参考图形中相应的最佳匹配块,以最佳匹配块对待修复块中包含的待修复像素进行预修复,移动待修复块,每次移动后进行轮廓匹配,得到最佳匹配块,依次对所有待修复像素进行预修复,最后对任意像素,将所有最佳匹配块中对应像素的像素值进行加权处理,用加权处理结果对该像素进行最终修复。本发明的图像修复方法,通过轮廓匹配对对待修复图像进行匹配修复,以像素为单位逐步完成修复,且本发明的修复包括预修复和最终修复,通过两次修复,修复精度高,且仅需人工干预少,适用于自适应修复。
Description
技术领域
本发明涉及计算机图像处理领域,尤其涉及一种基于轮廓匹配的图像修复方法。
背景技术
图像修复算法一直是图像领域里的难点和热点问题之一。之前通常的修复算法是通过线性插值在一维上进行处理。图像修复具有广泛的应用需求。但大多数图像修复算法修复效果不好或者是耗时过高,没法在质量和效率上达到一个令人满意的平衡,特别是当图片比较大的时候,过高的时间消耗几乎是所有修复算法的通病。
基于双线性插值的方法,该方法对于图像中出现的划痕以及一些线条型的模糊区域具有较好的结果,然而实际图像修复问题往往是一个个需要修复的区块,该算法在对区块的处理时往往会得到一个个大的均匀过渡的色块,毫无结构特征可言,更不会和源图的原始结构相适应。
基于主体框架的修复算法,这个算法需要较多的交互,首先在需要修复的区域描绘出主体框架,然后对这些主体框架分割出来的区块分别使用线性插值。这个算法要优于直接使用线性插值的方法,毕竟有了一定的结构特征。但是这个算法没有从根本上解决图像轮廓与源图相适应的问题,并且采用过多的人工干预,效果会有人为偏差,难以使用在需要自适应修复的情况下。
发明内容
本发明提供了一种基于轮廓匹配的快速图像修复算法,从根本上解决修复区域与源图相适应的问题,大大提升了修复效果,且容易实施。
一种基于轮廓匹配的图像修复方法,包括以下步骤:
(1)用标记指定待修复图像中的待修复区域;
(2)确定待修复区域的最小矩形覆盖盒并定义待修复块,该待修复块的初始位置与待修复区域所述的最小矩形覆盖盒仅相交一个待修复像素;
(3)通过sobel算子(索贝尔算子)获取待修复图像和参考图像的轮廓信息,得到待修复图像和参考图像的轮廓图,并根据待修复图像和参考图像的轮廓图确定处于初始位置的待修复块在参考图像中的最佳匹配块,并利用该最佳匹配块对该待修复像素进行预修复;
(4)移动待修复块,且每次移动后,与最小矩形覆盖盒的相交处仅新增一个待修复像素,每次移动后均根据待修复图像和参考图像的轮廓图确定该待修复块在参考图像中的最佳匹配块,并利用该最佳匹配块对该待修复像素进行预修复,直至遍历待修复区域;
(5)针对每个待修复像素,确定该待修复像素的相关最佳匹配块,对所有相关最佳匹配块中与该待修复像素相应的像素的像素值进行加权处理,并用加权处理的结果对该待修复像素进行最终修复,所述的相关最佳匹配块为包含该待修复像素的待修复块的最佳匹配块。
所述步骤(1)中用标记指定待修复图像中的待修复区域是指对需要修复像素进行标记,具有标记的区域即为待修复区域。可根据需要可设置多种标记,具有相同标记的像素点组成的同一个待修复区域。当有多个待修复区域时,可以按照待修复区域,依次对每个待修复区域进行修复。
本发明中待修复像素定义为待修复图像中待修复区域的像素。
本发明中定义的待修复块,并以待修复块为基本单位对待修复区域进行修复。
由于待修复区域的形状不规则,为方便实现每次移动待修复块仅增加一个的待修复像素,本发明根据待修复区域的形状设有最小矩形覆盖盒,最小矩形覆盖盒可以理解为刚好与待修复区域相切。
本发明中对待修复图像进行修复包括预修复和最终修复两个步骤。首先依次逐个对所有待修复像素进行预修复,即将最佳匹配块中相应像素(最佳匹配块中与该待修复像素在待修复块中位置相同的像素)的像素值作为待修复像素的像素值,对所有待修复像素完成预修复后,对于任意一个待修复像素,以所有包含该待修复像素的待修复块对应的最佳匹配对该待修复像素进行最终修复,最终修复是指将最佳匹配块中相应像素的像素值的加权平均值作为该待修复像素的像素值。
为提高修复精度,预修复时,保证每次移动待修复块后相对于上一个待修复块仅新增一个待修复像素,且第一个待修复块(即处于初始位置的待修复块)与最小矩形覆盖盒的相交区域内仅有一个待修复像素(此相交区域一般位于最小矩形覆盖盒的顶角处),因此处于一个位置的待修复块仅能修复一个待修复像素。通过设置最小矩形覆盖盒,便于实现每次移动时新增一个待修复像素,移动时,从初始位置开始按照横(或纵向)移动修复块,每次移动的距离为一个像素,当对一行(或一列)完成预修复后,进入下一行(或下一列),依次移动即可。
本发明根据待修复图像和参考图像的轮廓图确定待修复块在参考图像中的最佳匹配块(即进行轮廓匹配),依据轮廓匹配可以有效避免因为传统插值算法边界扩散和边界扭曲引起的误差,且设定待修复区域的最小矩形覆盖盒和待修复块,通过移动待修复块完成,每次移动后进行预修复一个待修复像素,对所有点完成与修复后,继续根据各个待修复块对待修复像素的相关性,进行权重处理,最终修复,进一步提高了修复精度。
所述步骤(3)中确定初始位置处的待修复块在参考图像中的最佳匹配块包括以下步骤:
(3-1)根据待修复块在待修复图像中的位置,在待修复图像的轮廓图中确定位置相应的待修复映射块;
(3-2)在参考图像的轮廓图中随机选定一个参考映射块,该参考映射块大小与待修复映射块相同,并根据公式:
计算待修复映射块与该参考映射块的距离值Dpatch,其中patch为待修复块包含的像素个数,Ai为待修复映射块中的第i个像素的像素值,ti为参考映射块中的第i个像素的像素值;
(3-3)循环步骤(3-2),且每次循环保留与待修复映射块距离值较小的参考映射块,并以保留的参考映射块为参照,缩小下一次随机选定参考映射块的范围,直至随机选定参考映射块的范围达到预设值;
(3-4)将获得的参考映射块映射作为最佳匹配映射块,并将该最佳匹配映射块映射到参考图像中即得到最佳匹配块。
待修复块、参考映射块、待修复映射块、最佳匹配映射块和最佳匹配块所包含的像素个数相同。
循环搜索选定的参考映射块,选择与待修复映射块的距离最近的参考映射块作为最佳匹配映射块,并根据最终最佳匹配映射块从参考图像中获取最佳匹配块,完成预修复。每次搜索完成后进行距离值比较,缩小下一次搜索区域(范围)形成新的搜索范围,并根据比较结果,新的搜索范围以距离值较小的最佳匹配映射块为中心,直至随机选定参考映射块的范围(搜索区域)的大小与待修复块的大小相同。
所述步骤(4)通过以下步骤确定待修复块在参考图像中的最佳匹配块:
(4-1)根据待修复块在待修复图像中的位置,在待修复图像的轮廓图中确定位置相应的待修复映射块;
(4-2)在参考图像的轮廓图中随机选定一个参考映射块,该参考映射块大小与待修复映射块相同,并根据公式:
计算待修复映射块与该参考映射块的距离值Dpatch,其中Ai为待修复映射块中的第i个像素的像素值,ti为参考映射块中的第i个像素的像素值;
(4-3)循环步骤(3-2),且每次循环保留与待修复映射块距离值较小的参考映射块,并以保留的参考映射块为参照,缩小下一次随机选定参考映射块的范围,直至随机选定参考映射块的范围达到预设值;
(4-4)将获得的参考映射块映射作为最佳匹配映射块,并将该最佳匹配映射块映射到参考图像中即得到最佳匹配块。
作为优选,所述步骤(4)通过以下步骤确定待修复块在参考图像中的最佳匹配块:
(S1)确定第一候选最佳匹配映射块,包括以下步骤:
(S11)根据待修复块在待修复图像中的位置,在待修复图像的轮廓图中确定位置相应的待修复映射块;
(S12)在参考图像的轮廓图中随机选定一个参考映射块,该参考映射块大小与待修复映射块相同,并根据公式:
计算待修复映射块与该参考映射块的距离值Dpatch,其中Ai为待修复映射块中的第i个像素的像素值,ti为参考映射块中的第i个像素的像素值;
(S13)循环步骤(S12),且每次循环保留与待修复映射块距离值较小的参考映射块,并以保留的参考映射块为参照,缩小下一次随机选定参考映射块的范围,直至随机选定参考映射块的范围达到预设值;
(S14)将获得的参考映射块映射作为第一候选最佳匹配映射块;
(S2)确定第二候选最佳匹配映射块,包括以下步骤:
(S21)在待修复图像的轮廓图中,当前待修复映射块相对于前一个待修复映射块的偏移量作为参照偏移量;
(S22)将前一个待修复块的最佳匹配映射块按照所述参照偏移量进行偏移得到第二候选最佳匹配映射块;
(S3)根据所述步骤(3-3)中的公式计算待修复映射块与第二候选最佳匹配映射块的距离值,并比较第一候选最佳匹配映射块和第二候选最佳匹配映射块与修复映射块的距离值,以与修复映射块的距离值较小者作为最佳匹配映射块;
(S4)将获得的参考映射块映射作为最佳匹配映射块,并将该最佳匹配映射块映射到参考图像中即得到最佳匹配块。
考虑待修复区域的连续性,在参考图像最佳匹配映射块的轮廓图,将上一个待修复块的最佳匹配映射块移动相应的距离比较有可能成为当前待修复块的最佳匹配映射块,因此作为候选最佳匹配映射块,因此本发明利用随机搜索算法可以获取一个候选最佳匹配映射块,将比较两种方法获取的候选最佳匹配映射块与待修复映射块的距离值,选择距离值较小的作为最佳匹配映射块,能够进一步提高修复精度。
所述步骤(2)中的待修复块为正方形。
正方形是指待修复块中横向和纵向包含的像素数量相同,定义待修复块为正方形有利于实现逐个像素对待修复区域进行修复。待修复块的大小决定了修复的精度,待修复块的大小至少应该为2×2像素(横向和纵向均包括2个像素,一共四个像素),待修复块的越大,则包含的像素越多,由于每次移动待修复块中均只有增加一个待修复像素,则匹配精度越高,进一步修复精度也相应提高,但是同时考虑到增大待修复块时会导致数据量增大,降低修复速度,因此作为优选,所述步骤(2)中的待修复块的大小为2×2~7×7像素。
所述步骤(2)还定义修复包围盒,所述修复包围盒为所述的最小矩形包覆盒的长和宽外延指定宽度,该指定宽度比待修复块的边长少一个像素。将最小矩形包覆盒的长和宽外延指定宽度得到修复包围盒,外延的宽度根据的待修复块的大小设定,一般小于待修复块的边长少一个像素。使初始位置的待修复块的一个顶角和两条边与修复包围盒重合,然后移动,遍历整个修复包围盒,每次移动的步进长度为一个像素。
所述的标记、最小矩形覆盖盒和修复包围盒与待修复图像采用相同的数据结构。
为便于识别,所述的标记、最小矩形覆盖盒和修复包围盒存储于不同的图像通道上。
与现有技术相比,本发明的有益效果为:
(1)本发明的基于轮廓匹配的图像修复方法,通过轮廓匹配对对待修复图像进行匹配修复,以像素为单位逐步完成修复,且本发明的修复包括预修复和最终修复,通过两次修复,修复精度高;
(2)本发明的图像修复方法仅对所需要修复的区域进行处理,算法的外部需求(人工干预)仅仅是设定待修复区域的范围,不需要其他人为干预,适用于自适应修复;
(3)本发明的图像修复方法通过随机搜索法进行轮廓匹配,在保证效果的前提下,运算速度非常快,可以满足实时处理的需求。
具体实施方式
一种基于轮廓匹配的图像修复方法,包括以下步骤:
(1)用标记指定待修复图像中的待修复区域(该标记位于r通道上);
(2)确定待修复区域的最小矩形覆盖盒并定义待修复块和修复包围盒,待修复块的大小为7×7像素,即横向和纵向均包括7个像素,修复包围盒为最小矩形覆盖盒横向和纵向外延6个像素的得到的矩形,使待修复块与修复包围盒的一个顶角和两条边重合,即使最小矩形覆盖盒的相交区域仅包含一个待修复像素;
(3)通过sobel算子获取待修复图像和参考图像的轮廓信息,得到待修复图像和参考图像的轮廓图,并根据待修复图像和参考图像的轮廓图确定处于初始位置的待修复块在参考图像中的最佳匹配块,并利用该最佳匹配块对该待修复像素进行预修复;
(4)移动待修复块,且每次移动后,与最小矩形覆盖盒的相交处仅新增一个待修复像素,每次移动后均根据待修复图像和参考图像的轮廓图确定该待修复块在参考图像中的最佳匹配块,并利用该最佳匹配块对该待修复像素进行预修复,直至遍历待修复区域;
(5)针对每个待修复像素,确定该待修复像素的相关最佳匹配块,对所有相关最佳匹配块中与该待修复像素相应的像素的像素值进行加权处理,并用加权处理的结果对该待修复像素进行最终修复,相关最佳匹配块为包含该待修复像素的待修复块的最佳匹配块。
通过设置最小矩形覆盖盒,便于实现每次移动时新增一个待修复像素,移动时,从初始位置开始按照横(或纵向)移动修复块,每次移动的距离为一个像素,当对一行(或一列)完成预修复后,进入下一行(或下一列),依次移动即可。
步骤(3)中确定初始位置处的待修复块在参考图像中的最佳匹配块包括以下步骤:
(3-1)根据待修复块在待修复图像中的位置,在待修复图像的轮廓图中确定位置相应的待修复映射块;
(3-2)在参考图像的轮廓图中随机选定一个参考映射块,该参考映射块大小与待修复映射块相同,并根据公式:
计算待修复映射块与该参考映射块的距离值Dpatch,其中patch为待修复块包含的像素个数,Ai为待修复映射块中的第i个像素的像素值,ti为参考映射块中的第i个像素的像素值;
(3-3)循环步骤(3-2),且每次循环保留与待修复映射块距离值较小的参考映射块,并以保留的参考映射块为参照,缩小下一次随机选定参考映射块的范围,直至随机选定参考映射块的范围达到预设值;
(3-4)将获得的参考映射块映射作为最佳匹配映射块,并将该最佳匹配映射块映射到参考图像中即得到最佳匹配块。
待修复块、参考映射块、待修复映射块、最佳匹配映射块和最佳匹配块所包含的像素个数相同。
循环搜索选定的参考映射块,选择与待修复映射块的距离最近的参考映射块作为最佳匹配映射块,并根据最终最佳匹配映射块从参考图像中获取最佳匹配块,完成预修复。每次搜索完成后进行距离值比较,缩小下一次搜索区域(范围)形成新的搜索范围,并根据比较结果,新的搜索范围以距离值较小的最佳匹配映射块为中心,直至随机选定参考映射块的范围(搜索区域)的大小与待修复块的大小相同。
步骤(4)中通过以下步骤确定待修复块在参考图像中的最佳匹配块:
(S1)确定第一候选最佳匹配映射块,包括以下步骤:
(S11)根据待修复块在待修复图像中的位置,在待修复图像的轮廓图中确定位置相应的待修复映射块;
(S12)在参考图像的轮廓图中随机选定一个参考映射块,该参考映射块大小与待修复映射块相同,并根据公式:
计算待修复映射块与该参考映射块的距离值Dpatch,其中Ai为待修复映射块中的第i个像素的像素值,ti为参考映射块中的第i个像素的像素值;
(S13)循环步骤(S12),且每次循环保留与待修复映射块距离值较小的参考映射块,并以保留的参考映射块为参照,缩小下一次随机选定参考映射块的范围,直至随机选定参考映射块的范围达到预设值;
(S14)将获得的参考映射块映射作为第一候选最佳匹配映射块;
(S2)确定第二候选最佳匹配映射块,包括以下步骤:
(S21)在待修复图像的轮廓图中,当前待修复映射块相对于前一个待修复映射块的偏移量作为参照偏移量;
(S22)将前一个待修复块的最佳匹配映射块按照参照偏移量进行偏移得到第二候选最佳匹配映射块;
(S3)根据所述步骤(3-3)中的公式计算待修复映射块与第二候选最佳匹配映射块的距离值,并比较第一候选最佳匹配映射块和第二候选最佳匹配映射块与修复映射块的距离值,以与修复映射块的距离值较小者作为最佳匹配映射块;
(S4)将获得的参考映射块映射作为最佳匹配映射块,并将该最佳匹配映射块映射到参考图像中即得到最佳匹配块。
考虑待修复区域的连续性,在参考图像最佳匹配映射块的轮廓图,将上一个待修复块的最佳匹配映射块移动相应的距离比较有可能成为当前待修复块的最佳匹配映射块,因此作为候选最佳匹配映射块,因此本发明利用随机搜索算法可以获取一个候选最佳匹配映射块,将比较两种方法获取的候选最佳匹配映射块与待修复映射块的距离值,选择距离值较小的作为最佳匹配映射块,能够进一步提高修复精度。
本实施例中的标记、最小矩形覆盖盒和修复包围盒与待修复图像标记区同存储图像的数据结构相同,都采用二维数组,每个位置上的像素包含r通道、g通道和b通道三个图像通道。标记、最小矩形覆盖盒和修复包围盒与待修复图像采用相同的数据结构。为便于识别,标记、最小矩形覆盖盒和修复包围盒处于不同的图像通道上,本实施例中标记存储于r通道上,最小矩形覆盖盒存储于g通道上,修复包围盒信息存储在标记区b通道上。
用标记指定需要待修复图像中的待修复区域,该标记采用二维数组mask[x][y]。将标记存储于r通道上时,即将该标记对应的二维数组mask[x][y]中的r通道置为一个1-255范围的数字。需要特指出标记的区域形状是不可预测,只和待修复图像中的待修复区域相关,因此待修复区域对应在二维数组mask[x][y]上的r通道值都应该改变,而不仅仅是使用修复区域的边界进行记录。
通过以下方法获取最小矩形覆盖盒,建立坐标系以待修复图象的左上角顶点为原点,图象上边界为X轴(水平向右),图象左边界为Y轴(竖直向下),该坐标系中单位长度为1个像素。为了达到上述效果,首先遍历所有标记的r通道,得到所有标记的最小横坐标、最小纵坐标、最大横坐标以及最大纵坐标,分别记为xmin,xmax,ymin,ymax,从而以xmin,xmax,ymin,ymax建立最小矩形覆盖盒,最小矩形覆盖盒的四个顶点坐标分为(xmin,ymin)、(xmax,ymin)、(xmax,ymax)和(xmin,ymax)。
将最小矩形覆盖盒外延6个像素得到修复包围盒,该修复包围盒的四个顶点坐标分别为(xmin-6,ymin-6)、(xmax+6,ymin-6)、(xmax+6,ymax+6)和(xmin-6,ymax+6)。
本实施例中处于初始位置的待修复块的四个顶点坐标分别为:(xmin-6,ymin-6)、(xmin+1,ymin-6)、(xmin+1,ymin+1)和(xmin-6,ymin+1)。
本实施例中首先向X轴正方向移动待修复块,每次移动一个单位长度(一个像素),遍历一行后,向Y轴正方向移动一个单位长度,然后再沿着X轴负方向移动,每一移动一个单位长度,遍历该行后,再向下移动一个单位长度,进入下一行,依次循环,遍历整个待修复区域。
本实施例中步骤(5)中对所有相关最佳匹配块中相应像素的像素值进行加权处理时,所有相关最佳匹配块的权值均为1。
Claims (9)
1.一种基于轮廓匹配的图像修复方法,其特征在于,包括以下步骤:
(1)用标记指定待修复图像中的待修复区域;
(2)确定待修复区域的最小矩形覆盖盒并定义待修复块,该待修复块的初始位置与待修复区域所述的最小矩形覆盖盒仅相交一个待修复像素;
(3)通过sobel算子获取待修复图像和参考图像的轮廓信息,得到待修复图像和参考图像的轮廓图,并根据待修复图像和参考图像的轮廓图,采用随机搜索法确定初始位置的待修复块在参考图像中的最佳匹配块,并利用该最佳匹配块对该待修复像素进行预修复;
(4)移动待修复块,且每次移动后,与最小矩形覆盖盒的相交处仅新增一个待修复像素,每次移动后均根据待修复图像和参考图像的轮廓图确定该待修复块在参考图像中的最佳匹配块,并利用该最佳匹配块对该待修复像素进行预修复;直至遍历待修复区域;
(5)针对每个待修复像素,确定该待修复像素的相关最佳匹配块,对所有相关最佳匹配块中与该待修复像素相应的像素的像素值进行加权处理,并用加权处理的结果对该待修复像素进行修复,所述的相关最佳匹配块为包含该待修复像素的待修复块的最佳匹配块。
2.如权利要求1所述的基于轮廓匹配的图像修复方法,其特征在于,所述步骤(3)中随机搜索法确定初始位置处的待修复块在参考图像中的最佳匹配块包括以下步骤:
(3-1)根据待修复块在待修复图像中的位置,在待修复图像的轮廓图中确定位置相应的待修复映射块;
(3-2)在参考图像的轮廓图中随机选定一个参考映射块,该参考映射块大小与待修复映射块相同,并根据公式:
计算待修复映射块与该参考映射块的距离值Dpatch,其中patch为待修复块包含的像素个数,Ai为待修复映射块中的第i个像素的像素值,ti为参考映射块中的第i个像素的像素值;
(3-3)循环步骤(3-2),且每次循环保留与待修复映射块距离值较小的参考映射块,并以保留的参考映射块为参照,缩小下一次随机选定参考映射块的范围,直至随机选定参考映射块的范围达到预设值;
(3-4)将获得的参考映射块映射作为最佳匹配映射块,并将该最佳匹配映射块映射到参考图像中即得到最佳匹配块。
3.如权利要求2所述的基于轮廓匹配的图像修复方法,其特征在于,所述步骤(4)通过随机搜索法确定待修复块在参考图像中的最佳匹配块。
4.如权利要求2所述的基于轮廓匹配的图像修复方法,其特征在于,所述步骤(4)通过以下步骤确定待修复块在参考图像中的最佳匹配块:
(S1)确定第一候选最佳匹配映射块,包括以下步骤:
(S11)根据待修复块在待修复图像中的位置,在待修复图像的轮廓图中确定位置相应的待修复映射块;
(S12)在参考图像的轮廓图中随机选定一个参考映射块,该参考映射块大小与待修复映射块相同,并根据公式:
计算待修复映射块与该参考映射块的距离值Dpatch,其中Ai为待修复映射块中的第i个像素的像素值,ti为参考映射块中的第i个像素的像素值;
(S13)循环步骤(S12),且每次循环保留与待修复映射块距离值较小的参考映射块,并以保留的参考映射块为参照,缩小下一次随机选定参考映射块的范围,直至随机选定参考映射块的范围达到预设值;
(S14)将获得的参考映射块映射作为第一候选最佳匹配映射块;
(S2)确定第二候选最佳匹配映射块,包括以下步骤:
(S21)在待修复图像的轮廓图中,当前待修复映射块相对于前一个待修复映射块的偏移量作为参照偏移量;
(S22)将前一个待修复块的最佳匹配映射块按照所述参照偏移量进行偏移得到第二候选最佳匹配映射块;
(S3)根据所述步骤(3-3)中的公式计算待修复映射块与第二候选最佳匹配映射块的距离值,并比较第一候选最佳匹配映射块和第二候选最佳匹配映射块与修复映射块的距离值,以与修复映射块的距离值较小者作为最佳匹配映射块;
(S4)将获得的参考映射块映射作为最佳匹配映射块,并将该最佳匹配映射块映射到参考图像中即得到最佳匹配块。
5.如权利要求3或4所述的基于轮廓匹配的图像修复方法,其特征在于,所述步骤(2)中的待修复块为正方形。
6.如权利要求5所述的基于轮廓匹配的图像修复方法,其特征在于,所述步骤(2)中的待修复块的大小为2×2~7×7像素。
7.如权利要求6所述的基于轮廓匹配的图像修复方法,其特征在于,所述步骤(2)还定义修复包围盒,所述修复包围盒为所述的最小矩形包覆盒的长和宽外延指定宽度,该指定宽度比与待修复块的边长多一个像素。
8.如权利要求7所述的基于轮廓匹配的图像修复方法,其特征在于,所述的标记、最小矩形覆盖盒和修复包围盒与待修复图像采用相同的数据结构。
9.如权利要求8所述的基于轮廓匹配的图像修复方法,其特征在于,所述的标记、最小矩形覆盖盒和修复包围盒存储不同的图像通道上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310751926.XA CN103761708B (zh) | 2013-12-30 | 2013-12-30 | 基于轮廓匹配的图像修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310751926.XA CN103761708B (zh) | 2013-12-30 | 2013-12-30 | 基于轮廓匹配的图像修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103761708A true CN103761708A (zh) | 2014-04-30 |
CN103761708B CN103761708B (zh) | 2016-09-07 |
Family
ID=50528941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310751926.XA Expired - Fee Related CN103761708B (zh) | 2013-12-30 | 2013-12-30 | 基于轮廓匹配的图像修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103761708B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955906A (zh) * | 2014-05-21 | 2014-07-30 | 武汉科技大学 | 基于蝙蝠算法的Criminisi图像修复方法 |
CN105118036A (zh) * | 2015-08-26 | 2015-12-02 | 广西小草信息产业有限责任公司 | 一种对破损图像进行修复的方法和系统 |
CN108109122A (zh) * | 2017-12-19 | 2018-06-01 | 蒙城县望槐信息科技有限责任公司 | 一种图像丢失缺部分复方法 |
CN108665416A (zh) * | 2017-03-29 | 2018-10-16 | 清华大学 | 破损壁画修复方法及系统 |
WO2018214151A1 (zh) * | 2017-05-26 | 2018-11-29 | 深圳配天智能技术研究院有限公司 | 一种图像处理方法、终端设备及计算机存储介质 |
CN111353946A (zh) * | 2018-12-21 | 2020-06-30 | 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 |
CN118429226B (zh) * | 2024-05-15 | 2024-09-27 | 中国中建设计研究院有限公司 | 适用于大理石的自动配色配置方法及装置 |
Citations (5)
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 |
US20100177978A1 (en) * | 2009-01-14 | 2010-07-15 | Samsung Electronics Co., Ltd. | Image restoring apparatus and method thereof |
CN102760285A (zh) * | 2012-05-31 | 2012-10-31 | 河海大学 | 一种图像修复方法 |
CN102800078A (zh) * | 2012-07-20 | 2012-11-28 | 西安电子科技大学 | 非局部均值图像细节修复方法 |
CN102999887A (zh) * | 2012-11-12 | 2013-03-27 | 中国科学院研究生院 | 一种基于样本的图像修复方法 |
-
2013
- 2013-12-30 CN CN201310751926.XA patent/CN103761708B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100177978A1 (en) * | 2009-01-14 | 2010-07-15 | Samsung Electronics Co., Ltd. | Image restoring apparatus and method thereof |
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 |
CN102760285A (zh) * | 2012-05-31 | 2012-10-31 | 河海大学 | 一种图像修复方法 |
CN102800078A (zh) * | 2012-07-20 | 2012-11-28 | 西安电子科技大学 | 非局部均值图像细节修复方法 |
CN102999887A (zh) * | 2012-11-12 | 2013-03-27 | 中国科学院研究生院 | 一种基于样本的图像修复方法 |
Non-Patent Citations (2)
Title |
---|
范冠鹏 等: "基于局部特性的图像修复算法", 《光电子·激光》 * |
郭勇 等: "基于改进样本块的数字图像修复算法研究", 《软件导刊》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955906A (zh) * | 2014-05-21 | 2014-07-30 | 武汉科技大学 | 基于蝙蝠算法的Criminisi图像修复方法 |
CN105118036A (zh) * | 2015-08-26 | 2015-12-02 | 广西小草信息产业有限责任公司 | 一种对破损图像进行修复的方法和系统 |
CN108665416A (zh) * | 2017-03-29 | 2018-10-16 | 清华大学 | 破损壁画修复方法及系统 |
CN108665416B (zh) * | 2017-03-29 | 2020-10-30 | 清华大学 | 破损壁画修复方法及系统 |
WO2018214151A1 (zh) * | 2017-05-26 | 2018-11-29 | 深圳配天智能技术研究院有限公司 | 一种图像处理方法、终端设备及计算机存储介质 |
CN109478326A (zh) * | 2017-05-26 | 2019-03-15 | 深圳配天智能技术研究院有限公司 | 一种图像处理方法、终端设备及计算机存储介质 |
CN109478326B (zh) * | 2017-05-26 | 2021-11-05 | 深圳配天智能技术研究院有限公司 | 一种图像处理方法、终端设备及计算机存储介质 |
CN108109122A (zh) * | 2017-12-19 | 2018-06-01 | 蒙城县望槐信息科技有限责任公司 | 一种图像丢失缺部分复方法 |
CN111353946A (zh) * | 2018-12-21 | 2020-06-30 | 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 |
US11908105B2 (en) | 2018-12-21 | 2024-02-20 | Tencent Technology (Shenzhen) Company Limited | Image inpainting method, apparatus and device, and storage medium |
CN118429226B (zh) * | 2024-05-15 | 2024-09-27 | 中国中建设计研究院有限公司 | 适用于大理石的自动配色配置方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103761708B (zh) | 2016-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103761708A (zh) | 基于轮廓匹配的图像修复方法 | |
CN102721364B (zh) | 一种工件的定位方法及其装置 | |
CN104200444B (zh) | 基于对称样本块的图像修复方法 | |
CN103544711B (zh) | 遥感影像的自动配准方法 | |
CN114018932B (zh) | 基于矩形标定物的路面病害指标测量方法 | |
CN112132907B (zh) | 一种相机标定方法、装置、电子设备及存储介质 | |
CN108470361A (zh) | 一种角点自动识别相机标定方法 | |
CN109583365A (zh) | 基于成像模型约束非均匀b样条曲线拟合车道线检测方法 | |
CN109767479B (zh) | 一种基于动态边界组序列的图元填充方法和系统 | |
CN103699900A (zh) | 卫星影像中建筑物水平矢量轮廓自动批量提取方法 | |
CN101609554B (zh) | 一种基于灰度统计特征的灰度模板匹配方法 | |
CN103927748B (zh) | 一种基于多矩形图像距离转换模型的坐标标定方法 | |
CN106363304A (zh) | 一种多相机矫正和定位方法及玻璃激光切割的装置 | |
CN110176053B (zh) | 一种大规模实景三维整体匀色方法 | |
CN103903256B (zh) | 一种基于相对高度深度线索的深度估计方法 | |
CN106447671A (zh) | 一种根据指定面积的矢量多边形自动分割方法 | |
CN106980851A (zh) | 一种数据矩阵dm码的定位方法及装置 | |
CN114612632A (zh) | 一种基于三维激光点云数据的排序、插值处理方法 | |
CN104537627B (zh) | 一种深度图像的后处理方法 | |
CN107833191A (zh) | 基于图像局部信息的改进Criminisi算法 | |
CN103948431B (zh) | 一种应用于手术导航标记点误差指示的示踪器设计方法 | |
CN107256556A (zh) | 一种基于灰度跳变思想的太阳能电池组件单元分割方法 | |
CN111260723B (zh) | 棒材的质心定位方法及终端设备 | |
CN113884036A (zh) | 一种坐标转换方法及装置、电子设备、存储介质 | |
CN116109523B (zh) | 一种智能设计的图像缺陷点自动修复方法及系统 |
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: 20160907 |