CN104376535A - 一种基于样本的快速图像修复方法 - Google Patents
一种基于样本的快速图像修复方法 Download PDFInfo
- Publication number
- CN104376535A CN104376535A CN201410614189.3A CN201410614189A CN104376535A CN 104376535 A CN104376535 A CN 104376535A CN 201410614189 A CN201410614189 A CN 201410614189A CN 104376535 A CN104376535 A CN 104376535A
- Authority
- CN
- China
- Prior art keywords
- repaired
- value
- point
- template
- 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.)
- Granted
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于样本的快速图像修复方法,该方法包括:采用标记确定待修复区域;选取待修复区域和已知区域交界的轮廓线;计算模板的数据值和置信度值;引入调节参数,确定具有最高优先级的待修复模块;在待修复模块邻近的已知区域内,按照与待修复模块中心点的距离远近,由近及远的搜索出最优匹配块;将最优匹配块对应的像素点填充到待修复模块的相应位置,同时更新新填充像素点的置信值;对待修复区域重复以上步骤,直到待修复区域全部填充完毕。本发明从优先级的运算、数据值计算、匹配区域及最优匹配块的搜索和置信值更新四个方面进行优化,修复效果更加自然,同时修复由于只是在局部进行匹配,大大减少了修复时间。
Description
技术领域
本发明涉及一种图像修复方法,具体是一种基于样本的快速图像修复方法,属于图像处理技术领域。
背景技术
作为图像处理的一个重要应用,图像修复的主要目的是在人眼可以接受的程度下对破损的图像进行修复,它的应用领域包括艺术品的修复、计算机动画、影视特技、虚拟现实等各个方面。
目前的图像修复算法主要集中于两大类:一是图像润饰(inpainting)的方法,该方法首先由Bertalmio等人引入到数字图像,使用基于偏微分方程(PDE)的修复模型,基于此思想的方法还有Chan提出的整体变分(TV)模型以及基于曲率驱动扩散(CDD)模型等。这些方法对有瑕疵的图像破损有较好的修复效果,但修复较大区域效果模糊,且对纹理较强的破损区域修复效果差。二是基于纹理合成的图像修复方法,适用于修复大面积的破损。其中最经典的算法由Criminisi等人提出,该算法在基于样本的纹理合成算法基础上再融合图像润饰结构扩散的特点,修复效果较好。
基于样本的纹理合成的优点是合成算法本身蕴含了样本中纹理和结构的信息,而图像润饰算法中结构信息扩散的关键在于填充的顺序。Criminisi等人提出的算法融合了这两者优点。算法核心是基于样本的纹理合成,即从图像的源区域复制像素点填充进目标区域中,包含了已有的纹理和结构信息,而区域之间的结构信息则通过改变像素点的填充顺序可以得到。这样算法既解决了同时生成纹理和结构信息的问题也保持了原有纹理合成算法高效的优点。综合来看,目前修复效果较好、适用面更广泛的是Criminisi算法。在此基础上,出现了一些改进算法。利用小波变换进行图像修复,但需要依赖图像分解、结构修复及纹理合成这三种技术,比较繁琐。利用邻域特性选择待修复样本块模板大小,该算法对纹理部分修复较好,但容易产生纹理重叠。基于匹配块的图像修复算法,修复效果较好,但计算代价过大。
Criminisi算法的缺陷主要表现在三个方面:第一优先级的计算,随着填充过程的进行,模板数据值会迅速下降到零,这样使得计算出的优先级不可靠;因此,会出现错误的填充顺序,最后影响修复效果。第二采用全局搜索算法来寻找最优匹配块,这样不但会产生错误匹配,而且还会使填充速度变慢。第三置信值的计算,对破损区域内原有的像素点和填充上去的像素点进行相同处理,意味着破损区域原有的像素点和填充上去的像素点一样可靠,没有考虑到本次修复的效果,算法容易导致修复效果越来越差,从而形成它的贪婪性。
发明内容
针对上述现有技术存在的问题,本发明提供一种基于样本的快速图像修复方法,能有效解决Criminisi算法低纹理区域修复滞后的问题,也可以保证不同颜色纹理区域的边界线会随着填充过程被保留延续下去,保留图像的线性结构,有利于“断层”的消除,使修复合成的顺序基本上是从外围向中间合成,最终修复效果更加真实自然;同时由于修复只是在局部进行匹配,大大减少修复时间。
为了实现上述目的,本发明采用的技术方案是:该基于样本的快速图像修复方法,其具体步骤为:
(1)标记确定待修复图像中的待修复区域;是指事先根据需要,利用图像处理软件简单的在图像上标出破损区域,可同时标记出一个或多个待修复区域,修复时依次对每个待修复区域进行修复;
(2)选取待修复区域和已知区域交界的轮廓线;
(3)计算轮廓线上模板的数据值和置信度值,引入Sobel算子,优化数据值和置信度值的计算;
(4)引入调节参数,根据模板的数据值和置信度值计算模板的优先级,确定具有最高优先级的待修复模块;
(5)在待修复模块邻近的已知区域内,按照与待修复模块中心点的距离远近,由近及远的搜索所有匹配块,寻找与待修复模块最相似的最优匹配块;
(6)将最优匹配块对应的像素点填充到待修复模块的相应位置,同时根据最优匹配块对应的SSD值和设定的颜色阈值的大小关系的不同,更新新填充像素点的置信度值;
(7)对待修复区域重复步骤(2)~(6),直到待修复区域全部填充完毕。
进一步,所述步骤(1)~(3)中,设有图像I,待填充的待修复区域为Ω,轮廓线为δΩ,已知区域为Φ(Φ=I-Ω),待修复区域内沿轮廓线的方形模板Ψp,中心点p在轮廓线δΩ上,模板Ψp应包含了一部分已合成的像素;
所述步骤(3)中计算轮廓线上中心像素点为p的模板数据值为:
式中,D(p)表示模板的数据值,是在点p的等照度线向量,np是轮廓线在p点的单位法向量,是一个标准化参数,对于一般的灰度图来说,
引入sobel算子计算等照度线向量在使用sobel算子时采用3×3模板:
式中用h表示水平方向的Sobel算子,用h’表示垂直方向的Sobel算子;表示以轮廓线点为中心3×3的模板,与水平方向的Sobel算子h相乘得到水平方向的梯度gx,与垂直方向的Sobel算子h’相乘得到垂直方向的梯度gy;垂直正交向量即得等照度线向量;
所述步骤(3)中计算轮廓线上中心像素点为p的模板置信度值为:
式中,C(p)表示模板的置信度值,C(q)表示模板内像素点的置信值。初始化时,位于待修复区域中的每个点的值设为0,已知区域中的每个点的值设为1。|Ψp|是模板Ψp的面积。
所述步骤(4)中计算轮廓线上中心像素点为p的模板优先级为:
式中,P(p)表示模板的优先级,C(p)和D(p)分别表示模板的置信度值和数据值;α和β为调节参数,取α=0.382,β=0.618。
优选的,所述步骤(3)中模板的大小设为9×9像素。
进一步,所述步骤(5)具体包括以下步骤:
Ⅰ、将匹配区域限定在以待修补像素点为中心的S×S正方形邻域内,匹配邻域S×S的大小可根据破损区域的形状来确定;设待修复区域不超过m×n大小,max=min(m,n),取S=2×max+1;
Ⅱ、对于根据优先权值确定的当前待修复点p,它在上述确定的匹配区域中搜索匹配点的方式为:以点p为中心,顺序搜索与待修复点p的棋盘距离为n(1≤n≤max,n∈N)的各点作为匹配点,并依次以这些点为中心生成候选块与待修复块做SSD值的计算,直至搜索完匹配区域;
Ⅲ、对于最优匹配块的选择优先考虑距离待修复点p点最近的SSD值最小的匹配块,搜索中,直接对第1次搜索到的颜色差距值最小的候选块作记录,并将其作为最优匹配块。
进一步,所述步骤(6)中待修复模块与待选模块的SSD值(欧式距离)为:
式中,p,q分别表示待修复模块和待选模块内的对应像素,R、G、B分别表示各个像素点的不同颜色通道值。模块间的欧式距离为对应像素点间欧式距离的总和。
进一步,所述步骤(6)中新填充像素点的置信值为:
式中,如果最优匹配块对应的SSD值小于阈值Th,说明其可信度高,则新填充像素点的置信值,用最优匹配块对应像素点的置信值直接更新。如果SSD值大于阈值Th,说明其相对于已知区域中的信息来说可信度较差,则待修补像素点的置信值采用匹配前优先级最大的模板的置信度值进行更新。
本发明的有益效果是:
(1)本发明修改Criminisi算法优先级计算模型,使模板的数据值和置信度值两项相互抑制,保证修复顺序从外围向内逐渐扩散。采用这样的优先项计算方法,即可以有效的解决Criminisi算法低纹理区域修复滞后的问题也可以解决修复顺序完全按照线性结构的方向进行问题,有利于“断层”的消除。
(2)本发明利用sobel算子计算图像亮度函数的作用,将其用来计算等照度线。目的在于等照度线上的点,会首先被修复,这样不同颜色纹理区域的边界线会随着填充过程被保留延续下去,保留了图像的线性结构。
(3)本发明设置新的像素点置信度值更新模型。修补之后的像素点,越是深入待修补区域的内部,可信度就越低,其置信度值就越低。保证填充的时候尽量寻找整体置信度值比较高的匹配模块对待修复区域进行填充,这就确保合成的顺序基本上是从外围向中间合成。
(4)本发明由于是在待修复模块邻近的已知区域内进行修复匹配,由近及远的搜索匹配块,修复时间更快,也更准确。
(5)本发明对任意形状的小面积结构性纹理缺失的图像修复都有效,修复效果自然,修复时间快速,具有较好的通用性。
附图说明
图1是本发明的图像修复原理示意图;
图2是本发明的图像修复流程图;
图3分别为原图、待修复图、Criminisi方法、相近方法和本发明的方法对Bungee图像的修复效果比较;图中(a)原图;图中(b)待修复图;图中(c)Criminisi方法;图中(d)相近方法;图中(e)本发明的方法;
图4分别为原图、待修复图、Criminisi方法、相近方法和本发明方法对Golf图像的修复效果比较;图中(a)原图;图中(b)待修复图;图中(c)Criminisi方法;图中(d)相近方法;图中(e)本发明方法;
图5分别为原图、待修复图、Criminisi方法、相近方法和本发明方法对Grass图像的修复效果比较;图中(a)原图;图中(b)待修复图;图中(c)Criminisi方法;图中(d)相近方法;图中(e)本发明方法;
图6是根据本发明实施例的Grass图像的修复过程对比图;
图7是Criminisi方法、相近方法和本发明方法修复图片的不同颜色通道PSNR统计比较;
图8是Criminisi方法、相近方法和本发明方法修复图片的运行时间比较;
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,设有图像I,待填充的目标区域(待修复区域)为Ω,轮廓线为δΩ,源区域(已知区域)为Φ(Φ=I-Ω),目标区域内沿轮廓线的方形模板Ψp。中心点p在轮廓线δΩ上,模板Ψp应包含了一部分已合成的像素。模板内的每个像素点都有一个颜色值和置信值(表示该点的填充情况,为1表示已填充,为0表示还未填充)。轮廓线上的每个模板建立有一个暂时的优先级,它决定了每个模板被填充的优先顺序。模板填充的顺序是从外向内逐步填充,可充分利用已有的信息。待填充的目标区域将逐步缩小,直到填充全部完成。
如图2所示,本实施例包括以下步骤:
1、标记确定待修复图像中的待修复区域;事先根据需要,利用图像处理软件简单的在图像上标出破损区域,可同时标记出一个或多个待修复区域,修复时依次对每个待修复区域进行修复;
2、选取待修复区域和已知区域交界的轮廓线;
3、计算轮廓线上模板的数据值和置信度值,引入Sobel算子,优化数据值和置信度值的计算;
模板的大小设为9×9像素(可以根据实际需要进行选取),是指以点p为中心,大小为9×9的区域;
轮廓线上中心像素点为p的模板数据值为:
式中,D(p)表示模板的数据值,是在点p的等照度线向量,np是轮廓线在p点的单位法向量,是一个标准化参数,对于一般的灰度图来说,
引入sobel算子计算等照度线向量在使用sobel算子时采用3×3模板:
式中用h表示水平方向的Sobel算子,h={-1,0,1,-2,0,2,-1,0,1};用h’表示垂直方向的Sobel算子,h’={1,2,1,0,0,0,-1,-2,-1};表示以轮廓线点为中心3×3的模板,与水平方向的Sobel算子h相乘得到水平方向的梯度gx,与垂直方向的Sobel算子h’相乘得到垂直方向的梯度gy。垂直正交向量即得等照度线向量。引入sobel算子计算等照度线向量避免了Criminisi方法在面对纹理较多的图像时等照度线不能与周围信息有效融合,进而破坏到最终修复效果的问题,它可以保证在等照度线上的点,会首先被修复,保留了图像的线性结构。
轮廓线上中心像素点为p的模板置信度值为:
式中,C(p)表示模板的置信度值,C(q)表示模板内像素点的置信值。初始化时,位于待修复区域中的每个点的值设为0,已知区域中的每个点的值设为1。|Ψp|是模板Ψp的面积。
(1)式和(3)式分别表示模板的数据值和置信度值。它们的意义为:模板的数据值越大,说明此处是图像已知区域等照度线与带修复区域边界的交汇处,为保留图像的线性结构应优先被修复;模板的置信度值越大,说明此处包含了较多的已填充像素,从而可信度较高,应优先被修复。
4、引入调节参数,根据模板的数据值和置信度值计算模板的优先级,确定具有最高优先级的待修复模块。
轮廓线上中心像素点为p的模板优先级为:
式中,P(p)表示模板的优先级,C(p)和D(p)分别表示模板的置信度值和数据值。α和β为调节参数,取α=0.382,β=0.618。
公式中α和β为调节参数,不考虑C(p)等于零的情况(实际p点位于填充轮廓线上,待修复模版置信度值不会为零)。这样能保证当数据项为零时,只要置信度值足够高,模板也可以得到优先修复;当数据项不为零且置信度项值大于等于0.5时,采用了黄金分割点,即α=0.382,β=0.618,让数据项占主导因素,即采用结构优先的修复方法,符合视觉心理学原理;而当数据项不为零且置信度项值小于0.5时,仍采用Criminisi算法的优先级计算方法,可使两项相互抑制,保证修复顺序从外围向内逐渐扩散。
5、在待修复模块邻近的已知区域内,按照与待修复模块中心点的距离远近,由近及远的搜索所有匹配块,寻找与待修复模块最相似的模块,包括以下步骤:
Ⅰ、根据马尔可夫随机场模型对纹理局域性和稳定性的认识,源图像中与待修复模板中信息相关的信息只存在于其周围一定的区域中。本发明将匹配区域限定在以待修补像素点为中心的S×S正方形邻域内。匹配邻域S×S的大小可根据破损区域的形状来确定。设待修复区域不超过m×n大小,max=min(m,n),取S=2×max+1。
Ⅱ、对于根据优先权值确定的当前待修复点p,它在上述确定的匹配区域中搜索匹配点的方式为,以点p为中心,顺序搜索与p的棋盘距离为n(1≤n≤max,n∈N)的各点作为匹配点,并依次以这些点为中心生成候选块与待修复块做SSD值计算,直至搜索完匹配区域。
所述的SSD值(欧式距离)为:
式中,p,q分别表示待修复模块和待选模块内的对应像素,R、G、B分别表示各个像素点的不同颜色通道值。模块间的欧式距离为对应像素点间欧式距离的总和。
Ⅲ、对于最优匹配块的选择优先考虑距离p点最近的SSD值最小的匹配块。搜索中,直接对第1次搜索到的颜色差距值最小的候选块作记录,并将其作为最优匹配块。得到的修复结果与其邻域的相关性较大,也更加符合视觉上的效果。
6、将最优匹配块对应的像素点填充到待修复模块的相应位置,同时根据最优匹配块对应的SSD值和设定的颜色阈值的大小关系的不同,更新新填充像素点的置信值。计算公式为:
式中,如果最优匹配块对应的SSD值小于阈值Th,说明其可信度高,则新填充像素点的置信值,用最优匹配块对应像素点的置信值直接更新。如果SSD的值大于阈值Th,说明其相对于已知区域中的信息来说可信度较差,则待修补像素点的置信值采用匹配前优先级最大的模板的置信度值进行更新。阈值Th的确定,根据计算具体图像修复模板对应的SSD值来确定。本发明实施例的颜色阈值Th取11。
7、对待修复区域重复步骤2~6,直到待修复区域全部填充完毕。
实验数据:
为验证本发明的有效性,在计算机上进行了仿真实验。仿真实验用Visual C++ 6.0作为工具,在Intel酷睿2双核处理器(1.7GHz)、2G内存的PC机上实现。
图3分别给出了原图、待修复图、Criminisi方法、相近方法和本发明方法对Bungee图像的修复效果比较。从图3(c)可以看出,Criminisi方法在图中标识的屋顶区域修复出现了明显的断层。这是由于其置信值更新过于简单并且优先级的计算采用了数据项与置信度项的乘积,一旦填进某一错误信息,由于优先级过大,会导致不合理的颜色信息继续延伸下去。在图中另一标注区域,则出现了多余的“垃圾物”。这是由于Criminisi方法采用的是一种全局搜索方法,如果图像含有噪声,常会出现错误的匹配,随着修复过程的进行,会造成修复误差的不断累积。图3(d)相近方法修复效果有了一定程度的改善,但仍在图中所标识的区域出现了少许“垃圾物”。在继续改进其优先级计算和最优匹配块搜索的基础上,本发明修复效果如图3(e)所示。可以看出恢复效果自然,基本没有瑕疵。
图4分别给出了原图、待修复图、Criminisi方法、相近方法和本发明方法对Golf图像的修复效果比较。从图4(c)可以看出,Criminisi方法在图中标识的草地和水域的边界处修复出现了明显的塌陷,范围大且深。原因还是优先级的计算采用了数据项与置信度项的乘积导致高纹理区域的修复先于低纹理区域,出现高纹理区域的修复过度扩展。图4(d)相近方法的修复已使塌陷范围明显缩小,而本发明则进一步缩小错误范围,效果如图4(e)所示。
图5分别给出了原图、待修复图、Criminisi方法、相近方法和本发明方法对Grass图像的修复效果比较。图5草地中有三处破损区域且破损面积较大,并且都选在了多种颜色纹理的交界处,更能体现修复方法的执行情况。从图5(c)可以看出,Criminisi方法在图中标识的区域处出现了明显的修复偏差,原因和上述类似。图5(d)相近方法的修复有了明显改善,但对于左边多种纹理交接的破损区域,算法修复效果过渡明显不自然。本发明在采用sobel算子改进等照度线计算后,图5(e)中各种颜色纹理边界修复效果比较合理,也更符合真实情况。
图6是根据本发明实施例的Grass图像的修复过程对比图,分别表示该图像原始状况、图像整体修复到第88小块、第131小块、第184小块、第305小块区域和最终修复的效果图。从中可以看出,采用本发明的置信值更新模型后,保证填充的时候尽量寻找整体置信度比较高的匹配模块对待修复区域进行填充,这就确保合成的顺序基本上是从外围向中间合成。
图像修复除了采用主观评价外,为了更进一步评价图像的修复质量,还可采用峰值信噪比(Peak Signal to Noise Ratios,PSNR)作为图像修复质量的客观评价。图7分别列出图像三色通道分量的PSNR进行比较,PSNR值越高,修复图像与原始图像之间的误差越小,修复效果越好,由图7可知,本发明适用于各种不同的破损情况,而且修复结果较优。
图8中分别统计了图3、图4和图5中图像缺失像素的数量和三种方法修复需要的时间以进行对比。实验结果表明,通过将匹配区域限定在以待修补像素点为中心的正方形邻域内能够实现在保证修复效果的前提下大大提高修复速度。
Claims (6)
1.一种基于样本的快速图像修复方法,其特征在于,该方法的具体步骤为:
(1)标记确定待修复图像中的待修复区域;
(2)选取待修复区域和已知区域交界的轮廓线;
(3)计算轮廓线上模板的数据值和置信度值,引入Sobel算子,优化数据值和置信度值的计算;
(4)引入调节参数,根据模板的数据值和置信度值计算模板的优先级,确定具有最高优先级的待修复模块;
(5)在待修复模块邻近的已知区域内,按照与待修复模块中心点的距离远近,由近及远的搜索所有匹配块,寻找与待修复模块最相似的最优匹配块;
(6)将最优匹配块对应的像素点填充到待修复模块的相应位置,同时根据最优匹配块对应的SSD值和设定的颜色阈值的大小关系的不同,更新新填充像素点的置信度值;
(7)对待修复区域重复步骤(2)~(6),直到待修复区域全部填充完毕。
2.如权利要求1所述的一种基于样本的快速图像修复方法,其特征在于,所述步骤(1)~(3)中,设有图像I,待填充的待修复区域为Ω,轮廓线为δΩ,已知区域为Φ(Φ=I-Ω),待修复区域内沿轮廓线的方形模板Ψp,中心点p在轮廓线δΩ上;
所述步骤(3)中计算轮廓线上中心像素点为p的模板数据值为:
式中,D(p)表示模板的数据值,是在点p的等照度线向量,np是轮廓线在p点的单位法向量,是一个标准化参数;
引入sobel算子计算等照度线向量在使用sobel算子时采用3×3模板:
式中用h表示水平方向的Sobel算子,用h’表示垂直方向的Sobel算子;表示以轮廓线点为中心3×3的模板,与水平方向的Sobel算子h相乘得到水平方向的梯度gx,与垂直方向的Sobel算子h’相乘得到垂直方向的梯度gy;垂直正交向量即得等照度线向量;
所述步骤(3)中计算轮廓线上中心像素点为p的模板置信度值为:
式中,C(p)表示模板的置信度值,C(q)表示模板内像素点的置信值。初始化时,位于待修复区域中的每个点的值设为0,已知区域中的每个点的值设为1。|Ψp|是模板Ψp的面积。
所述步骤(4)中计算轮廓线上中心像素点为p的模板优先级为:
式中,P(p)表示模板的优先级,C(p)和D(p)分别表示模板的置信度值和数据值;α和β为调节参数。
3.如权利要求1所述的一种基于样本的快速图像修复方法,其特征在于,所述步骤(3)中模板的大小设为9×9像素。
4.如权利要求1所述的一种基于样本的快速图像修复方法,其特征在于,所述步骤(5)具体包括以下步骤:
Ⅰ、将匹配区域限定在以待修补像素点为中心的S×S正方形邻域内,匹配邻域S×S的大小可根据破损区域的形状来确定;设待修复区域不超过m×n大小,max=min(m,n),取S=2×max+1;
Ⅱ、对于根据优先权值确定的当前待修复点p,它在上述确定的匹配区域中搜索匹配点的方式为:以点p为中心,顺序搜索与待修复点p的棋盘距离为n(1≤n≤max,n∈N)的各点作为匹配点,并依次以这些点为中心生成候选块与待修复块做SSD值的计算,直至搜索完匹配区域;
Ⅲ、对于最优匹配块的选择优先考虑距离待修复点p点最近的SSD值最小的匹配块,搜索中,直接对第1次搜索到的颜色差距值最小的候选块作记录,并将其作为最优匹配块。
5.如权利要求1或2所述的一种基于样本的快速图像修复方法,其特征在于,所述步骤(6)中待修复模块与待选模块的SSD值为:
D=∑[(Rp-Rq)2+(GP-Gq)2+(Bp-Bq)2]
式中,p,q分别表示待修复模块和待选模块内的对应像素,R、G、B分别表示各个像素点的不同颜色通道值。模块间的欧式距离为对应像素点间欧式距离的总和。
6.如权利要求1所述的一种基于样本的快速图像修复方法,其特征在于,所述步骤(6)中新填充像素点的置信值为:
式中,如果最优匹配块对应的SSD值小于阈值Th,则新填充像素点的置信值,用最优匹配块对应像素点的置信值直接更新;如果SSD值大于阈值Th,则待修补像素点的置信值采用匹配前优先级最大的模板的置信度值进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410614189.3A CN104376535B (zh) | 2014-11-04 | 2014-11-04 | 一种基于样本的快速图像修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410614189.3A CN104376535B (zh) | 2014-11-04 | 2014-11-04 | 一种基于样本的快速图像修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104376535A true CN104376535A (zh) | 2015-02-25 |
CN104376535B CN104376535B (zh) | 2018-02-23 |
Family
ID=52555426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410614189.3A Active CN104376535B (zh) | 2014-11-04 | 2014-11-04 | 一种基于样本的快速图像修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104376535B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680492A (zh) * | 2015-03-11 | 2015-06-03 | 浙江工业大学 | 基于样本结构一致性的图像修复方法 |
CN104966279A (zh) * | 2015-06-15 | 2015-10-07 | 鲁东大学 | 一种基于局部结构特征的图像合成修复方法 |
CN105825487A (zh) * | 2016-04-06 | 2016-08-03 | 中国海洋石油总公司 | 一种全井周电成像图像生成方法和系统 |
CN106056546A (zh) * | 2016-05-25 | 2016-10-26 | 广东工业大学 | 一种基于样本块匹配的图像修复方法和装置 |
CN106060511A (zh) * | 2016-06-17 | 2016-10-26 | 浙江工商大学 | 基于深度图的立体视频补全方法及系统 |
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 |
CN107358581A (zh) * | 2017-06-19 | 2017-11-17 | 东南大学 | 快速图像修复方法 |
CN107945140A (zh) * | 2017-12-20 | 2018-04-20 | 中国科学院深圳先进技术研究院 | 一种图像修复方法、装置及设备 |
CN108022224A (zh) * | 2017-12-19 | 2018-05-11 | 蒙城县望槐信息科技有限责任公司 | 一种图像修复系统 |
CN108846816A (zh) * | 2018-06-20 | 2018-11-20 | 上海理工大学 | 一种密文域图像修复方法 |
CN109785255A (zh) * | 2018-12-30 | 2019-05-21 | 芜湖哈特机器人产业技术研究院有限公司 | 一种大面积图像修复方法 |
CN109785250A (zh) * | 2018-12-24 | 2019-05-21 | 西安工程大学 | 一种基于Criminisi算法的图像修复方法 |
CN109816613A (zh) * | 2019-02-28 | 2019-05-28 | 广州华多网络科技有限公司 | 图像补全方法及装置 |
CN109829867A (zh) * | 2019-02-12 | 2019-05-31 | 西南石油大学 | 一种针对稳定填充的球形收敛样本块修复方法 |
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 |
CN111968059A (zh) * | 2020-08-27 | 2020-11-20 | 李松涛 | 一种多补丁匹配的金相图修复方法及装置 |
CN112308795A (zh) * | 2020-10-29 | 2021-02-02 | 展讯通信(上海)有限公司 | 图像色彩断层的修复方法、系统、电子设备及存储介质 |
CN113012209A (zh) * | 2021-02-23 | 2021-06-22 | 中国科学院空天信息创新研究院 | 融合sar图像信息的光学图像去云方法 |
CN117290537A (zh) * | 2023-09-28 | 2023-12-26 | 腾讯科技(深圳)有限公司 | 图像搜索方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955891A (zh) * | 2014-03-31 | 2014-07-30 | 中科创达软件股份有限公司 | 一种基于块匹配的图像修复方法 |
-
2014
- 2014-11-04 CN CN201410614189.3A patent/CN104376535B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955891A (zh) * | 2014-03-31 | 2014-07-30 | 中科创达软件股份有限公司 | 一种基于块匹配的图像修复方法 |
Non-Patent Citations (3)
Title |
---|
CHUNG-MING KUO: "Image Recovery Based on Effective Image Completion", 《INTERNATIONAL CONFERENCE ON INTELLIGENT INFORMATION HIDING AND MULTIMEDIA SIGNAL PROCESSING》 * |
何金海: "一种改进的基于样本的图像修复方法", 《计算机工程》 * |
郭犇: "数字图像修复技术的研究", 《万方数据库》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680492A (zh) * | 2015-03-11 | 2015-06-03 | 浙江工业大学 | 基于样本结构一致性的图像修复方法 |
CN104680492B (zh) * | 2015-03-11 | 2017-07-28 | 浙江工业大学 | 基于样本结构一致性的图像修复方法 |
CN104966279A (zh) * | 2015-06-15 | 2015-10-07 | 鲁东大学 | 一种基于局部结构特征的图像合成修复方法 |
CN104966279B (zh) * | 2015-06-15 | 2017-09-26 | 鲁东大学 | 一种基于局部结构特征的图像合成修复方法及系统 |
CN105825487A (zh) * | 2016-04-06 | 2016-08-03 | 中国海洋石油总公司 | 一种全井周电成像图像生成方法和系统 |
CN106056546A (zh) * | 2016-05-25 | 2016-10-26 | 广东工业大学 | 一种基于样本块匹配的图像修复方法和装置 |
CN106056546B (zh) * | 2016-05-25 | 2019-02-22 | 广东工业大学 | 一种基于样本块匹配的图像修复方法和装置 |
CN106060511B (zh) * | 2016-06-17 | 2018-11-16 | 浙江工商大学 | 基于深度图的立体视频补全方法及系统 |
CN106060511A (zh) * | 2016-06-17 | 2016-10-26 | 浙江工商大学 | 基于深度图的立体视频补全方法及系统 |
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 |
CN107358581A (zh) * | 2017-06-19 | 2017-11-17 | 东南大学 | 快速图像修复方法 |
CN108022224A (zh) * | 2017-12-19 | 2018-05-11 | 蒙城县望槐信息科技有限责任公司 | 一种图像修复系统 |
CN107945140A (zh) * | 2017-12-20 | 2018-04-20 | 中国科学院深圳先进技术研究院 | 一种图像修复方法、装置及设备 |
CN108846816A (zh) * | 2018-06-20 | 2018-11-20 | 上海理工大学 | 一种密文域图像修复方法 |
CN108846816B (zh) * | 2018-06-20 | 2021-10-01 | 上海理工大学 | 一种密文域图像修复方法 |
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 |
CN109785250A (zh) * | 2018-12-24 | 2019-05-21 | 西安工程大学 | 一种基于Criminisi算法的图像修复方法 |
CN109785255B (zh) * | 2018-12-30 | 2022-05-27 | 芜湖哈特机器人产业技术研究院有限公司 | 一种大面积图像修复方法 |
CN109785255A (zh) * | 2018-12-30 | 2019-05-21 | 芜湖哈特机器人产业技术研究院有限公司 | 一种大面积图像修复方法 |
CN109829867A (zh) * | 2019-02-12 | 2019-05-31 | 西南石油大学 | 一种针对稳定填充的球形收敛样本块修复方法 |
CN109816613A (zh) * | 2019-02-28 | 2019-05-28 | 广州华多网络科技有限公司 | 图像补全方法及装置 |
CN109816613B (zh) * | 2019-02-28 | 2023-02-28 | 广州方硅信息技术有限公司 | 图像补全方法及装置 |
CN111968059A (zh) * | 2020-08-27 | 2020-11-20 | 李松涛 | 一种多补丁匹配的金相图修复方法及装置 |
CN111968059B (zh) * | 2020-08-27 | 2024-03-08 | 李松涛 | 一种多补丁匹配的金相图修复方法及装置 |
CN112308795B (zh) * | 2020-10-29 | 2022-10-14 | 展讯通信(上海)有限公司 | 图像色彩断层的修复方法、系统、电子设备及存储介质 |
CN112308795A (zh) * | 2020-10-29 | 2021-02-02 | 展讯通信(上海)有限公司 | 图像色彩断层的修复方法、系统、电子设备及存储介质 |
CN113012209A (zh) * | 2021-02-23 | 2021-06-22 | 中国科学院空天信息创新研究院 | 融合sar图像信息的光学图像去云方法 |
CN117290537A (zh) * | 2023-09-28 | 2023-12-26 | 腾讯科技(深圳)有限公司 | 图像搜索方法、装置、设备及存储介质 |
CN117290537B (zh) * | 2023-09-28 | 2024-06-07 | 腾讯科技(深圳)有限公司 | 图像搜索方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104376535B (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104376535A (zh) | 一种基于样本的快速图像修复方法 | |
CN103971338B (zh) | 一种基于显著图的可变块图像修复方法 | |
CN103578085B (zh) | 基于可变块的图像空洞区域修补方法 | |
CN101777178B (zh) | 一种图像修复方法 | |
CN104820991B (zh) | 一种基于代价矩阵的多重软约束立体匹配方法 | |
CN101571950B (zh) | 基于各向同性扩散和稀疏表示的图像修复方法 | |
CN104616286B (zh) | 快速的半自动多视图深度修复方法 | |
CN101980285B (zh) | 结合gmrf先验的非局部图像修复方法 | |
CN102509093B (zh) | 近距离数字化证件信息采集系统 | |
CN102999888B (zh) | 一种基于彩色图像分割的深度图去噪方法 | |
CN103544685B (zh) | 一种基于主体调整的图像构图美化方法及系统 | |
CN103914820B (zh) | 一种基于图像分层增强的图像去雾方法及系统 | |
US20120141014A1 (en) | Color balancing for partially overlapping images | |
CN104850847B (zh) | 具有自动瘦脸功能的图像优化系统和方法 | |
CN104809698A (zh) | 一种基于改进三边滤波的Kinect深度图像修复方法 | |
CN103150708A (zh) | 基于黑色通道的图像快速去雾优化方法 | |
CN102298774B (zh) | 基于联合相似性的非局部均值去噪方法 | |
CN103985133A (zh) | 基于图割能量优化的影像间最优拼接线寻找方法及系统 | |
CN106204503A (zh) | 基于改进置信度更新函数及匹配准则的图像修复算法 | |
CN103700101A (zh) | 一种非刚性脑图像配准方法 | |
CN108629809B (zh) | 一种精确高效的立体匹配方法 | |
CN104200444A (zh) | 基于对称样本块的图像修复方法 | |
Yin et al. | An effective exemplar-based image inpainting method | |
CN105160686A (zh) | 一种基于改进sift算子的低空多视角遥感影像匹配方法 | |
CN103955906A (zh) | 基于蝙蝠算法的Criminisi图像修复方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |