图像修复算法研究与智能填补实现

发布时间：2017-07-04 19:04

  本文关键词：图像修复算法研究与智能填补实现

  更多相关文章： 数字图像修复 最近邻搜索 块拼贴合成 纹理合成 智能填补

【摘要】：图像修复技术是针对图像损坏或丢失的部分,利用未破损的图像作为参考,按照一定的规则填补至破损区域,使修复后的图像接近或达到未破损之前的视觉效果。随着数字媒体技术的普及,数字图像修复技术得到了越来越广泛的应用,不仅被应用于修复损坏的图像,还用于图像压缩,目标物去除,超分辨率图像分析以及视频错误隐藏等。然而,由于没有足够的信息来保证修复结果的正确性,图像修复是一个病态的问题。判断修复效果的好坏一般取决于人们的主观视觉感知。因此,利用算法思想对图像进行修复从而满足人们的视觉感知是一个不断学习、理解与再现的认知过程。在众多图像修复方法中,基于样例的块拼贴合成图像修复方法由于其具备对结构图像的良好修复效果,因而一直受到广泛的关注,而块匹配算法是此类方法的算法基础。然而,块匹配的图像修复算法在对图像进行结构修复时往往忽略了对图像纹理信息的处理,同时在最近邻搜索匹配过程容易出现匹配错误的情况。针对以上问题,提出了一种融入纹理合成的分层图像修复方法。该方法基于块匹配算法,引入图像金字塔修复模型和淘汰机制提升图像结构的修复效果。同时,融入基于采样赋值的纹理合成方法对图像的纹理做进一步优化。实验证明,对于相同输入图像,所提方法较传统方法能够得到更好的修复效果。另一方面,传统的最近邻搜索匹配过程开销大且耗时长,在实际应用中不能获得良好的用户体验。针对这一问题,提出了一种可变范围块采样的快速图像修复方法。该方法能够快速地从图像上找到合适的样本块,从而降低最近邻搜索成本。实验证明,在保证图像修复效果的同时,所提方法较传统方法在修复速率上有较大的提升。最后,结合以上两种改进方法,设计并实现了交互式图像智能填补应用。该应用从视觉心理学角度出发,根据视觉聚焦点的不同对待修复图像进行分区。视觉聚焦区和非聚焦区分别采用精细修复和快速修复方法。在满足人们视觉感知的同时提升了修复速率并减少开销,具有良好的应用前景。
【关键词】：数字图像修复 最近邻搜索 块拼贴合成 纹理合成 智能填补
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-17
• 1.1 研究背景及意义9-11
• 1.2 国内外研究现状11-15
• 1.2.1 纹理合成技术12-13
• 1.2.2 图像填补技术13-14
• 1.2.3 视频及其他修复方法14-15
• 1.3 本文研究内容15-16
• 1.4 本文结构16-17
• 第2章 块匹配的图像修复算法基础17-25
• 2.1 最近邻搜索算法介绍17-19
• 2.2 PatchMatch块匹配算法19-22
• 2.2.1 偏移初始化19-20
• 2.2.2 近似最近邻搜索20-22
• 2.3 关键问题及解决思路22-23
• 2.4 本章小结23-25
• 第3章 融入纹理合成的分层图像修复方法25-39
• 3.1 方法流程25-26
• 3.2 改进的结构修复方法26-30
• 3.2.1 图像金字塔修复模型26-28
• 3.2.2 淘汰机制的引入28-30
• 3.3 纹理层修复30-31
• 3.3.1 纹理区域识别30-31
• 3.3.2 基于采样复制的纹理合成31
• 3.4 基于均方误差的修复效果评价标准31-32
• 3.5 实验结果与分析32-37
• 3.6 本章小结37-39
• 第4章 可变范围块采样的快速图像修复方法39-49
• 4.1 方法流程39-40
• 4.2 可变范围块采样40-43
• 4.2.1 块采样步骤40-42
• 4.2.2 样本块分析42-43
• 4.3 实验结果与分析43-48
• 4.4 本章小结48-49
• 第5章 智能填补应用的设计与实现49-63
• 5.1 方法流程49-50
• 5.2 用户界面设计50-52
• 5.2.1 交互式输入51-52
• 5.2.2 遮罩的实现52
• 5.3 基于视觉聚焦点的智能填补52-55
• 5.3.1 视觉聚焦点分区53-54
• 5.3.2 智能填补实现54-55
• 5.4 实验结果与分析55-61
• 5.5 本章小结61-63
• 结论63-65
• 参考文献65-69
• 攻读硕士学位期间取得的研究成果69-71
• 致谢71

，

本文编号：518937