基于纹理信息的物体遮挡图像修复算法研究

摘要

图像修复是根据图像中已知部分的信息，恢复信息缺失区域部分信息的一种图像处理技术。图像修复已经广泛应用到文物恢复、文字去除、影视特效等多个方面，图像修复技术的研究具有实际的应用价值。
　　本文首先概述了图像修复的研究背景、意义以及国内外研究现状，介绍了经典的图像修复算法模型，包括全变分(Total Variation，TV)图像修复算法、曲率驱动扩散（Curvature Driven Diffusion，CDD）图像修复算法、Criminisi图像修复算法和稀疏表示(Sparse Representation，SR)图像修复算法。
　　其次，针对大面积物体遮挡去除，本文提出了一种基于狼群算法的Criminisi图像修复方法。该方法通过引入边界项和正则化函数对优先权计算进行优化，采用狼群算法优化模块匹配算法，按照探狼游走、猛狼奔走、猛狼围攻、狼群更新的步骤，结合全局搜索和局部搜索寻找最匹配图像块，然后将最匹配图像块填充到待修复区域。实验结果表明，该方法具有更好的视觉效果，提高了峰值信噪比(Peak Signal to Noise Ratio，PSNR)和算法速度。
　　然后，针对非整块区域的物体遮挡，本文提出了一种基于距离聚类结构组的稀疏表示图像修复方法。该方法引入欧氏距离表征图像块之间的结构相似性，通过设定阈值进行图像块聚类，将具有一定结构相似性的图像块分组;再对分组的图像块进行稀疏分解、字典学习、迭代优化计算，再重构得到修复图像。将本文提出的算法与TV算法、CDD算法、组稀疏表示算法(Group-based Sparse Representation，GSR)进行对比。实验结果表明，该方法取得了更好的图像修复效果，峰值信噪比获得提高，算法速度也更快。
　　最后，总结了本文的工作并且对图像修复的发展进行了展望。

目录

声明

摘要

第1章 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 基于偏微分方程的图像修复方法

1．2．2 基于纹理合成的图像修复方法

1．2．3 混合的图像修复方法

1．2．4 基于稀疏表示的图像修复的应用

1．3 论文研究内容与安排

第2章 经典图像修复模型

2．1 TV图像修复模型

2．2 CDD图像修复模型

2．3 Criminisi图像修复模型

2．4 稀疏表示的图像修复模型

2．4．1 稀疏表示模型

2．4．2 稀疏分解

2．4．3 字典设计

2．5 本章小结

第3章 基于狼群算法的Criminisi图像修复方法

3．1 目标区域的优化标记

3．2 优先权计算的改进

3．3 狼群算法匹配样本块

3．3．1 狼群算法介绍

3．3．2 狼群算法的寻优效果

3．4 实验结果和分析

3．5 本章小结

第4章 基于距离聚类结构组的稀疏表示图像修复方法

4．1 距离聚类结构组的稀疏表示图像修复算法

4．1．1 距离聚类结构组构造

4．1．2 距离聚类结构组的稀疏表示

4．1．4 迭代优化

4．2 算法实现流程

4．3 实验结果与分析

4．3．1 缺失图像修复

4．3．2 覆盖文字消除

4．3．3 结果分析

4．4 本章小结

第5章 总结与展望

致谢

参考文献

附录