CN110689503A - 一种壁画图像修复方法、系统及存储介质 - Google Patents

一种壁画图像修复方法、系统及存储介质 Download PDF

Info

Publication number
CN110689503A
CN110689503A CN201910956008.8A CN201910956008A CN110689503A CN 110689503 A CN110689503 A CN 110689503A CN 201910956008 A CN201910956008 A CN 201910956008A CN 110689503 A CN110689503 A CN 110689503A
Authority
CN
China
Prior art keywords
repaired
block
mural
texture
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
Application number
CN201910956008.8A
Other languages
English (en)
Inventor
李清泉
王欢
贾森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201910956008.8A priority Critical patent/CN110689503A/zh
Publication of CN110689503A publication Critical patent/CN110689503A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种壁画图像修复方法、系统及其存储介质，本发明通过构造了重叠相似性质的过完备字典，同时搭建该字典下基于弹性网正则化的稀疏表示修复模型，通过求解出的稀疏系数和过完备字典的线性组合，得到待修复块的全局估计信息，保证了待修复块的全局一致性，再利用领域相似性准则估计出了待修复块的局部信息，保证了待修复区域的局部连续性，再通过全局和局部的线性加权，较好的估计出待修复区域，使修复结果更加自然美观。

Description

一种壁画图像修复方法、系统及存储介质
技术领域
本发明涉及图像修复技术领域，尤其涉及的是一种壁画图像修复方法、系统及存储介质。
背景技术
壁画是敦煌艺术的重要组成部分，享有“墙上博物馆”的美誉，被列为世界非物质文化遗产。然而，敦煌石窟历经千余年，受自然灾害、病害及人为因素等影响，壁画上已经出现了诸如酥碱、起甲、空鼓、脱落、粉化、褪色不同程度的病害，所以修复工作迫在眉睫。传统的壁画修复需要耗费大量的人力物力，且都是不可逆的操作，存在较高风险。而数字化无损壁画修复由于不需要对真迹进行直接处理，所以无毁坏原始作品的风险，提高了修复灵活度的同时，也满足了人们对艺术的不同需求，目前该技术已广泛应用于现代文物修复工作中。
传统的图像修复方法在填充破损区域时，在要求修复好的图像满足人类视觉心理学的前提下，只是将破损区域进行美观修复，却无法保证原始图像的完整性，因此修复过程对原有作品无法做到尽可能真实还原，并不满足文物修复的最低要求。
因此，如何将破损敦煌壁画进行完整复原是一个亟待解决的问题。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种壁画图像修复方法、系统及存储介质，将破损图像和对应的手工线描图相结合，通过全局信息和局部信息进行连续加权的线描图给与待修复区域在结构上的指导，既保证了修复好的图像的全局一致性，也保证了修复区域的局部连续性，从而保证了修复好的图像真实和完整性，也增加了复原成功的几率。
本发明解决技术问题所采用的技术方案如下：
一种壁画图像修复方法，其中，包括步骤：
S1、获取带有辅助结构信息的待修复壁画；
S2、通过数学形态学方法对带有辅助结构信息的待修复壁画中的破损区域进行边界提取得到待修复区域边界；
S3、将所述待修复区域边界上的待填充块集合进行分类，得到结构块集合与纹理块集合；
S4、选取所述纹理块集合中的纹理块作为待修复纹理块，并计算得到带全局估计信息修复纹理块；
S5、建立领域窗口并计算所述待修复纹理块在领域窗口下的带局部估计信息修复纹理块；
S6、对带全局估计信息修复纹理块和带局部估计信息修复纹理块进行线性加权，估计出最终的待修复纹理块；
S7、按优先权的大小选取所述结构块集合中的结构块作为待修复结构块，并计算得到带全局估计信息修复结构块；
S8、根据待修复结构块的领域相似性，得到带局部估计信息修复结构块；
S9、利用带全局估计信息修复结构块和带局部估计信息修复结构块通过线性加权方法得到最终修复结构块。
进一步，所述壁画图像修复方法，其中，所述步骤S1具体包括：
S11、预先在破损壁画图像的待修复区域处填充绿色掩模，通过所述绿色掩模识别出待修复区；
S12、获取破损壁画对应的完整线描图像；
S13、将完整线描图像与所述待修复的破损壁画进行匹配，添加破损区域里缺失的结构信息；
S14、得到带有辅助结构信息的待修复壁画。
进一步，所述壁画图像修复方法，其中，所述步骤S2具体包括：
S21、识别所述带有辅助结构信息的待修复壁画中的破损区域，获取待修复区域；
S22、通过数学形态学方法对破损区域进行边界提取，得到待修复区域边界，并对置信因子项进行初始化。
进一步，所述壁画图像修复方法，其中，
所述步骤S3的具体步骤为；
S31、将所述待修复区域边界上L个以P点为中心的待填充块集合P进行分类；
S32、通过分成E个以s点为中心的结构块集合S，和F个以t点为中心的纹理块集合T，E+F＝G，G为待修复区域边界上所有像素点个数。
进一步，所述壁画图像修复方法，其中，所述步骤S4具体包括：
S41、在不计算优先权函数的情况下随机选取所述纹理块集合中的任意一个纹理块作为待修复纹理块；
S42、进行全局搜索得到待候选纹理块集合；
S43、在所述待候选纹理块集合中提取排列靠前的多个最相似的待候选块建立相似纹理块的过完备字典；
S44、根据所述过完备字典和所述待修复纹理块建立基于弹性网正则化下的稀疏表示壁画修复模型；
S45、计算得到带全局估计信息修复纹理块。
进一步，所述壁画图像修复方法，其中，所述步骤S5具体包括：
S51、以待修复纹理块中的局部信息中的一个像素点为中心建立尺寸范围大于该局部信息的领域窗口；
S52、计算带局部信息的修复纹理块与领域窗口内非待修区域的带局部信息的纹理块的相似性度量权重，
S53、计算出待修复纹理块在领域窗口下的带局部估计信息修复纹理块。
进一步，所述壁画图像修复方法，其中，所述步骤S7具体包括：
S71、计算所述结构块集合中每一个结构块的置信因子项，并进行正则化处理；
S72、计算每一个结构块的结构复杂度；
S73、计算每一个结构块的优先权；
S73、选择优先权最大的结构块作为待修复结构块，并进行全局搜索得到待候选结构块集合；
S74、通过基于弹性网正则化的稀疏表示壁画修复模型，得到带全局估计信息修复结构块。
进一步，所述壁画图像修复方法，其中，在步骤S6之后还包括：
步骤S65、更新置信因子，待修复区域边界，结构块集合和纹理块集合，并重复执行步骤S2至步骤S6，直到所有的纹理块都修复完毕。
在步骤S9之后还包括:
步骤S95、更新待修复区域边界，结构块集合以及边界点的置信因子项，并重复执行步骤S2至步骤S9，直到所有的结构块都修复完毕。
一种壁画图像修复系统，其中，包括：处理器、存储器，所述处理器与存储器通过通讯总线实现通讯连接；
所述存储器存储有壁画图像修复的程序，所述壁画图像修复的程序被所述处理器执行时实现如上所述的壁画图像修复方法。
一种存储介质，其中，所述存储介质储存有用于实现如上所述的壁画图像修复的程序。
有益效果：本发明提出的一种壁画图像修复方法、系统及存储介质，其中一种壁画图像修复方法中，将破损图像和对应的手工线描图相结合，利用已有线描图给与待修复区域在结构上的指导，既保证了修复好的图像在结构区域的完整性，也增加了复原成功的几率。相对于传统方法的先结构后纹理的修复顺序，本发明提出了先纹理后结构的由易而难的全新修复策略，在保证了纹理区域完整复原的前提下，也降低了结构区域修复的错误率。在估计待修复块的全局信息时，本发明首先构造了重叠相似性质的过完备字典，同时搭建该字典下基于弹性网正则化的稀疏表示修复模型，通过求解出的稀疏系数和过完备字典的线性组合，保证了待修复块的全局一致性。相对于传统方法中选出单一最优候选块去填充待修复块这一思想，本发明采用稀疏模型求解出的系数与字典的线性组合，较好的估计出待修复块。本发明利用领域相似性准则估计出了待修复块的局部信息，保证了待修复区域的局部连续性，再通过全局和局部的线性加权，较好的估计出待修复区域，使修复结果更加自然美观。
附图说明
图1是本发明中壁画图像修复方法中获取带有辅助结构信息的待修复壁画过程的示意图。
图2是本发明中壁画图像修复方法一种实施例的步骤流程图。
图3是本发明中全固态激光雷达视场角动态扩展系统的实施例结构框图。
图中，10、处理器；20、存储器；30、通讯总线；40、显示器。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参阅图2，本发明提供了一种壁画图像修复方法，该方法包括步骤：
步骤S1、获取带有辅助结构信息的待修复壁画。
具体的，可以在资深壁画修复专家(例如资深敦煌壁画修复专家)提供的帮助和指导下，在破损壁画图像(图1)的待修复区域处填充绿色掩模，这样能准确的识别出待修复区，之后根据对应的手工线描图，利用人机交互的方式在绿色掩模处添加破损区域里缺失的结构信息，缺失的结构信息是指破损壁画中原有的线条，也可以理解为轮廓，得到带有辅助结构信息的待修复壁画(例如待修复的敦煌壁画)；如图1所示，需要对破损壁画进行预处理，根据破损壁画的线描图和破损区域得到线描图的破损壁画。
具体实施过程中，步骤S1具体包括以下步骤：
S11、预先在破损壁画图像的待修复区域处填充绿色掩模，通过所述绿色掩模识别出待修复区。
具体的，绿色掩模会在破损壁画图像的待修复区凸出显示，用图像识别算法直接进行识别。
S12、获取破损壁画对应的完整线描图像。
具体的，预先绘制破损壁画对应的完整线描图像，完整线描图像能展现原壁画的完整线条轮廓，完整线描图像可预先存储，在使用时，直接进行调用。
S13、将完整线描图像与所述待修复的破损壁画进行匹配，添加破损区域里缺失的结构信息。
S14、得到带有辅助结构信息的待修复壁画。
具体的，通过完整线描图像对破损区域里缺失的结构信息进行补充，得到带有辅助结构信息的待修复壁画。
步骤S2、通过数学形态学方法对带有辅助结构信息的待修复壁画中的破损区域进行边界提取得到待修复区域边界。
具体的，将带有辅助结构信息的待修复壁画中的破损区域记为待修复区域。通过对破损区域进行边界提取得到待修复区域边界，后续修复过程中，对待修复区域边界内的像素点进行修复。
将破损图像和对应的手工线描图相结合，利用已有线描图给与待修复区域在结构上的指导，既保证了修复好的图像在结构区域的完整性，也增加了复原成功的几率。
在优选的实施例中，步骤S2具体包括步骤：
步骤S21、识别所述带有辅助结构信息的待修复壁画中的破损区域，获取待修复区域。
步骤S22、通过数学形态学方法对破损区域进行边界提取，得到待修复区域边界，并对置信因子项进行初始化。
具体的，将步骤S1得到的待结构信息的壁画图像Is中的破损区域记为待修复区域Ω，之后进行边界提取，记为待修复区域边界
Figure BDA0002226150350000071
并对置信因子项C进行初始化C(s)＝0，s∈Ω。
步骤S3、将所述待修复区域边界上的待填充块集合进行分类，得到结构块集合与纹理块集合。
具体的，对待修复区域边界上的结构块和纹理块进行填充修复，先把结构块和纹理块分别进行分类，修复所有纹理块和结构块，实现对壁画图像的修复。结构块是指待修复的图像块中含有步骤1中添加到破损区域里缺失的结构信息，而纹理块是指修复的图像块中不含有步骤1中添加到破损区域里的结构信息。
具体实施过程中，步骤S3具体包括：
步骤S31、将所述待修复区域边界上L个以P点为中心的待填充块集合P进行分类；
步骤S32、通过分成E个以s点为中心的结构块集合S，和F个以t点为中心的纹理块集合T，E+F＝G，G为待修复区域边界上所有像素点个数。
具体的，将待修复边界上L(L表示个数，为自然数)个以P点(P表示某一个位置的点)为中心的待填充块集合P进行分类，通过
Figure BDA0002226150350000073
分成E个以s点为中心的结构块集合S，
Figure BDA0002226150350000074
和F个(F表示个数，为自然数)以t点(t表示某一个位置的点)为中心的纹理块集合T，
Figure BDA0002226150350000081
E+F＝G，G为边界
Figure BDA0002226150350000082
上所有像素点个数，p∈Ψp＝SUT；其中Ψp为待填充块，Ψt为纹理块，Ψs为结构块。E+F＝G，G为待修复区域边界
Figure BDA0002226150350000083
上所有像素点个数，p∈Ψp＝SUT。
步骤S35、判断纹理块集合T是否为空，若不为空，执行步骤S4；若为空执行步骤S69；
具体的，在壁画修复过程中，如果不需要对纹理块进行修复，则纹理块集合T中没有纹理块，不需要执行纹理块的修复过程，当纹理块集合T不为空时，需要对纹理块进行修复，执行步骤S41。
步骤S4、选取所述纹理块集合中的纹理块作为待修复纹理块，并计算得到带全局估计信息修复纹理块。
通过该步骤，计算出带全局估计信息修复纹理块，即计算出待修复纹理块的全局估计信息，通过带全局估计信息修复纹理块替换待修复纹理块可对图像进行修复，但直接使用全局估计信息的修复纹理块无法准确还原原有的壁画图像，使壁画修复仍不完善。
优选实施例中，所述步骤S4具体包括以下步骤：
步骤S41、在不计算优先权函数的情况下随机选取所述纹理块集合中的任意一个纹理块作为待修复纹理块。
步骤S42、进行全局搜索得到待候选纹理块集合。
具体过程中，纹理块集合T不为空，则可在不计算优先权函数的情况下，随机选取纹理块集合中的任意一个纹理块作为待修复纹理块Ψt，之后进行全局搜索，找到K个(K表示个数，为自然数)SSD(sum of squared difference)准则下的待候选块Ψtc，并令待候选块集合
Figure BDA0002226150350000085
步骤S43、在所述待候选纹理块集合中提取排列靠前的多个最相似的待候选块建立相似纹理块的过完备字典。
具体过程中，在待候选块集合
Figure BDA0002226150350000086
中；取出前n个最相似的待候选块建立相似纹理块的过完备字典D∈Rm×n，其中R代表集合实数集，m×n代表该字典D是一个m×n维的矩阵，m表示该字典D的行数，n表示该字典D的列数。
步骤S44、根据所述过完备字典和所述待修复纹理块建立基于弹性网正则化下的稀疏表示壁画修复模型。
具体过程中，根据步骤S42中随机选取的待修复纹理块Ψt和步骤S43中的字典D，建立基于弹性网正则化下的稀疏表示壁画修复模型：
Figure BDA0002226150350000091
其中，Ψg为带准确全局信息的修复纹理块，M∈Rm×n为提取Ψg和D中已知信息的逻辑矩阵，λ1>0和λ2>0，分别为模型参数。
步骤S45、计算得到带全局估计信息修复纹理块。
具体的，利用同伦-最小二乘法求解得到模型中n个待候选块前的系数α，之后利用求解出的稀疏系数α和K个待候选块的线性组合公式计算得到带估计全局信息的修复纹理块
Figure BDA0002226150350000093
本过程中构造了重叠相似性质的过完备字典，同时搭建该字典下基于弹性网正则化的稀疏表示修复模型，通过求解出的稀疏系数和过完备字典的线性组合，保证了待修复纹理块的全局一致性。
相对于传统方法中选出单一最优候选块去填充待修复块这一思想，本发明采用稀疏模型求解出的系数与字典的线性组合，较好的估计出待修复纹理块。
步骤S5、建立领域窗口并计算所述待修复纹理块在领域窗口下的带局部估计信息修复纹理块。
具体的，选取待修复纹理块中的一个像素点，以该像素点为中心建立一个领域窗口，该领域窗口的范围比需要得到的带局部信息的修复纹理块的尺寸范围要大很多，找出领域窗口内非待修区域的像素点，计算带局部信息的修复纹理块与领域窗口内非待修区域的带局部信息的纹理块的相似性度量权重，再计算出待修复纹理块在领域窗口下的带局部估计信息修复纹理块。
在优选的实施例中，步骤S5具体包括以下步骤：
步骤S51、以待修复纹理块中的局部信息中的一个像素点为中心建立尺寸范围大于该局部信息的领域窗口。
选取待修复纹理块中的一个像素点i，以该像素点i为中心建立一个领域窗口W(i)，该领域窗口W(i)的范围比需要得到的带局部信息的修复纹理块Ψi的尺寸范围要大很多，Ψi为带准确局部信息的修复纹理块。
步骤S52、计算带局部信息的修复纹理块与领域窗口内非待修区域的带局部信息的纹理块的相似性度量权重。
具体的，找出领域窗口W(i)内非待修区域的像素点ij，ij属于集合之后计算求得带局部信息的修复纹理块Ψi与领域窗口内非待修区域的带局部信息的纹理块
Figure BDA0002226150350000102
的相似性度量权重
Figure BDA0002226150350000103
计算公式为：
Figure BDA0002226150350000104
其中，Ωc表示待修复区域Ω的补集，也就是图像中不需要修复的区域；σ2为一个参数，σ可设置为5；d表示计算括号中两项差值的平方和距离；Z(i)表示归一化参数。
步骤S53、计算出待修复纹理块在领域窗口下的带局部估计信息修复纹理块。
具体的，并使得之后我们估计出待修复纹理块Ψt在领域窗口W(i)下的局部信息，即求得带局部估计信息修复纹理块
Figure BDA0002226150350000111
计算公式为：
Figure BDA0002226150350000112
步骤S6、对带全局估计信息修复纹理块和带局部估计信息修复纹理块进行线性加权，估计出最终的待修复纹理块。
具体的，通过对步骤4和步骤5分别得到的带全局估计信息修复纹理块
Figure BDA0002226150350000113
和带局部估计信息修复纹理块做线性加权，从而估计出最终待修复纹理块
Figure BDA0002226150350000115
Figure BDA0002226150350000116
其中μ∈[0,1]，为估计参数。
通过选取的待修复纹理块替换成最终的待修复纹理块，从而实现对图像块的修复，通过性线加权计算，使最终待修复纹理块
Figure BDA0002226150350000117
同时具备局部信息和全局信息，从而使待修复纹理块更完整，对壁画的还原性更好。
本发明利用领域相似性准则估计出了待修复块的局部信息，保证了待修复区域的局部连续性，再通过全局和局部的线性加权，较好的估计出待修复区域，使修复结果更加自然美观。
步骤S65、更新置信因子，待修复区域边界，结构块集合和纹理块集合，并重复执行步骤S2至步骤S6，直到所有的纹理块都修复完毕。
具体的，当纹理块集合T中的一个待修复纹理块修复完成后，可采用相同的处理过程，对整个纹理块集合T中的纹理块都修复完毕。即更新置信因子C(s)，待修复区域边界
Figure BDA0002226150350000118
结构块集合S和纹理块集合T，重复执行步骤S2至步骤S6，直到所有的纹理块都修复完毕。
当纹理块都修复完毕后，执行以下步骤：
步骤S69、判断结构块集合是否为空，若不为空，执行步骤S7；若为空结束整个修复过程。
步骤S7、按优先权的大小选取所述结构块集合中的结构块作为待修复结构块，并计算得到带全局估计信息修复结构块。
在优选的实施例中，步骤S7具体包括以下步骤：
步骤S71、计算所述结构块集合中每一个结构块的置信因子项，并进行正则化处理。
具体的，结构块集合S不为空时，计算结构块集合S中每一个待修复结构块Ψs的置信因子项计算公式为：
Figure BDA0002226150350000122
步骤S72、计算每一个结构块的结构复杂度。
具体的，由于C(s)会出现“下降效应”，对其做正则化处理得到新的置信因子项C(s)'：
C(s)'＝(1-ω)C(s)+ω
上式中ω为正则化项。
步骤S73、计算每一个结构块的优先权。
具体的，计算结构复杂度PSC(patch structure complexity)，复杂度
Figure BDA0002226150350000123
的计算公式为：
上式
Figure BDA0002226150350000125
和|Ψs|分别为待修复结构块Ψs中含有的辅助结构像素个数和总的像素个数。
计算优先权
Figure BDA0002226150350000126
优先权的计算公式为：
P(s)＝PSC(s)·C(s)'。
步骤S74、选择优先权最大的结构块作为待修复结构块，并进行全局搜索得到待候选结构块集合。
具体的，选择
Figure BDA0002226150350000131
中值最大的Ψm作为待修复结构块，并在全局搜索下找到L个SSD准则下的待候选块，并将待候选块集合记为
Figure BDA0002226150350000132
步骤S75、通过基于弹性网正则化的稀疏表示壁画修复模型，得到并计算得到带全局估计信息修复结构块。
参考步骤S4，通过基于弹性网正则化的稀疏表示壁画修复模型，得到结构块Ψs的全局信息，即带全局估计信息修复结构块。
具体过程为：在不计算优先权函数的情况下随机选取所述结构块集合中的任意一个结构块作为待修复结构块；进行全局搜索得到待候选结构块集合；在所述待候选结构块集合中提取排列靠前的多个最相似的待候选块建立相似结构块的过完备字典；根据所述过完备字典和所述待修复结构块建立基于弹性网正则化下的稀疏表示壁画修复模型；计算带全局估计信息修复结构块。
S8、根据待修复结构块的领域相似性，得到带局部估计信息修复结构块。
参考步骤S5，本步骤中根据待修复结构块Ψs的领域相似性估计，估计出待修复结构块Ψs的局部信息(即带局部估计信息修复结构块)。
具体过程为：以待修复结构块中的局部信息中的像素点为中心建立尺寸范围大于该局部信息的领域窗口；计算带局部信息的修复结构块与领域窗口内非待修区域的带局部信息的结构块的相似性度量权重；根据相似度量权重，计算出待修复结构块在领域窗口下的带局部估计信息修复结构块。
S9、利用带全局估计信息修复结构块和带局部估计信息修复结构块通过线性加权方法得到最终修复结构块。
参考步骤S6，通过对步骤S7和步骤S8分别得到的带全局估计信息修复纹理块和带局部估计信息修复纹理块做线性加权，从而估计出最终修复结构块
Figure BDA0002226150350000141
步骤S95、更新待修复区域边界，结构块集合以及边界点的置信因子项，并重复执行步骤S2到步骤S9，直到所有的结构块都修复完毕。
本发明中，将破损图像和对应的手工线描图相结合，利用已有线描图给与待修复区域在结构上的指导，既保证了修复好的图像在结构区域的完整性，也增加了复原成功的几率。相对于传统方法的先结构后纹理的修复顺序，本发明提出了先纹理后结构的由易而难的全新修复策略，在保证了纹理区域完整复原的前提下，也降低了结构区域修复的错误率。在估计待修复纹理块或待修复结构块的全局信息(带全局估计信息修复纹理块或带全局估计信息修复结构块)时，本发明首先构造了重叠相似性质的过完备字典，同时搭建该字典下基于弹性网正则化的稀疏表示修复模型，通过求解出的稀疏系数和过完备字典的线性组合，保证了待修复纹理块或待修复结构块的全局一致性。相对于传统方法中选出单一最优候选块去填充待修复块这一思想，本发明采用稀疏模型求解出的系数与字典的线性组合，较好的估计出待修复纹理块或待修复结构块。本发明利用领域相似性准则估计出了待修复纹理块或待修复结构块的局部信息(带局部估计信息修复纹理块或带局部估计信息修复结构块)，保证了待修复纹理块或待修复结构块的区域的局部连续性，再通过带局部估计信息修复纹理块和带全局估计信息修复纹理块进行线性加权，或带局部估计信息修复结构块和带全局估计信息修复结构块的线性加权，较好的估计出待修复区域，使修复结果更加自然美观。
如图3所示，本发明的另一个实施例所提供一种壁画图像修复系统，包括：处理器10、存储器20，所述处理器10与存储器20通过通讯总线30实现通讯连接；为便于实时查看图像，还包括有显示器40，所述显示器40与通讯总线30连接。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述壁画图像修复处理方法等。
所述存储器20存储有壁画图像修复的程序，所述壁画图像修复的程序被所述处理器执行时实现如上所述的壁画图像修复方法。
所述显示器40在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器40用于显示所述壁画图像修复的信息以及用于显示可视化的用户界面。
本发明还提供一种存储介质，所述存储介质储存有用于实现如上所述的壁画图像修复的程序。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种壁画图像修复方法，其特征在于，包括步骤：
S1、获取带有辅助结构信息的待修复壁画；
S2、通过数学形态学方法对带有辅助结构信息的待修复壁画中的破损区域进行边界提取得到待修复区域边界；
S3、将所述待修复区域边界上的待填充块集合进行分类，得到结构块集合与纹理块集合；
S4、选取所述纹理块集合中的纹理块作为待修复纹理块，并计算得到带全局估计信息修复纹理块；
S5、建立领域窗口并计算所述待修复纹理块在领域窗口下的带局部估计信息修复纹理块；
S6、对带全局估计信息修复纹理块和带局部估计信息修复纹理块进行线性加权，估计出最终的待修复纹理块；
S7、按优先权的大小选取所述结构块集合中的结构块作为待修复结构块，并计算得到带全局估计信息修复结构块；
S8、根据待修复结构块的领域相似性，得到带局部估计信息修复结构块；
S9、利用带全局估计信息修复结构块和带局部估计信息修复结构块通过线性加权方法得到最终修复结构块。
2.根据权利要求1所述壁画图像修复方法，其特征在于，所述步骤S1具体包括：
S11、预先在破损壁画图像的待修复区域处填充绿色掩模，通过所述绿色掩模识别出待修复区；
S12、获取破损壁画对应的完整线描图像；
S13、将完整线描图像与所述待修复的破损壁画进行匹配，添加破损区域里缺失的结构信息；
S14、得到带有辅助结构信息的待修复壁画。
3.根据权利要求1所述壁画图像修复方法，其特征在于，所述步骤S2具体包括：
S21、识别所述带有辅助结构信息的待修复壁画中的破损区域，获取待修复区域；
S22、通过数学形态学方法对破损区域进行边界提取，得到待修复区域边界，并对置信因子项进行初始化。
4.根据权利要求1所述壁画图像修复方法，其特征在于，所述步骤S3的具体步骤为；
S31、将所述待修复区域边界上L个以P点为中心的待填充块集合P进行分类；
S32、通过分成E个以s点为中心的结构块集合S，和F个以t点为中心的纹理块集合T，E+F＝G，G为待修复区域边界上所有像素点个数。
5.根据权利要求1所述壁画图像修复方法，其特征在于，所述步骤S4具体包括：
S41、在不计算优先权函数的情况下随机选取所述纹理块集合中的任意一个纹理块作为待修复纹理块；
S42、进行全局搜索得到待候选纹理块集合；
S43、在所述待候选纹理块集合中提取排列靠前的多个最相似的待候选块建立相似纹理块的过完备字典；
S44、根据所述过完备字典和所述待修复纹理块建立基于弹性网正则化下的稀疏表示壁画修复模型；
S45、计算得到带全局估计信息修复纹理块。
6.根据权利要求1所述壁画图像修复方法，其特征在于，所述步骤S5具体包括：
S51、以待修复纹理块中的局部信息中的一个像素点为中心建立尺寸范围大于该局部信息的领域窗口；
S52、计算带局部信息的修复纹理块与领域窗口内非待修区域的带局部信息的纹理块的相似性度量权重，
S53、计算出待修复纹理块在领域窗口下的带局部估计信息修复纹理块。
7.根据权利要求1所述壁画图像修复方法，其特征在于，所述步骤S7具体包括：
S71、计算所述结构块集合中每一个结构块的置信因子项，并进行正则化处理；
S72、计算每一个结构块的结构复杂度；
S73、计算每一个结构块的优先权；
S73、选择优先权最大的结构块作为待修复结构块，并进行全局搜索得到待候选结构块集合；
S74、通过基于弹性网正则化的稀疏表示壁画修复模型，得到带全局估计信息修复结构块。
8.根据权利要求1所述壁画图像修复方法，其特征在于，在步骤S6之后还包括：
步骤S65、更新置信因子，待修复区域边界，结构块集合和纹理块集合，并重复执行步骤S2至步骤S6，直到所有的纹理块都修复完毕。
在步骤S9之后还包括:
步骤S95、更新待修复区域边界，结构块集合以及边界点的置信因子项，并重复执行步骤S2至步骤S9，直到所有的结构块都修复完毕。
9.一种壁画图像修复系统，其特征在于，包括：处理器、存储器，所述处理器与存储器和所述拍摄设备通过通讯总线实现通讯连接；
所述存储器存储有壁画图像修复的程序，所述壁画图像修复的程序被所述处理器执行时实现如权利要求1-8任一所述的壁画图像修复方法。
10.一种存储介质，其特征在于，储存有用于实现如权利要求1-8任一所述的壁画图像修复的程序。
CN201910956008.8A 2019-10-09 2019-10-09 一种壁画图像修复方法、系统及存储介质 Pending CN110689503A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910956008.8A CN110689503A (zh) 2019-10-09 2019-10-09 一种壁画图像修复方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910956008.8A CN110689503A (zh) 2019-10-09 2019-10-09 一种壁画图像修复方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN110689503A true CN110689503A (zh) 2020-01-14

Family

ID=69111751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910956008.8A Pending CN110689503A (zh) 2019-10-09 2019-10-09 一种壁画图像修复方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN110689503A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886887A (zh) * 2019-01-28 2019-06-14 深圳大学 一种壁画图像修复处理方法、系统、装置及存储介质
WO2019174068A1 (zh) * 2018-03-15 2019-09-19 华中科技大学 基于距离加权稀疏表达先验的图像复原与匹配一体化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019174068A1 (zh) * 2018-03-15 2019-09-19 华中科技大学 基于距离加权稀疏表达先验的图像复原与匹配一体化方法
CN109886887A (zh) * 2019-01-28 2019-06-14 深圳大学 一种壁画图像修复处理方法、系统、装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李清泉等: "一种基于稀疏表示模型的壁画修复算法", 《武汉大学学报(信息科学版)》 *
胡正平等: "基于分类学习字典全局稀疏表示模型的图像修复算法研究", 《数学的实践与认识》 *

Similar Documents

Publication Publication Date Title
CN107403197B (zh) 一种基于深度学习的裂缝识别方法
CN111160440B (zh) 一种基于深度学习的安全帽佩戴检测方法及装置
CN110180186B (zh) 一种地形图转换方法及系统
CN111126304A (zh) 一种基于室内自然场景图像深度学习的增强现实导航方法
CN109741268B (zh) 一种针对壁画的破损图像补全方法
CN109961407B (zh) 基于人脸相似性的人脸图像修复方法
CN106845341A (zh) 一种基于虚拟号牌的无牌车辆识别方法
CN112001859A (zh) 一种人脸图像的修复方法及系统
CN107944459A (zh) 一种rgb‑d物体识别方法
CN113744268B (zh) 一种裂纹检测方法、电子设备及可读存储介质
CN112560675A (zh) Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法
CN112488935B (zh) 基于纹理约束和泊松融合的生成对抗指静脉图像修复方法
CN106407978B (zh) 一种结合似物度的无约束视频中显著物体检测方法
CN113947766A (zh) 一种基于卷积神经网络的实时车牌检测方法
CN115797350A (zh) 桥梁病害检测方法、装置、计算机设备和存储介质
CN114155556B (zh) 一种基于加入通道混洗模块的堆叠沙漏网络的人体姿态估计方法及系统
US20210304411A1 (en) Map construction method, apparatus, storage medium and electronic device
CN114663880A (zh) 基于多层级跨模态自注意力机制的三维目标检测方法
CN117011658A (zh) 图像处理方法、装置、设备、存储介质和计算机程序产品
CN110689503A (zh) 一种壁画图像修复方法、系统及存储介质
CN109886887A (zh) 一种壁画图像修复处理方法、系统、装置及存储介质
CN111402429A (zh) 一种尺度还原、三维重建方法、系统、存储介质及设备
Masaoka et al. Edge-enhanced GAN with vanishing points for image inpainting
CN115239746A (zh) 一种面向对象的遥感图像分割方法、装置、设备及介质
CN111612800B (zh) 船舶图像检索方法、计算机可读存储介质和设备

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