基于纹理方向的图像修复算法

在使用基于样本的纹理合成技术的图像修复算法中,搜索纹理的匹配块时,利用纹理的方向特性,可以将搜索过程约束到沿着纹理的方向进行。在Criminisi A的算法基础上,加入了确定纹理方向过程,优化了纹理块的优先权和大小的计算方法。实验结果表明,该方法在处理强方向性的纹理图像的修复时有很好的效果,明显地提高了计算效率。     

纹理合成在图像修复中的应用研究

图像修复是数字图像处理领域中的主要研究方向,该文介绍纹理合成技术中的Criminisi算法,并针对其在利用边界点优先权调整修补次序过程中存在的问题,提出一种改进算法,该算法不仅可以有效改善图像的修复效果,还可以在数字图像上实现用背景替换较大的前景物。实验结果证明了其有效性。     

基于纹理和结构的图像修复算法研究

图像修复是一种修复图像中破坏部分的技术,具有广泛的应用。传统的图像修复算法对于纯结构或纯纹理图像有较好的修复效果,对于既有结构又有大量纹理的图像,可以先将图像分为结构子图和纹理子图,再分别用不同的方法处理两个子图。算法结合了Poisson方程和块纹理合成的思想,首先将原图分解成结构子图和纹理子图两部分,然后根据两个子图各自的特征分别进行修复。对于结构子图像,采用基于Possion方程的方法进行修复,对于纹理子图,采用纹理块合成方法进行修复。实验证明,该算法具有良好的修复效果。     

纹理分布分析的快速图像修复算法

目前基于样本块的图像修复算法均是运用平方差和(SSD)准则遍历固定的样本集以选取最优匹配块,算法普遍具有运算效率低的缺点。针对现有算法进行改进,提出一种基于图像纹理分布分析的快速图像修复算法,该算法根据局部纹理变化动态确定样本集大小,解决样本集过大时引起的计算时间浪费以及样本集过小时样本多样性不足的问题。实验结果证明,该算法保证修复结果连续且符合人眼视觉要求,大大提高了图像修复的效率,具有实际意义。     

基于显著结构重构与纹理合成的图像修复算法

文章结合结构修复算法及纹理修复算法各自的优点,并考虑显著结构对 图像修复的巨大影响,提出结合显著结构重构与纹理合成的图像修复算法。算法先利用形态 学算子剥离待修复图像中细小结构与大块区域;然后利用快速结构修复算法对图像进行处 理;再利用插值对待修复图像进行显著结构重构;最后利用基于改进优先级的加权匹配图像 修复算法进行后续修复。实验结果表明,对既有显著结构同时又包含丰富纹理的待修复图像, 与传统算法相比,本文的算法不但有更好的修复效果,而且耗时更少。     

方向性纹理图像的修复算法

自然图片和一些方向性纹理图像通常有污点或者希望去掉覆盖背景的一些目标,如果直接擦掉前景会留下一个“空洞”。针对这种强方向性纹理分布图像,提出一种修复算法去填充这些“空洞”。由于强方向性,算法通过在局部区域选择图像块以合成缺失的图像块。若缺失信息的图像块BT附近的为已知图像块BTN,沿着纹理/颜色分布的方向或者约束的方向搜索,可以找到与BTN最相似的块BSN,并用BSN附近的图像块BS去更新BT。在更新BT前,计算块与块之间边界的最小误差路径,以其为更新边界,以减小拼接的痕迹。最后文章给出了对不同的纹理图像修复的例子,以说明方法的有效性。     

基于微粒群算法的纹理合成图像修补方法

提出了一种基于微粒群算法（PSO）的纹理合成图像修补方法。针对基于块的纹理合成算法中常用的匹配块全搜索效率低下的问题,对候选区域采样确定初始微粒,利用PSO算法搜索得到最优匹配块。实验结果表明了方法的有效性。     

基于图像结构和纹理的快速修复方法

传统的图像修复算法对纯结构或纯纹理图像有较好的修复效果.对于一幅既有结构又有大量纹理的图像,可先将图像分解为结构子图和纹理子图,再分别用不同的方法处理两子图,最后把处理后的子图合并,完成修复.对结构子图的处理常采用基于PDE的修复方法,该方法需要复杂的运算,其时间代价太大.为了提高效率,使用一种新方法,结合结构图像的特征,仅利用邻域的已知信息单次填充进行修复.试验对比表明,该方法有较好的修复效果,且大大缩短了修复时间.     

基于全变分和边界重构的纹理图像修复方法

在修复纹理图像时,将来自受损图像周边的像素或选出的纹理沿等照度线方向复制到受损区域内可能引起边界模糊。为解决上述问题,通过全变分将图像分解成骨架图和纹理图,用边界重建方法修复图像的骨架图部分,在修复的骨架图的导引下用纹理合成方法修复纹理图部分,使图像的纹理和结构得以同时修复。实验结果证明,该方法对具有复杂结构的纹理图像具有较好的修复结果。     

小波变换与纹理合成相结合的图像修复

目的 为了克服传统的图像修复算法在结构和纹理边界的错误修复,利用小波变换域的系数特征,探讨了一种基于小波变换与纹理合成相结合的修复算法。方法 算法先利用小波变换将待修复图像分解成具有不同分辨率的低频子图和高频子图,然后根据不同子图各自的特征分别进行修复。对代表图像结构信息的低频子图,采用FMM(fast marching method)算法进行修复;对代表图像纹理信息的高频子图,根据各子图中小波系数的特征,利用纹理合成方法进行修复。结果 分层、分类修复方法对边缘破损具有良好的修复效果,其峰值信噪比相比于传统算法提高了1~2 dB。结论 与相关算法相比,本文算法的综合修复能力较好,可以有效修复具有较强边缘和丰富纹理的破损图像,尤其对破损自然图像的修复,修复后图像质量得到较大提升,修复效果更符合人眼视觉效应。     

改进的纹理合成图像修复算法

提出一种新的基于纹理合成的图像修复算法,针对Criminisi算法优先权函数不准确等缺点,改进优先权函数;另外在模板的选择上,利用方差表征频率的变化来选择模板的大小,不仅可以抑制噪声对模板选择的干扰,也更能体现图像的局部差异性,从而能更加准确地寻找最佳匹配块.算法经过实验仿真证明了其准确性.     

一种基于生成对抗网络的图像修复算法

针对目前基于生成对抗网络(GAN)的图像修复算法存在修复效果的视觉连续性不佳、网络训练过程中模型崩溃等问题,提出一种基于双判别器的生成对抗网络的修复算法。该方法将WGAN-GP的损失函数引入全局判别器和局部判别器中,并结合改进的上下文内容损失来训练网络模型,修复破损区域。在CelebA数据集以峰值信噪比PSNR和结构相似性SSIM的标准下的实验结果证明,该算法提高了图像修复结果的质量和训练稳定性。     

基于统计及结构稀疏特性的图像修复算法

目前普遍使用的基于等照度线的优先权图像修复算法,不能快速准确地确定待修复图像的结构位置。提出利用破损区域边缘图像块的灰度均值直方图,快速准确定位结构点的位置,优先修复结构区域后,实现纹理区域修复,获得很好的修复结果。该算法与传统算法相比,不必计算每个边缘图像块的优先级,直接利用统计信息获得结构点的位置,比传统算法更准确获取结构点位置。算法的计算效率和修复效果都有了很大提升。     

基于多角度约束与谱归一化的图像修复算法

针对图像修复任务过于困难的问题,采用基于生成对抗网络的双判别器模型,通过增设局部判别器追踪图像局部缺失区域信息,有效提升了修复准确性.但模型在产生合理语义性信息方面并不乐观.为此,提出Multi-Angle GAN模型.在双判别器模型基础上增设分类器和Vgg19特征提取网络,分别向生成网络提供类别、风格和内容损失约束.针对GANs判别器设计存在的训练不稳定问题,向判别器设计中引入谱归一化和Wasser-stein距离.在CelebA、Places2数据集上进行大量实验,结果表明,Multi-Angle GAN较之前方法在PSNR和SSIM上分别提升0.6～0.8 dB和0.02～0.05.     

概率分析进化算法及其研究进展

概率分析进化算法是最近几年发展起来的一类新的进化算法。在分析了其产生背景和基本原理的基础上,按照算法模型复杂性将其归纳成几种类型,分别描述了它们的实现方法和求解问题的能力及效率。对未来的研究方向进行了展望,给出了若干值得研究的问题。     

基于环形马尔可夫模型的纹理图像分类

提出了一种基于环形马尔可夫模型的纹理图像分类方法。利用环形邻域构建马尔可夫模型,在模型参数求解过程中,为了避免矩阵奇异,设计了模型参数分步求解算法。基于环形马尔可夫模型提取纹理特征,然后基于动态邻域Tabu搜索算法进行特征选择,得到最优的纹理特征子集,输入到最大似然法分类器中实现图像的分类。实验结果证明,与传统的栅格马尔可夫模型相比,环形马尔可夫模型能够更好地描述纹理图像像元之间的空间相关性信息,大大提高了纹理图像分类精度。     

基于多进制小波变换的纹理图像分割

多进制小波分析是二进制小波理论的推广和延伸,因此其在很多方面具有比二进制小波更优良的特性.本文提出了一种基于多进制小波变换的纹理特征提取方法,通过对小波系数的标准差作为纹理测度以生成特征向量,利用C-均值聚类算法进行纹理分割.实验结果好于二进制小波.     

一种基于二维Brushlet变换的纹理图像检索方法

提出一种利用Brushlet变换分解图像,提取纹理特征进行图像检索的新方法。该方法利用Brushlet的特性,成功地检测到了纹理图像的方向信息,弥补了小波变换的不足,从而形成能够精确表征图像的特征矢量。匹配算法则使用比值相似度。实验结果表明,该方法计算简单、有效、检索效果较好。     

基于遗传算法的混合分形编码

１引言图象中存在局部与全局两方面的信息冗余,局部性表现在图象中的光滑性,全局性表现在图象结构的一致或相似性重复,若要达到理想的压缩效果,必须综合考虑两方面的冗余因素．分形编码在降低全局冗余方面较为有效,然而分形编码的算法复杂,例如对于２５６×２５６的...     

基于PSO优化SVM的纹理图像分割

针对传统纹理图像分割方法运行时间长,分割准确率较低,提出基于粒子群优化算法(PSO)优化支持向量机(SVM)的纹理图像分割方法。首先在自适应调整惯性权重λ的控制策略中加入PSO中的当前迭代次数和种群数,改进PSO的惯性权重λ的性能;接着运用PSO寻找最优惩罚系数C和高斯核函数中参数γ,然后运用SVM方法对训练样本综合训练建立最佳分类模型,并对纹理图像分割测试。结果表明:对比传统方法,该方法不仅缩短运行时间,分割准确率也得到了提高。同时,对比传统惯性权重对分割结果的影响,改进后的方法使得平均收敛代数减少,寻优时间缩短。