基于样本与稀疏分解的图像修复算法研究

摘要

随着图像修复近几年的发展，图像修复由于其广泛的实用性越来越深入的影响着人们的生活，因此越来越多的学者开始着手研究此领域并提出了很多算法。图像修复是通过图像中保留的完好信息对破损的地方进行有效估算，并把得到的数据向未知信息传播填充的一项技术。图像修复的目的是对破损图像进行填充补全或者对某图像中的某个对象进行移除以达到人们想要的效果，修复的好坏取决于观察者能否察觉到修复的迹象。图像修复技术广泛应用于修复损坏的图像、复原珍贵文物以及去除人为想去掉的目标对象。比较典型的图像修复算法分为两大类:基于偏微分方程的修复算法和基于样本块的图像修复算法，前者适合修复小结构性破损的图像，后者修复方法则能够兼顾结构与纹理修复。本文在研究这两类算法的基础上，针对其不足，进行了改进。
　　(1)提出了一种多样本块匹配的图像修复算法。传统的Criminisi图像修复算法对于破损区域周围含有丰富繁杂的纹理或结构信息的图像时，修复结果会出现优先权不合理与匹配块匹配错误的情况，为此提出多样本块匹配的方法。对于优先权，为了使结构信息首先修复，把结构项改进为块结构稀疏度和邻域像素差异度的加权数值和。对于匹配块匹配不合理的情况，根据块内距离与块间距离两个变量，对块间距离设置阈值γ，对块内距离设置阈值β，如果块间距离大于γ，或者块内距离大于β，就判定为该破损块与最佳样本块在进行匹配时，结果会出现偏差，因此把多个样本块加权平均得到缺失的信息合成新的样本块进行修复，反之，用Criminisi的方法进行修复。结果表明，使用此方法修复结果较好。
　　(2)提出了基于边缘提取与样本结合的图像修复算法。Criminisi算法中，由于优先权不合理，容易产生结构不通顺的情况，而且优先权计算结构项时，会受到纹理因素的影响，导致优先权结构项的计算结果不准确，提出了一种基于形态学成分分析(MCA)图像分解的改进算法。先把图像分解为结构部分和纹理部分，然后在结构部分图上提取破损图像的边缘，首先用Criminisi算法修复结构图上提取的边缘，使图像结构保持完整性。之后计算优先权结构项时，等照度线采用结构部分的信息来计算，消除了纹理的影响。最后匹配原则在采用颜色信息准则的基础上，和梯度相结合共同来衡量最佳样本块。结果表明，该算法修复后的图像不仅在结构上连接的更加顺畅，纹理修复也达到了非常不错的效果。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 图像问题描述

1．4 图像修复的病态问题

I．5 图像修复效果评价方法

1．6 本文的主要内容和工作安排

第二章 图像修复算法介绍

2．1 图像特征介绍

2．2 基于PDE图像修复算法概述

2．3 基于样本块的图像修复算法

2．4 本章小结

第三章 基于样本和多样本匹配的混合修复算法

3．1 概述

3．2 改进的样本和多样本匹配的混合修复算法

3．3 实验仿真与分析

3．4 本章小结

第四章 基于稀疏分解与边缘提取的图像修复算法

4．1 形态学成分分析(MCA)图像分解算法

4．2 改进的MCA分解算法

4．3 实验结果与分析

4．4 Canny边缘提取

4．5 改进的Criminisi算法

4．6 结果仿真与分析

4．7 本章小结

5．1 总结

5．2 研究展望

参考文献

致谢

个人简介