基于VC++数字图像修复设计

PSNR是最普遍，最广泛使用的评鉴画质的客观量测法。
基于TV模型的图像修复算法
两种算法的比较：
a)Criminisi算法修复
b)TV模型算法修复
a)TV模型算法修复
b)Criminisi算法修复
通过对比图(a)和图(b)可以很明显 的发现Criminisi算法在图像细节修复 方面效果没有TV模型的效果好，图(a) 中的文字并没有被很明显的去掉。 TV 模型在对修复区域比较小的区域进行 修复效果比较好。
基于VC++数字图像修复的设计
指导教师：
LOGO
论文的主要内容
第一部分：绪论 第二部分：图像修复原理及系统流程设计 第三部分：基于样本的纹理合成修复算法 第四部分：基于TV模型的图像修复算法 第五部分：展望
绪论

背景：随着科学技术日新月异的发展，采集数
图像修复原理及系统流程设计
2图像修复流程设计：
图像修复可能出现的五中情况：划痕修复、文字去除、破损修复 、
污染修复以及大面积修复。
开始 输入待修复图像 标记待修复区域 输入标记颜色值 选择修复类型 否 是 是否为大 面积 提取标记区域 选择算法迭代次数 偏微分方程算法修复 显示修复结果 开始 图像修复流程图
。
。 通过对图 (a) 和图 (b) 进行对比可以很
明显的看出，TV模型修复算法在对人物 区域进行修复时，出现了模糊效果，而 Criminisi算法修复的效果较好。
基于TV模型的图像修复算法
实验结果分析：
由于 Criminisi 算法对修复区域边界点的像素优先级计算不合理，以及对 最佳像素块的搜索区域是对全图进行搜索匹配的，这两种情况均会导致图像 修复效果不理想。 由于TV模型采用单一的各向异性扩散，就是沿着与梯度垂直的方向进行扩 散，该算法在图像的平坦区域容易引入阶梯效应，在待修复面积比较大时， 会造成图像修复的模糊。
字图像的设备也在不断更新，手机、数码电子产品 在人们的生活中得到了广泛的应用，数字图像与人 的生活紧密联系在一起。

意义：
1）对美术作品或者珍贵文档、图片等进行修复。
例如：对一些古老而又有价值的油画进行修复。
2）移除图像中的固定目标。
例如：由于军事或者政治原因，隐藏对外公布资料中的某些目标。
绪论
3）去除图像中的文字或者修复图像中的划痕。
采用Criminisi算法进 行人物去除实验
从大面积修复实验中可以看 出，当待修复区域的纹理结 构 信 息 比 较 复 杂 时 ， Criminisi 算法修复效果不太 理想。
采用Criminisi算法进行的实验大面积修复实验
基于样本的纹理合成修复算法
实验结果分析：在算法填充的过程中，整个破损区域周围的
基于样本的纹理合成修复算法
Criminisi算法的实验结果:
从人物取出实验中，可以发现 Criminisi 算法 在对大面积的目标进行移除修复时，算法的整 体修复效果比较明显。人物已经被完全的移除 掉了，算法在对待修复区域的颜色填充比较协 调，整个待修复区域的自然纹理结构与周边的 纹理保持了一致。
基于TV模型的图像修复算法
基本原理：TV(Total
Variation)模型图像修复的基本求原理 是求解能量泛函的极大值、极小值，得出修复后的图像，其中该 能量泛函是根据带修复图像的先验知识和数据模型建立起来的。 TV模型图像修复在对图像修复时，对图像的边缘信息保持的比较 好，数值实现比较简单。
致谢
谢谢各位老师
算法选取：
在基于样本的纹理合成修复算法中，本文选取 Criminisi算法及在该法的基础上改进的算法进行研究，该算法具 有实现过程比较简单、修复速度快而且修复效果好等优点。
Criminisi算法： 该算法的主要思想是通过计算带修复像素的
优先权、匹配纹理块和像素点值的更新三个步骤来进行纹理合成 ，从而修复图像中的待修复区域。在Criminisi算法进行图像修复 时，图像待修复区域的大小一般比较大，这样可以取得不错的效 果。
该类方法的基本修复示意图如图所示， 图中模板样本块是以处于带修复区域边 界上的一个像素点为中心的大小固定的 纹理块，在对模板样本块进行匹配时， 通过对图中白色区域进行搜索匹配，寻 找最优匹配块。匹配完成后，将最优匹 配块的中心像素点值跟新到模板中心像 素点中。
基于样本纹理修复原理图
基于样本的纹理合成修复算法
展望
由于时间关系以及本人的能力有限，本文设计的数字图像修复系统还可以 从下面几个方面进行发展和完善： 1）在对图像修复效果方面，并没有一个很好的客观标准来进行判断，基本 上是依靠人的主观判断。在图像修复技术趋于人工智能时，对图像修复效果的 客观判断标准是很有必要的。 2)视频在日常生活中使用的比较普遍。因此，数字图像修复系统还可以添 加新的功能，针对视频文件进行修复。
例如：某些图片上有很多文字或者划痕，修复后图像欣赏效果好。
绪论
国内外研究现状：目前，数字图像修复技术的发展主要集中
在两个领域：基于偏微分方程的图像修复算法和基于纹理合成的 图像修复算法。
基于偏微分方程的图像修复算法：
Bertalmio等人在2000年首次提出了通过将带修补区域的邻近区域的图像信息沿着等光照度方 向扩散来修复图像。 Chan等人在研究Rudin提出的整体变分方法去除图像噪声算法对该算法进行了发展，将该算法 引入到图像修复领域。
基于图像纹理合成的图像修复算法：
Leung等人在1999年的ICCV会议上，首次提出了像素纹理合成技术。 之后Levoy等人在研究像素纹理合成技术的基础上，对算法中的概率函数进行了修改，直接把 邻域中最优的匹配的样本纹理的像素值填充到待合成的像素中。 Ashikhminlls在研究Levoy等人改进算法的基础上，提出了一种比Levoy算法更加快速而且有 效的方法。 Criminisi等人在2003年提出了基于样本块的纹理合成修复算法，该算法在对具有一定纹理结 构的自然图像进行修复时，取得了很好的效果。 从2004年至今主要有微软亚洲研究院改进的结构传播算法，国内浙江大学的唐峰提出的最优 误差匹配方法等改进算法等算法。
基于TV模型的图像修复算法
TV模型文字移除实验：
a)文字去除原图像
b)100次迭代
c)200次迭代
d)400次迭代
TV 模型文字移除修复
在本次文字移除实验中，通过选取不同的迭代次数对图像进行修复处理。通过 对比图 4-5(a) 、图 4-5(b) 和图 4-5(c) 可以很明显的发现，当迭代次数选择 100 次 和 200 次时图像中的文字并没有明显的去除，而当采用 400 次迭代次数的时候， 文字被很明显的去除。
如右图所示，图像的 D 区域表示 为图像的待修补区域，而 E 则是待修 复区域 D 的邻域。 TV 模型图像修复算 法就是通过对图像区域 E 和待修复区 域 D 进行整体的变分，从而以实现对 待修复区域D 的修复。
TV模型图像修复示意图
TV模型图像修复算法可以分为如下3步：
① 建立图像的能量泛函函数，并提出其约束条件； ② 变分求取泛函的拉格朗日方程； ③ 在已知限定的条件下求解微分方程；；
基于TV模型的图像修复算法
TV模型划痕修复实验：
a)TV模型修复原图
b)扩散系数为1
c)扩散系数为0.1
d)扩散系数为0.01
TV模型划痕修复
在本次实验中选取迭代次数300次通过对图4-6 中的(b)、(c) 和 (d) 三幅相比图 (a) 进行 PSNR 测试值分别为 36.2132 、 36.4731 和 36.7514 ，可以发现在 TV 模型中影响图像修复效果主要是迭代 参数。
纹理合成修复算法
基于样本的纹理合成修复算法
基本原理：在修复的过程中先在带修复图像的修复区域的边界
上任意选取一个像素点，取以选取像素点为中心的一个固定像素 块作为匹配样本块，该样本块的大小可以任意的选取如可以选取 9x9大小等，然后在去除带修复区域的整幅图像区域进行搜索匹 配，找出与该样本块最为相似的纹理块做为最优匹配块，最后， 将最优匹配块的中心像素点填充到样本块区域。这样算是完成了 一个指定像素点的修复。
结构信息并没有比较理想的延伸到待修复区域，图中破损区域周 围的山石结构和松树结构并没有填充，而且在破损区域出现了很 明显的错误匹配情况，在松树区域填充了山石结构信息， Criminisi算法在这种纹理结构比较复杂的图像进行修复时修复效 果不太理想。这主要是Criminisi算法对于待修复区域像素块进行 搜索匹配时是采用全图像区域搜索的方式来进行的。 可以发现在 随着图像待修复区域中的像素点不断填充的过程中，图像待修复 区域中的已知信息像素点会不断的增加。图像待修复区域像素点 的置信度值会迅速下降到零，从而导致算法计算出的优先权不可 靠。因此，会导致出现错误的颜色填充，从而影响到整幅图像的 修复效果。
计算边界像素点的优先级 找出优先级最高的像素 生成匹配样本 寻找最优匹配样本 更新像素值及置信度 Criminisi算法基本流程框图
基于样本的纹理合成修复算法
算法中三个步骤的具体含义：
① 为了能够保证图像的修复填充是按照图像的线性结构传播的， Criminisi算法首先需要计算待修复区域像素点的优先权。优先 权直接决定了算法对待修复区域像素进行填充的顺序，从而来保 证待修复区域与周围像素的连通性； ② 根据图像中像素块与周围像素块具有一定的相似性，来对除去待 修复区域以外的图像区域进行搜索匹配，找出最优匹配块； ③ 将②找出的最优匹配像素块，复制到样本块区域，从而来完成带 修复区域像素值的更新。完成像素填充后，更新待修复区域的置 信度。
图像修复原理及系统流程设计 1基本原理：
矩形部分表示整幅图像区域 椭圆部分D表示为图像待修复区域 I表示为图像中不需要修复的区域 图 像 修 复 示 意 图
数字图像修复技术的原理就是通过对整幅图像Ω进行判断， 寻找Ω图中的需要修复的区域，然后对D区域周围区域I中像素点 的颜色值进行一定判断，通过算法将I中的像素信息填充到待修 复区域D中。