当前位置:主页 > 科技论文 > 搜索引擎论文 >

基于先验约束和轮廓特征的图像修复算法研究

发布时间:2020-10-15 03:21
   针对基于样本的图像修复算法,在修复破损区域周围既包含较丰富的纹理信息又包含较丰富的几何结构信息时,由于不能很好地区分破损图像的纹理信息和几何结构信息而造成纹理错误延伸,致使修复结果出现结构断裂的问题。本文将图像的先验知识和轮廓特征以合理地方式引入到图像修复过程中,并以PatchMatch算法和Criminisi算法为例,提出了两种改进算法:首先,针对PatchMatch算法采用随机的方式来初始化图像的偏移映射以及利用相似最近邻的传播方式所造成的误匹配问题,本文将图像的纹理信息和几何结构信息等图像先验知识引入到PatchMatch算法对图像偏移映射的初始化中,将原算法的随机初始化改进为在图像先验知识约束下初始化,并引入能够区分图像几何结构信息和纹理信息的相似性度量公式来测量两个图像块之间的相似性,以提高算法的匹配精度。同时,引入相似块统计特性来裁剪用于修复的样本标签,以降低由于计算图像先验知识约束而造成的算法运算量增大的问题,提高算法的运行效率。最后,将梯度因子引入到算法的平滑项中以提高算法对结构信息敏感度,使得修复结果具有更好的结构一致性。其次,针对基于样本的修复算法在保持图像结构一致性方面有所欠缺,本文对基于轮廓重构的修复算法进行了改进。该改进以图像的全局自相似性的图像先验知识为依据,充分分析和利用图像轮廓特征来指导破损区域的轮廓重构,以恢复破损区域的轮廓信息,使得修复结果更好地满足视觉一致性。与此同时,引入轮廓丰富度来改进Criminisi算法的优先权,以保证破损区域边缘处的结构信息以合理的方式传播到破损区域内部。在样本块的搜索匹配方面,本文利用图像的轮廓信息来约束匹配块的搜索范围以提高算法的匹配精度。最后,通过仿真实验结果表明,在主观评价指标上,本文提出的改进算法修复效果相比于其它同类改进算法更能满足人类的视觉连通性要求。在客观评价指标上,本文提出的改进算法相比于其它同类改进算法具有更高的峰值信噪比PSNR(Peak Signalto-Noise Ratio)和更大的结构相似性SSIM(Structural Similarity)。
【学位单位】:西南交通大学
【学位级别】:硕士
【学位年份】:2018
【中图分类】:TP391.41
【部分图文】:

移除,老照片,文字,照片


图 1-1 老旧照片和图像中多余文字移除物字画的修复:由于受自然环境或者人为的一些因素影响,一损的现象(如图 1-2 a)、c)所示),利用数字图像修复就是可字画(如图 1-2 b)、d)所示)。a)老照片b)修复后的照片 c)文字照片d)移除文字后

数字图像,移除,目标,原图


图 1-3 目标移除或隐藏糊:数字图像在传输过程中,由于数字设备的原因,往往受到噪声的污染,从而造成图像模糊(如图 1-4 a)所示),术,可以很好地起到图像去噪,恢复或提高图像的清晰度a)原图像 b)目标移除图像

图像超分辨率


图像超分辨率放大
【参考文献】

相关期刊论文 前10条

1 李志丹;和红杰;尹忠科;陈帆;;基于Curvelet方向特征的样本块图像修复算法[J];电子学报;2016年01期

2 王猛;翟东海;聂洪玉;王佳君;;邻域窗口权重变分的图像修复[J];中国图象图形学报;2015年08期

3 李志丹;和红杰;尹忠科;陈帆;仁青诺布;;基于块结构稀疏度的自适应图像修复算法[J];电子学报;2013年03期

4 任澍;唐向宏;康佳伦;;利用纹理和边缘特征的Criminisi改进算法[J];中国图象图形学报;2012年09期

5 吴晓军;李功清;;基于样本和线性结构信息的大范围图像修复算法[J];电子学报;2012年08期

6 孟春芝;何凯;焦青兰;;自适应样本块大小的图像修复方法[J];中国图象图形学报;2012年03期

7 李晋江;张彩明;范辉;原达;;基于分形的图像修复算法[J];电子学报;2010年10期

8 胡正平;刘文;许成谦;李杰;;局部自适应学习基稀疏约束结合信息优先权选择扩散的迭代图像修复算法研究[J];仪器仪表学报;2010年03期

9 赵颜伟;李象霖;;一种基于TV模型的快速图像修复算法[J];微电子学与计算机;2009年06期

10 张红英;彭启琮;;数字图像修复技术综述[J];中国图象图形学报;2007年01期


相关博士学位论文 前1条

1 张健;基于稀疏表示模型的图像复原技术研究[D];哈尔滨工业大学;2014年


相关硕士学位论文 前2条

1 岳晓菊;基于样图的纹理合成算法的研究及应用[D];西北大学;2010年

2 林云莉;数字图像修复算法的研究[D];华南理工大学;2010年



本文编号:2841612

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2841612.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户573aa***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com