基于改进Criminisi算法的自动驾驶仿真道路场景图像修复

利用真实图像生成虚拟驾驶场景视图时,首先要从图像中移除车辆、行人等前景目标,以便获得不包含移动目标的背景图像。针对原始Criminisi算法存在的图像破损区域在修复后会出现模糊效应、边界不够平滑的弊端,提出了一种在处理掩膜图像环节使用开运算,并优化原始优先权函数的改进算法。运用MATLAB仿真平台进行实验分析,结果表明改进后算法修复时间平均缩短了16.5 s,峰值信噪比平均高出原算法1.65 dB。该算法还原了图像中更多的道路信息,弥补了Criminisi算法的不足。     

摄像机平行于场景运动且晃动下的视频修复

针对摄像机平行于场景运动,且存在晃动的情况,提出将摄像机运动情况下的视频修复转化为摄像机静止情况下的视频修复。该算法采用基于SURF特征点提取的视频拼接技术,将输入视频转化为新的背景静止的视频序列,在新视频中分别进行前景修复和背景修复,把修复好的新视频映射到原视频。在前景修复中,将目标块定义为能够覆盖整个运动物体的长方形块。在背景修复中,算法对待修复区域进行统一的标记和修复。实验结果表明,该算法提高了修复的准确度和速度,有利于保持视频的连续性。     

基于分块分类的智能视频监控背景更新算法

针对传统智能视频监控中背景更新算法计算量大、对光照变化敏感等问题,提出了一种基于分块分类的背景更新算法.首先,根据视频序列获得初始的背景参考图像,采用背景差分法得到当前帧的差分图像.然后,将差分图像采用分块处理,按照子块的均值特征对各子块图像进行前景块和背景块的分类.最后,根据分类情况采用不同的背景更新策略,实现背景的实时更新.该算法以块为操作对象,相比单个像素处理时的计算量更小,运算速度更快.实验结果表明,新算法能较好地适应光照变化,背景更新效果较好.     

破损区域分块划分的图像修复

目的： 提出一个算法,使计算机能够自动修复破损区域较大且结构信息较复杂的图像。 方法： 本研究通过模仿手工修复破损区域较大且结构信息较复杂的图像的方法,按如下2个步骤来修复图像：1) 破损区域的划分,首先,对各断裂边界线进行匹配配对。然后,将已配对的各断裂边界线进行直接连接,从而在破损区域内形成各个待修复块。2) 各块的修复,首先,采用BSCB算法中的传输方程和扩散方程将已选邻域信息迭代传输和扩散到各块破损区域,以修复完优先级最大的各个块。然后,判断是否有次优先级的待修复块,若有,则采用边界线删除算法删除部分冗余边界线,接着按相同方法修复次优先级的待修复块;若无,则修复完成。 结果： 基于以上图像修复步骤,提出了破损区域分块划分的图像修复算法。将提出的该算法和其它3个算法用于修复破损区域较大且结构信息较复杂的图像,其结果显示,该算法所修复图像的PSNR值平均提高1.49db,同时,所修复图像具有较好的视觉效果。 结论： 和其它3个算法相比,提出的破损区域分块划分的图像修复算法更适合于修复破损区域较大且结构信息较复杂的图像。     

基于参考纹理与自身色彩的图像修复

传统的图像修复工作仅仅利用破损图像本身的信息完成,破损面积较大并且结构比较复杂时,破损图像不能提供足够的信息导致修复效果不理想。针对这个问题提出了基于参考图像纹理与破损图像自身颜色的修复算法。该算法在图像库中通过图像检索智能筛选相似参考图像,并选择最优区域填充破损图像区域,利用参考图像样块与自身未破损区域的纹理信息保证修复边界的平滑性,再结合颜色迁移与扩展算法使破损图像修复区域与完好区域的色彩协调一致。实验结果表明新提出的修复算法使得图像修复区域过渡更加自然,能在视觉上有较好的效果。     

利用梯度融合与聚类的三维视频图像修复

针对三维视频图像的空洞填充中的前景背景分割时容易造成前景对象提取不准确而影响修复效果的问题,提出利用梯度融合与聚类相结合的三维视频图像修复算法.首先利用分水岭算法与标记相结合的办法对图像进行分割;然后充分利用深度图像的深度梯度结构信息,并采用K均值聚类对梯度图像进行标记修正,以增强对前景对象的辨别能力.实验结果表明,该算法较好地克服了原有分水岭算法在图像分割过程中易发生过分割现象,完整地提取了前景对象的纹理信息,使修复图像具有更好的视觉效果,峰值信噪比相比于原算法提高了1~3 d B.     

基于ViBe的室外动态背景闪烁像素噪声消除方法

针对使用视觉背景提取(ViBe)模型在室外动态背景下进行移动目标检测时存在不规则闪烁像素点对前景检测结果造成干扰的问题,提出一种基于视觉背景提取算法的闪烁像素噪声消除方法。在背景模型建立阶段设定背景模型样本标准差阈值,约束背景模型的采样值范围以提高背景模型准确性。在前景检测阶段引入自适应检测阈值提高前景物体检测精度,在背景模型更新过程中对图像边缘背景像素点进行边缘抑制以阻止错误背景样本值更新到背景模型。在此基础上,结合形态学操作修复连通域,提高前景图像的完整性。最后选取多个视频序列将该方法与原始ViBe算法、形态学改进方法的检测结果进行对比。实验结果表明,该方法能有效消除闪烁像素噪声对前景检测造成的影响,获取更精确的前景图像。     

一种基于颜色区域分割的图像修复算法

现有的基于样本块纹理合成的数字图像修复技术在全局式搜索样本匹配块时可能选择错误的匹配块,导致繁衍错误信息而使修复结果不理想。该文提出一种基于颜色区域分割的图像修复方法,其目标匹配块的搜索限定在源样本块所覆盖的颜色区域中。实验结果表明这是一种更健壮、视觉效果更理想的修复算法,可以有效修复各种破损情况,尤其是具有复杂背景的较大区域填充。     

基于surfacelet稀疏重构的视频修复

为提高视频竖线、划痕、文字等破损的修复质量,提出一种基于Surfacelet稀疏重构的视频修复算法。Surfacelet变换的具有多尺度、多方向且高效树状结构的三维稀疏变换特性,能有效捕捉视频中的奇异曲面。算法首先基于Surfacelet变换域构造破损视频信号的稀疏性全局优化的目标函数,然后采用松弛算法求解该目标函数来实现对破损视频的修复。该算法不需要复杂的分割、边缘检测等预处理,能提高视频的纹理和结构信息的修复效果。实验仿真结果表明本文算法的视频修复质量优于现有视频修复算法。     

基于新生成器结构的图像修复方法

针对目前图像修复算法存在的修复效果不连续、缺失大小受限、训练过程不稳定等缺点,提出了一种基于生成对抗网络的图像修复方法.利用卷积神经网络,我们可以真实地修复任意分辨率的图像.为了实现高分辨率的真实修复效果和对图像特征的充分学习,我们提出基于DenseNet传播源图像的细节和结构得到高分辨率的图像,实现图像缺失生成;由于Iizuka等人提出的基于双判别器方法中膨胀卷积部分所产生的巨大运算量,我们提出使用JPU (Joint Pyramid Upsampling,联合金字塔上采样)来加速计算.在CelebA和ImageNet上的实验表明,所提方法能真实地修复大多数的破损图像.