针对古织物图像的改进Criminisi修复算法

2016-11-24 18:15李张翼
电脑知识与技术 2016年26期

李张翼

摘要:针对古纺织文物模拟修复的应用场合,提出一种基于纹理修复的优化改进算法。该算法利用矩阵值的结构张量准确估计图像中的边缘方向和变化强度,结合Criminisi修补算法,可以在原图和修补区域之间的纹理连接上有更好的连续性。给出了该方法的具体步骤,通过实验证明该方法有更好的视觉效果。

关键词:古纺织物;图像修复;Criminisi;结构张量

中图分类号:TP18 文献标识码:A 文章编号:1009-3044(2016)26-0193-03

Improved Criminisi Repair Algorithm For Ancient Fabric Images

LI Zhang-yi

(School of Electronic and Information, Xian Polytechnic University, Xian 710048, China)

Abstract: Aiming at the restoration of cultural relics of the ancient textile simulation applications, put forward a kind of improved algorithm based on Optimization of texture repairing. The algorithm using the value matrix of the structure tensor accurate estimation image edge direction and intensity change, criminisi algorithm for repairing the combination, can be connected with a better continuity of texture between the original image and the repair area. Given the specific steps of the method, through experiments prove the method has a better visual effect.

Key words: ancient textile fabrics; image restoration; Criminisi; structure tensor; local matching

1 引言

由于古织物文物本身的易损性和珍贵性,利用数字图像处理对其进行修复是安全并且快捷的。

目前图像修复技术分为两大类:一类是用于修复小尺度的数字图像修补技术,如BSCB (Bertalmio,Sapiro, Caselles, Bellester)技术[1]Chan等人[2]提出的基于整体变分(TV)的修复算法和基于曲率驱动扩散模型【3】(CDD)的算法。该类算法在修复小尺度的破损图像时有较好的修复效果,但在修复破损区域较大的图像时,往往会产生模糊的现象,因古织物破损情况的多样性,以上方法并不适用于此。 另一类是用于填充图像中大块丢失信息的图像补全技术—基于纹理合成的图像修复技术。该技术具有某种随机性的2维模式的重复【4】,尤其是Criminisi等人【5】提出的基于样本的图像修复算法,通过优先权的设定来使丢失区域的边缘部分被优先修复,取得了较好的修复效果。但在实际应用中发现,Criminisi算法的优先权模型并不能完全有效地将边缘部分辨别出来,有时易将某些纹理部分误认为边缘部分,影响了最终的修复效果。

针对这些不足,人们也从不同角度,对Criminisi算法进行了修改。Nie等人【6】通过定义新的优先权函数,克服了图像低纹理区域修复过于滞后的问题。

黄淑兵等人【7】通过增加边界因素,并针对不同图像选择不同的参数,扩大了可以修复的图像范围。林云莉等人【8】通过引入补偿因子a以及加权系数y来改进

优先权,增强了对边缘部分的修复,获得了较好的效果。但上述文献并没有解决针对织物纹理修复时的连接痕迹和纹理扩展问题。在对古织物纹理修复时,织物后的背景会对修复效果有很大影响。

因此,本文通过在修复算法中加入结构张量这一性质,提出了基于结构张量的Criminisi优化算法,实验结果证明该方法可以提高对古织物图像的修复效果。

2 针对古织物图像修复的改进算法

2.1 Criminisi算法原理

如图1所示,[I]为待修复的图像,待修复区域为[Ω],源区域为[φφ=I-Ω],其待修复区域边界定义为[?Ω]。Criminisi算法的核心是分别计算[?Ω]上各点的优先权,选取优先权最大点[P]所在的块为待修复块[?]p,然后根据相似度函数在源区域巾中选择最佳匹配块[?]q,将相应的像素值填充到待修复块[?]p[??]q,中,并更新边界[?Ω],循环往复直到[Ω]为空。

4 结束语

原Criminisi算法在匹配最佳模块时,过分的考虑的颜色信息,因此在规则纹理的修复上由较大的视觉出入和不连续性,本文加入了结构张量这一结构特性使其能够在规则纹理的修复上由较好的效果,经过大量实验验证,该方法在针对残损古织物图像的修复上有更好的修复效果。

参考文献:

[1]BertalmioM.,SaPiroG,CasellesV andBallesterC.Image inpainting.In:Proceedings of ACMSIGGRAPH200O.Newyork:ACMPress,2000:417.

[2]Chan F T, Shen J H. Variational Image Inpainting[EB /0L ].http://www. math. Uclaedu/一imagers/htmls/ inp. html, 2004.

[3]Chan T F and Shen J H.Mathematical Models for Local Non-Texture Inpainting.SIAMJ.APPLMath, 2001,62(3):1019-1043.

[4]吴亚东,张红英,吴斌.数字图像修复技术山[M].北京:科学出版社,2010:78.

[5] Criminisi A, Perez P, and Toyama K.Region filling and object removal

Byexemplar-based image inpainting. IEEE Transactions on Image processing, 2004,13(9):1200-1212

[6] 聂栋栋,马勤勇,马利庄.新搜索策略下的快速图像修复算法[J].计算机应用研究, 2009,26(5) :1991-1996.

[7] 黄淑兵,朱晓临,许云云.一种改进的基于纹理合成的图像修复算法[J].合肥工业大学学报:自然科学版2011,34(2) :313-320.

[8] 林云莉,赵俊红,朱学峰,等.改进的纹理合成图像修复算法[J].计算机应用与软件,2010,27(10):11-12.

[9] 刘奎,苏本跃,赵晓静.基于结构张量的图像修复方法[J].计算机应用,2011,31(10):2711-2713.