张量化扩展变换的低秩图像修复算法

图像修复是机器视觉领域的重要研究内容之一,其利用先验信息恢复丢失的像素或者移除冗余的对象,在图像编辑、影视特技制作及数字文化遗产保护等领域具有广泛的应用。将张量变换技术运用到自然图像中,提出基于结构化的低秩张量修复模型。首先,将数据嵌入到高维张量中;其次,经过多维线性复制和折叠操作实现目标张量Hankel化;再次,针对变换后张量的低秩性,提出一种基于辅助函数的Tucker分解方法实现模型优化求解;最后,将填充好的张量逆Hankel化成原始形式,并将张量数据变换至输入图像尺寸。整体修复模型通过数据嵌入、线性复制折叠操作、Tucker分解、数据重组四个步骤实现。通过多组实验数据进行验证,结果表明该算法在视觉效果和定量评价结果上都明显优于现存其他的图像修复方法。