基于TV模型和膨胀的图像修复方法研究

在基于TV模型的图像修复算法基础上,结合膨胀操作研究灰度图像的修复算法。首先分析了基于TV模型的图像修复算法流程;在此基础上结合图像膨胀操作提出了改进的图像修复算法;最后针对三种受损图像,通过实验对比分析了图像膨胀前后的修复效果。实验结果表明,基于TV模型和图像膨胀的图像修复算法可以完全去除图像表面多余的线条、文字或划痕,修复效果很好。     

基于上下文门卷积的盲图像修复

目前基于深度学习的图像修复方法已经取得较大地进展,其方法均是基于输入的掩模对图像的退化区域进行修复.基于此,提出了由掩模预测网络和图像修复网络组成的2阶段盲图像修复网络.整个修复过程无需输入掩模,掩模预测网络可以根据输入图像自动检测图像退化区域并生成掩模,图像修复网络根据预测掩模对输入图像的缺失部分进行修复.为了更好地...     

基于积分图像的快速选择掩模平滑算法

在选择掩模平滑算法中,需要计算一幅图像的大量局部窗口的灰度均值和方差。而运用积分图像和平方积分图像,可以实现一种计算速度与图像窗口大小无关的灰度均值和方差的快速计算方法。将这种灰度均值和方差的快速计算方法运用于选择掩模平滑算法中,来计算各个掩模的灰度均值和方差,能够大大地提高算法的计算速度,从而实现了选择掩模平滑算法的快速计算。     

基于邻域相关信息的X射线图像增强算法

射线图像存在对比度差、灰度范围小、影像模糊等缺陷。传统的反锐化增强算法是图像增强经常用到的方法,该方法简单易行,但对噪声非常敏感。一般是加上一个低通滤波器来抑制噪声,但加上低通滤波器后又会对边缘造成模糊。 针对上述问题,提出了基于邻域相关信息的射线图像增强算法。首先对射线图像进行多幅叠加降噪,然后根据掩模中心像素和周围邻域像素灰度值的差与输出灰度的查找表进行图像增强。该方法在增强图像的同时能够很好地抑制噪声的增加,实验证明这种方法是可行的。     

基于图像分割的图像破损区域自动标注和修复

数字图像修复技术是指根据一定的规则,对局部区域有数据丢失或缺损的图像进行处理,以恢复图像原貌.在修复前先要对图像缺损区域标注,这项工作通常用人工完成.本文首先介绍了近年来图像分割算法,分析各自的特性,接着提出了利用图像分割算法实现对破损区域的自动提取并标注的思想,有效提高图像修复的效率.     

结合双编码器与对抗训练的图像修复

为了解决图像修复过程中破损区域信息丢失问题并实现图像中任意破损区域的修复,设计了双编码器模型,独立地对掩模和图像进行编码,利用掩模特征重建图像,减少掩模信息的损失,添加跳跃连接补充因下采样丢失的图像信息并加速网络的收敛,引入对抗训练提高重建图像的质量。在places2数据集上进行的训练和测试结果表明,该方法的图像修复效果在精度和全局性上均有良好的表现,且可用于多种类型掩模的图片修复。     

基于计算机视觉的飞行目标的跟踪研究

主要介绍了一种利用飞行器的可见光图像进行目标跟踪的方法;针对所研究图像的特点,对图像中含单多机情况选取不同的分割方式,运用形态学上的腐蚀、膨胀和标注等方法,确定出被跟踪飞行器的形心(即灰度质心),并用GM(1,1)灰色预测模型进行形心预测;然后根据给定的摄像机参数,得出飞行器实际形心的偏移量以及摄像机的偏转信息;仿真结果表明,该方法能够有效地识别图像中的目标,跟踪精度较高,具有良好的准确性和适应性。     

基于局部平均灰度熵的快速图像修复算法

使用块拼贴的基于样本的图像修复算法运行时间主要取决于最佳样本块匹配步骤的执行效率。目前算法普遍采用全局搜索获取样本块,逐一与待修复块进行相似性比对,修复质量和修复效率依赖于采样区域的范围大小。为提高计算效率,提出一种基于局部平均灰度熵的图像修复算法,在每次迭代中根据待修复块邻域窗的平均灰度熵自适应确定采样区域范围。实验结果证明,所提算法相较经典Criminisi修复算法提高了修复质量,且大大提高了修复效率。     

基于纹理谱描述子的文档图像检索算法

新算法首先根据文档图像的特点分割图像文本区域,并将文档图像中字符的边缘信息使用纹理谱进行描述,计算纹理谱图像的直方图。相对于直接使用灰度直方图进行图像检索,该算法具有更好的区分度。实验结果表明,该方法具有很高的查准率,并对剪切、旋转操作表现出很好的稳定性,适合文档图像检索。     

基于比值法和模板匹配法的灰度图像拼接

提出一种改进的基于比值法和模板匹配法的灰度图像拼接算法。对两幅具有重叠区域的灰度图像，先通过设置拼接参数对话框，在另一幅图像中找到最佳匹配点，最后利用平滑因子对两幅图像的重叠区域进行数据融合操作，实现了灰度图像的快速自动拼接。实验证明．该方法对大部分灰度图像具有很好的拼接效果。     

新的彩色图像分层修复方法

基于全变分的彩色图像修复(CTV)模型,可以在保持边缘的同时达到去噪目的,但对纹理较复杂的区域修复效果不理想。利用分层修复的思想在对整幅彩色图像进行CTV修复后,再对有明显修复痕迹的局部待修复区域使用基于块的纹理合成算法。实验结果表明,这种分层修复的方法在彩色图像的结构修复和纹理修复两方面实现较好的统一,既能很好地降噪,又能保持彩色图像的清晰边界,而且在较大区域图像修复上表现出良好的效果。     

变分模型在矢量图像修复中的应用

图像修复是指恢复图像中破损区域的颜色信息或者去除图像中的多余物体。分析了基于整体变分法TV模型以及矢量图像耦合技术的原理,根据矢量图像耦合思想将整体变分法运用到矢量图像中并对矢量图像进行试验。实验结果表明：改进的矢量图像耦合修复模型能较好地修复大块彩色图像的缺失信息和移除多余物体,能保持彩色图像的边缘,且有较好的去噪功能。     

相关扩散方程在图像修补中的应用

图像修复是图像复原研究中的一个重要内容,可以用于旧照片中丢失信息的恢复、视频文字去除以及视频错误隐藏等。目前有很多图像修补算法对于灰度图像的修补已经取得了很好的修补效果,但存在着时间消耗大和应用到彩色图像修补中时修补效果不理想的缺点。将相关扩散方程引入到图像修补中,并进行改进,使得图像的修补效率和修补效果都得到了有效提高,而且可以很自然地应用到彩色图像修补中。大量的实验证明了该方法的有效性。     

使用超像素分割与图割的网状遮挡物检测算法

针对由于摄影角度受限,一些自然图像被铁丝网、栅栏、外墙玻璃接缝等网状遮挡物所遮挡的问题,提出了一种用于修复此类图像的网状遮挡物检测算法。对于现有算法使用单像素颜色特征和固定形状特征造成对颜色和形状不均的网状遮挡物检测效果不佳的弊端,首先将图像进行超像素分割,引入颜色与纹理直方图的联合特征来描述超像素块,将基于像素分类问题转换成基于超像素的分类问题,抑制了局部颜色变化造成的误分类;然后,使用图割算法将超像素块进行分类,使网状结构能够沿着光滑的边缘进行延伸,不受固定的形状限制,提高了对异形网状结构的检测准确率,并且不依赖Farid等提出的算法（FARID M S,MAHMOOD A,GRANGETTO M.Image de-fencing framework with hybrid inpainting algorithm.Signal,Image and Video Processing,2016,10（7）：1193-1201）所需的人工输入;其次使用新的联合特征训练支持向量机（SVM）分类器并对所有未被分类的超像素块进行分类,得到准确网状遮挡物掩膜;最后,使用SAIST算法对图像进行修复。实验中,获得的网状遮挡物掩膜比Farid等提出的算法所得到的保留了更多的细节,在修复算法不变的同时显著提升了图像修复效果。在使用相同网状遮挡物掩膜的情况下,使用SAIST算法修复得到的图片在峰值信噪比（PSNR）和结构相似性（SSIM）上分别比Farid等提出算法提高了3.06和0.02。新的掩膜检测算法联合SAIST修复算法的总体修复效果对比Farid等提出算法及Liu等提出的算法（LIU Y Y,BELKINA T,HAYS J H,et al.Image de-fencing.Proceedings of the 2008 IEEE Conference on Computer Vision and Pattern Recognition.Washington,DC：IEEE Computer Society,2008：1-8）有了明显提升。实验结果表明,所提算法提升了网状遮挡物的检测准确性,得到了效果更好的去除网状遮挡物的图像。     

全局与局部属性一致的图像修复模型

目的 图像修复是计算机视觉领域的研究热点之一。基于深度学习的图像修复方法取得了一定成绩,但在处理全局与局部属性联系密切的图像时难以获得理想效果,尤其在修复较大面积图像缺损时,结果的语义合理性、结构连贯性和细节准确性均有待提高。针对上述问题,提出一种基于全卷积网络,结合生成式对抗网络思想的图像修复模型。方法 基于全卷积神经网络,结合跳跃连接、扩张卷积等方法,提出一种新颖的图像修复网络作为生成器修复缺损图像;引入结构相似性（structural similarity,SSIM）作为图像修复的重构损失,从人眼视觉系统的角度监督指导模型学习,提高图像修复效果;使用改进后的全局和局部上下文判别网络作为双路判别器,对修复结果进行真伪判别,同时,结合对抗式损失,提出一种联合损失用于监督模型的训练,使修复区域内容真实自然且与整幅图像具有属性一致性。结果 为验证本文图像修复模型的有效性,在CelebA-HQ数据集上,以主观感受和客观指标为依据,与目前主流的图像修复算法进行图像修复效果对比。结果表明,本文方法在修复结果的语义合理性、结构连贯性以及细节准确性等方面均取得了进步,峰值信噪比（peak signal-to-noise ratio,PSNR）和结构相似性的均值分别达到31.30 dB和90.58%。结论 本文提出的图像修复模型对图像高级语义有更好的理解,对上下文信息和细节信息把握更精准,能取得更符合人眼视觉感受的图像修复结果。     

基于结构张量的图像修复方法

针对传统各向异性扩散方程在修复图像时仅考虑梯度模的大小,且在修复彩色图像时易产生虚假边缘等缺陷,提出基于结构张量的图像修复方法。将结构张量作为各向异性扩散方程的扩散系数,实现在不同区域有不同的扩散方式。实验结果显示:该方法与整体变分(TV)和BSCB方法相比,提高了图像修复效果,有效地完成对于彩色图像的修复。     

唐卡图像复杂破损区域的修复

为了解决唐卡图像复杂破损区域修复的一类实际工程问题,从唐卡图像复杂破损区域的检测分割、误检测破损区域的屏蔽、各破损区域的定位惟一化、修复块修复优先级的确定、样本块的检索,到各破损区域中既定修复块的修复等一系列的过程与工程技术,详细地介绍了该类唐卡灰度图像与彩色图像复杂破损区域的修复技术,并给出了相应的修复结果.     

Edge-guided GAN：边界信息引导的深度图像修复

目的 目前大多数深度图像修复方法可分为两类：色彩图像引导的方法和单个深度图像修复方法。色彩图像引导的方法利用色彩图像真值,或其上一帧、下一帧提供的信息来修复深度图像。若缺少相应信息,这类方法是无效的。单个深度图像修复方法可以修复数据缺失较少的深度图像。但是,无法修复带有孔洞（数据缺失较大）的深度图像。为解决以上问题,本文将生成对抗网络（generative adversarial network,GAN）应用于深度图像修复领域,提出了一种基于GAN的单个深度图像修复方法,即Edge-guided GAN。方法 首先,通过Canny算法获得待修复深度图像的边界图像,并将此两个单通道图像（待修复深度图像和边界图像）合并成一个2通道数据;其次,设计Edge-guided GAN高性能的生成器、判别器和损失函数,将此2通道数据作为生成器的输入,训练生成器,以生成器生成的深度图像（假值）和深度图像真值为判别器的输入,训练判别器;最终得到深度图像修复模型,完成深度图像修复。结果 在Apollo scape数据集上与其他4种常用的GAN、不带边界信息的Edge-guided GAN进行实验分析。在输入尺寸为256×256像素,掩膜尺寸为32×32像素情况下,Edge-guided GAN的峰值信噪比（peak signal-to-noise ratio,PSN）比性能第2的模型提高了15.76%;在掩膜尺寸为64×64像素情况下,Edge-guided GAN的PSNR比性能第2的模型提高了18.64%。结论 Edge-guided GAN以待修复深度图像的边界信息为其修复的约束条件,有效地提取了待修复深度图像特征,大幅度地提高了深度图像修复的精度。     

基于径向基函数的图像修复技术

图像修复是指恢复图像中破损区域的颜色信息或者去除图像中的多余物体。本文提出了一种新的基于径向基函数的图像修复算法，由用户交互地指定需要修复的区域，算法自动地计算破损区域的轮廓并沿轮廓法向扩张，确定合适的径向基函数重构区域，将该区域内图像的颜色值看作规则采样点上的高度场，把二维图像修复问题转化为三维散乱点重建问题，利用径向基函数曲面重建的优势来修补破损的图像。实验表明，该算法能正确、稳定地处理各种破损区域。