CN110298798B - 一种基于低秩张量补全与离散全变分的图像修复方法 - Google Patents
一种基于低秩张量补全与离散全变分的图像修复方法 Download PDFInfo
- Publication number
- CN110298798B CN110298798B CN201910536041.5A CN201910536041A CN110298798B CN 110298798 B CN110298798 B CN 110298798B CN 201910536041 A CN201910536041 A CN 201910536041A CN 110298798 B CN110298798 B CN 110298798B
- Authority
- CN
- China
- Prior art keywords
- image
- formula
- tensor
- low
- image restoration
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims description 52
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000011084 recovery Methods 0.000 claims description 23
- 150000001875 compounds Chemical class 0.000 claims description 15
- 239000013256 coordination polymer Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 12
- 238000009792 diffusion process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
Description
技术领域
本申请属于图像处理领域,具体涉及一种基于低秩张量补全与离散全变分的图像修复方法。
背景技术
随着现代网络技术、计算机通信以及采样技术的快速发展,待分析的数据大都具有很复杂的结构。在捕获高维多线性数据的过程中,会有部分数据丢失。低秩张量补全(LowRank Tensor Completion,LRTC)是根据数据集的低秩性来恢复出丢失元素。矩阵补全,即二阶张量补全问题,可以有效的从已知项的较小样本中估计矩阵的缺失值,已被应用到著名的Netflix问题中,在这个问题中,我们可以根据一小部分的电影评级来推断用户对未知电影的偏好。矩阵补全方法通常假设矩阵是低秩的,以此为约束,使给定的不完全矩阵和估计矩阵的差值最小化。但当待分析数据具有复杂的结构时,用矩阵描述高维数据会造成数据的维数灾难、过拟合甚至会破坏数据结构。因此,张量作为矩阵高阶推广能够更好的表达出高阶数据复杂的本质结构。其中,低秩表示是一种极具应用前景的方法。低秩表示广泛应用在信号处理和计算机视觉领域,如图像分类、动态分割和人脸识别等。
图像修复是计算机视觉和图像处理领域的一个重要研究内容,它可以表述为一个缺失值估计问题。缺失值估计的核心问题在于如何建立已知元素和未知元素之间的关系。近年来,有许多学者提出了不同的图像修复算法,主要分为三类:1)基于变分微分方程的图像修复;2)基于纹理合成的图像修复;3)混合方法。Bertalmia等人首次提出基于微分方程的图像修复方法,其通过对待修复区域的边界进行不同方向的扩散将未破损区域的信息扩散到待修补的区域的内部来对图像进行修复。这种方法仅对图像中仅有较小区域的破损才具有较好的修复效果。Chan等人提出了全变分(Total Variation,TV)算法,其最大优点是有效克服了线性滤波在抑制噪声的同时平滑图像边缘,但是TV算法的最大缺陷是不能满足人类视觉中的“不连续”原则。曲率驱动扩散(Curvature-Drive Diffusion,CDD)算法,是对TV算法的一种改进算法,其目的是解决在TV算法中视觉不连续问题。Criminisi等人提出了基于样本块的图像修复算法,其利用待修复区域的边界信息计算待修复块的优先级,然后在图像未破损区域寻找与待修复块相似度最大的样本块来进行填充修补。该算法对大面积的破损区域有较好的修复效果,但是修复时间过长降低了算法效率。
发明内容
本申请提供一种基于低秩张量补全与离散全变分的图像修复方法,该方法在自然图像修复中,在边缘处理上更加平滑,整体图像修复也更加精准。
为实现上述目的,本申请所采取的技术方案为:
一种基于低秩张量补全与离散全变分的图像修复方法,所述基于低秩张量补全与离散全变分的图像修复方法,包括:
步骤2、以低秩张量补全模型为框架,引入TVd正则项和Schatten-p范数,构建基于低秩张量补全与离散全变分的图像修复模型,所述的图像修复模型为:
式中,表示输出的恢复张量,表示输入的不完全张量,且N表示张量的维度,βi为0或1,λi表示平衡参数,TVd(D(i)M(i))和||M(i)||sp为正则项,M(i)表示张量展开后的第i层矩阵,[D(i)]j,j=1,[D(i)]j,j+1=-1,D(i)中的其他元素为0;
其中,所述以低秩张量补全模型为框架,引入TVd正则项和Schatten-p范数,构建基于低秩张量补全与离散全变分的图像修复模型,包括:
步骤2.1、取所述低秩张量补全模型为:
步骤2.2、引入TVd正则项保持图像的光滑性,TVd定义公式如下:
根据所述TVd定义公式,得到TVd的对偶形式为:
步骤2.3、针对低秩矩阵M引入Schatten-p范数为:
式中,min{m,n}是低秩矩阵M的秩,σi表示M的第i个奇异值,p为Schatten-p范数的参数,当p=1时,||M||sp则为所有的奇异值之和,即核范数;
且||M||sp的近端映射可表示为:
式中,λ表示平衡参数,p为Schatten-p范数的参数;
步骤2.4、利用TVd正则项和Schatten-p范数优化所述低秩张量补全模型,得到基于低秩张量补全与离散全变分的图像修复模型;
步骤3.2、采用ADMM算法将公式(7)展开,图像修复模型的展开式为:
步骤4.2、根据TVd的对偶形式,将步骤4.1中的公式(9)重写为:
步骤4.3.4、Q(i) k+1=proxτ[G](Q(i) k-τKTq(i) k+1);
步骤4.3.6、k=k+1,并返回至步骤4.3.2;
根据公式(12)、(13)将公式(11)重写为:
公式(16)中,ω(i) k的定义为;
步骤4.7、通过最小化问题的求解,即对公式(18)求导,计算出R(i)为:
作为优选,所述确定破损图像中待修复区域的所有未知像素点的集合Ω,包括:
获取破损图像中所有像素点的像素值,划分像素值不为0的像素点为已知像素点,划分像素值为0的像素点为未知像素点,取所有未知像素点组成集合Ω。
作为优选,所述基于低秩张量补全与离散全变分的图像修复方法在算法中显示为:
S6.7、计算ρ1=μρ1,ρ2=μρ2,ρ3=μρ3;
S6.8、T=T+1,并返回至S6.2。
本申请提供的基于低秩张量补全与离散全变分的图像修复方法,该方法引入离散全变分正则项因子整合到统一的目标函数中,提出基于低秩张量补全与离散全变分的方法,来用作自然图像修复,并且识别输入损坏图像的待修复像素,并通过建立已知元素和未知元素之间的关系,对待修复区域的边界进行不同方向的扩散,将未破损区域的信息扩散到待修补的区域的内部来对图像进行修复,最终得到修复后的图像本申请的图像修复方法在边缘处理上更加平滑,整体图像修复也更加精准。
附图说明
图1为本申请的基于低秩张量补全与离散全变分的图像修复方法的流程图;
图2为待修复区域的一种实施例示意图;
图3为本申请的一种应用示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本申请。
如图1所示,在一实施例中,提供一种基于低秩张量补全与离散全变分的图像修复方法,以一种对边缘处理更加平滑,整体图像修复更加精准的方式实现图像修复,克服了现有技术中图像修复的不足,具有较大的推广意义。
基于低秩张量补全与离散全变分的图像修复方法的具体步骤如下:
如图2所示,在获取集合Ω时,首先获取破损图像中所有像素点的像素值,划分像素值不为0的像素点为已知像素点,划分像素值为0的像素点为未知像素点,取所有未知像素点组成待修复区域的集合Ω,且待修复区域的边界为
步骤2、以低秩张量补全模型为框架,引入TVd正则项和Schatten-p范数,构建基于低秩张量补全与离散全变分的图像修复模型。
步骤2.1、取现有技术中的低秩张量补全(LRTC)模型为:
式中,表示输出的恢复张量,表示输入的不完全张量,且N表示张量的维度,M(i)表示张量展开后的第i层矩阵,表示张量展开后的第i层矩阵,αi和λi是平衡参数,||M(i)||*和TV(M(i))是正则项。
步骤2.2、由于TV作为衡量图像光滑度的标准的最大缺陷是不能满足人类视觉中的“不连续”原则,故本实施例中引入TVd正则项保持图像的光滑性,TVd定义公式如下:
根据所述TVd定义公式,得到TVd的对偶形式为:
步骤2.3、对于数据恢复来说,直接最小化数据的秩显然是一个NP-hard问题,但是由于核范数可以视为秩的凸近似,虽然在这种近似下数据恢复的准确率和鲁棒性都有所提高,但是标准的核范数存在的最大的问题为奇异值受到抑制且重构数据与原始数据之间的误差较大。
为了解决核范数中存在的问题,同时高效地恢复图像,本实施例针对低秩矩阵M引入Schatten-p范数为:
式中,min{m,n}是低秩矩阵M的秩,σi表示M的第i个奇异值,p为Schatten-p范数的参数,当p=1时,||M||sp则为所有的奇异值之和,即核范数。
且||M||sp的近端映射可表示为:
式中,λ表示平衡参数,p为Schatten-p范数的参数。
步骤2.4、利用TVd正则项和Schatten-p范数优化所述低秩张量补全模型,得到基于低秩张量补全与离散全变分的图像修复模型为:
式中,表示输出的恢复张量,表示输入的不完全张量,且N表示张量的维度,βi为0或1,βi=1表示张量的第i个模展开中具有光滑分段先验,βi=0表示张量的第i个模展开中不具有光滑分段先验,λi表示平衡参数,TVd(D(i)M(i))和||M(i)||sp为正则项,M(i)表示张量展开后的第i层矩阵,表示张量展开后的第i层矩阵,D(i)表示(Ii-1)-by-Ii的矩阵,且[D(i)]j,j=1,[D(i)]j,j+1=-1,D(i)中的其他元素为等于0。3
步骤3.2、采用ADMM算法(Alternating Direction Method of Multipliers,交替方向乘子法)将公式(7)展开,图像修复模型的展开式为:
步骤4.2、根据TVd的对偶形式,将步骤4.1中的公式(9)重写为:
步骤4.3.4、Q(i) k+1=proxτ[G](Q(i) k-τKTq(i) k+1);
步骤4.3.6、k=k+1,并返回至步骤4.3.2。
根据公式(12)、(13)将公式(11)重写为:
公式(16)中,ω(i) k的定义为;
步骤4.7、通过最小化问题的求解,即对公式(18)求导,计算出R(i)为:
如图3所示,图中最左侧的图为破损图像,经过本实施例的基于低秩张量补全与离散全变分的图像修复方法处理后,输出最右侧的修复图像,该修复图像的边缘处理平滑,且修复的精准度高。
本实施例引入离散全变分正则项因子整合到统一的目标函数中,并提出基于低秩张量补全与离散全变分的方法,来用作自然图像修复,使得图像处理过程中在边缘处理上更加平滑,整体图像修复也更加精准。
以下通过实施例进一步说明本申请基于低秩张量补全与离散全变分的图像修复方法的流程。
实施例1
本申请的基于低秩张量补全与离散全变分的图像修复方法在算法中显示为:
S6.7、计算ρ1=μρ1,ρ2=μρ2,ρ3=μρ3;
S6.8、T=T+1,并返回至S6.2。
该算法中的S6.1对应于图像修复方法中的步骤1~3,该算法中的S6.3~S6.7对应于图像修复方法中的步骤4,该算法中的S6.2、S6.8对应于图像修复方法中的步骤5。
需要说明的是,本申请中涉及的参数(相关字母或符号)表示的含义相同,从而避免重复定义参数含义。
本实施例的基于低秩张量补全与离散全变分的图像修复方法,首先识别输入损坏图像的待修复像素,并通过建立已知元素和未知元素之间的关系,对待修复区域的边界进行不同方向的扩散,将未破损区域的信息扩散到待修补的区域的内部来对图像进行修复,最终得到修复后的图像该图像修复方法在边缘处理上更加平滑,整体图像修复也更加精准。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于低秩张量补全与离散全变分的图像修复方法方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种基于低秩张量补全与离散全变分的图像修复方法,其特征在于,所述基于低秩张量补全与离散全变分的图像修复方法,包括:
步骤2、以低秩张量补全模型为框架,引入TVd正则项和Schatten-p范数,构建基于低秩张量补全与离散全变分的图像修复模型,所述的图像修复模型为:
式中,表示输出的恢复张量,表示输入的不完全张量,且N表示张量的维度,βi为0或1,λi表示平衡参数,TVd(D(i)M(i))和||M(i)||sp为正则项,M(i)表示张量展开后的第i层矩阵,[D(i)]j,j=1,[D(i)]j,j+1=-1,D(i)中的其他元素为0;
其中,所述以低秩张量补全模型为框架,引入TVd正则项和Schatten-p范数,构建基于低秩张量补全与离散全变分的图像修复模型,包括:
步骤2.1、取所述低秩张量补全模型为:
步骤2.2、引入TVd正则项保持图像的光滑性,TVd定义公式如下:
根据所述TVd定义公式,得到TVd的对偶形式为:
步骤2.3、针对低秩矩阵M引入Schatten-p范数为:
式中,min{m,n}是低秩矩阵M的秩,σi表示M的第i个奇异值,p为Schatten-p范数的参数,当p=1时,||M||sp则为所有的奇异值之和,即核范数;
且||M||sp的近端映射可表示为:
式中,λ表示平衡参数,p为Schatten-p范数的参数;
步骤2.4、利用TVd正则项和Schatten-p范数优化所述低秩张量补全模型,得到基于低秩张量补全与离散全变分的图像修复模型;
步骤3.2、采用ADMM算法将公式(7)展开,图像修复模型的展开式为:
步骤4.2、根据TVd的对偶形式,将步骤4.1中的公式(9)重写为:
步骤4.3.4、Q(i) k+1=proxτ[G](Q(i) k-τKTq(i) k+1);
步骤4.3.6、k=k+1,并返回至步骤4.3.2;
根据公式(12)、(13)将公式(11)重写为:
公式(16)中,ω(i) k的定义为;
步骤4.7、通过最小化问题的求解,即对公式(18)求导,计算出R(i)为:
2.如权利要求1所述的基于低秩张量补全与离散全变分的图像修复方法,其特征在于,所述确定破损图像中待修复区域的所有未知像素点的集合Ω,包括:
获取破损图像中所有像素点的像素值,划分像素值不为0的像素点为已知像素点,划分像素值为0的像素点为未知像素点,取所有未知像素点组成集合Ω。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910536041.5A CN110298798B (zh) | 2019-06-20 | 2019-06-20 | 一种基于低秩张量补全与离散全变分的图像修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910536041.5A CN110298798B (zh) | 2019-06-20 | 2019-06-20 | 一种基于低秩张量补全与离散全变分的图像修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298798A CN110298798A (zh) | 2019-10-01 |
CN110298798B true CN110298798B (zh) | 2021-02-19 |
Family
ID=68028374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910536041.5A Active CN110298798B (zh) | 2019-06-20 | 2019-06-20 | 一种基于低秩张量补全与离散全变分的图像修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298798B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110798663B (zh) * | 2019-11-13 | 2021-08-31 | 河北工业大学 | 基于稀疏感知的无线多媒体传感器网络图像获取方法 |
CN111260571B (zh) * | 2020-01-11 | 2022-09-23 | 浙江工业大学 | 一种基于非凸低秩低梯度的深度图像修复方法 |
CN111325697B (zh) * | 2020-03-04 | 2022-10-25 | 西安交通大学 | 一种基于张量本征变换的彩色图像修复方法 |
CN111598798B (zh) * | 2020-04-27 | 2023-09-05 | 浙江工业大学 | 一种基于低秩张量链分解的图像修复方法 |
CN111598795B (zh) * | 2020-04-27 | 2023-08-29 | 浙江工业大学 | 一种基于张量环分解的高光谱图像去噪方法及装置 |
CN111951183B (zh) * | 2020-07-14 | 2024-03-29 | 浙江工业大学 | 基于近端交替惩罚算法的低秩全变分高光谱图像修复方法 |
CN111951185B (zh) * | 2020-07-15 | 2024-03-29 | 浙江工业大学 | 基于低秩张量环分解与高阶结构化与图像修复方法 |
CN112085666B (zh) * | 2020-07-30 | 2024-03-26 | 浙江工业大学 | 一种基于重启策略与近似交替惩罚算法的图像补全方法 |
CN112116532B (zh) * | 2020-08-04 | 2022-07-12 | 西安交通大学 | 一种基于张量块循环展开的彩色图像补全方法 |
CN112241938B (zh) * | 2020-08-21 | 2024-02-13 | 浙江工业大学 | 基于光滑塔克分解与高阶张量汉克化的图像修复方法 |
CN112596104B (zh) * | 2020-12-09 | 2022-04-01 | 成都理工大学 | 一种结合张量分解和全变分的地震资料去噪方法 |
CN112991195B (zh) * | 2021-01-29 | 2024-02-02 | 西安理工大学 | 针对破损视频的α阶全变分约束的低秩张量补全方法 |
CN113222858A (zh) * | 2021-06-01 | 2021-08-06 | 山东贝特建筑项目管理咨询有限公司 | 一种锚栓图像的图像修复方法和系统 |
CN114119426B (zh) * | 2022-01-26 | 2022-07-01 | 之江实验室 | 非局部低秩转换域与全连接张量分解图像重构方法及装置 |
CN116931619B (zh) * | 2023-09-13 | 2024-01-09 | 深圳英谷激光有限公司 | 一种激光器的温度控制方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101674397B (zh) * | 2009-09-27 | 2013-01-09 | 上海大学 | 视频序列中划痕的修复方法 |
CN102595140B (zh) * | 2012-03-09 | 2014-05-28 | 北京邮电大学 | 基于图像修复和矢量预测算子的帧内预测视频编码方法 |
CN104123702A (zh) * | 2014-07-08 | 2014-10-29 | 浙江传媒学院 | 一种基于交替方向法的高效图像修复方法 |
CN108171675B (zh) * | 2018-03-16 | 2021-10-01 | 广东工业大学 | 一种基于分离Bregman迭代优化的图像修复方法及装置 |
CN108765517B (zh) * | 2018-04-18 | 2022-09-02 | 天津大学 | 一种基于凸优化的多张量视觉数据填充方法 |
CN109461122B (zh) * | 2018-06-27 | 2021-09-14 | 北京工业大学 | 一种基于多视点图像的压缩感知图像重建方法 |
CN109241491A (zh) * | 2018-07-28 | 2019-01-18 | 天津大学 | 基于联合低秩和稀疏表示的张量结构性缺失填充方法 |
CN109886884B (zh) * | 2019-01-21 | 2023-09-01 | 长沙理工大学 | 一种基于限定核范数的低秩张量估计的视觉数据补全方法 |
CN109829867B (zh) * | 2019-02-12 | 2022-09-09 | 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 |
-
2019
- 2019-06-20 CN CN201910536041.5A patent/CN110298798B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110298798A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298798B (zh) | 一种基于低秩张量补全与离散全变分的图像修复方法 | |
Wang et al. | Decoupling noise and features via weighted ℓ1-analysis compressed sensing | |
US20200242822A1 (en) | Digital Media Environment for Style-Aware Patching in a Digital Image | |
Chen et al. | An improved method for semantic image inpainting with GANs: Progressive inpainting | |
US11164306B2 (en) | Visualization of inspection results | |
Béréziat et al. | Solving ill-posed image processing problems using data assimilation | |
CN111325697B (zh) | 一种基于张量本征变换的彩色图像修复方法 | |
Chen et al. | Structure-aware image inpainting using patch scale optimization | |
CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
Ding et al. | Tensor completion via nonconvex tensor ring rank minimization with guaranteed convergence | |
Wen et al. | Hybrid BM3D and PDE filtering for non-parametric single image denoising | |
Carrillo et al. | Enhancement of damaged-image prediction through Cahn–Hilliard image inpainting | |
Sangeetha et al. | A novel exemplar based Image Inpainting algorithm for natural scene image completion with improved patch prioritizing | |
CN115953330B (zh) | 虚拟场景图像的纹理优化方法、装置、设备和存储介质 | |
Gajewski et al. | On a nonlocal model of image segmentation | |
US20200410730A1 (en) | Image Modification Styles Learned from A Limited Set of Modified Images | |
Sangeetha et al. | Combined structure and texture image inpainting algorithm for natural scene image completion | |
CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 | |
Xie et al. | Novel hybrid low-rank tensor approximation for hyperspectral image mixed denoising based on global-guided-nonlocal prior mechanism | |
CN108701206B (zh) | 用于面部对准的系统和方法 | |
US11200708B1 (en) | Real-time color vector preview generation | |
CN110232401B (zh) | 基于图片转换的病灶判断方法、装置、计算机设备 | |
Sun et al. | Reliable Rolling‐guided Point Normal Filtering for Surface Texture Removal | |
CN113052798A (zh) | 屏幕老化检测模型训练方法及屏幕老化检测方法 | |
Ge et al. | Global image completion with joint sparse patch selection and optimal seam synthesis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |