MCA分解的唐墓室壁画修复算法*

申婧妮，王慧琴+，吴 萌，杨文宗

1.西安建筑科技大学 信息与控制工程学院，西安 710055

2.陕西历史博物馆，西安 710061

MCA分解的唐墓室壁画修复算法*

申婧妮1，王慧琴1+，吴 萌1，杨文宗2

1.西安建筑科技大学 信息与控制工程学院，西安 710055

2.陕西历史博物馆，西安 710061

壁画数字化修复工作极大降低了手工修复时带来的不可逆的风险。根据唐墓室壁画人工修复时先整体结构、后局部纹理的思路，提出一种基于形态学成分分析（morphological component analysis，MCA）分解的唐墓室壁画修复算法。首先结合唐墓室壁画的特点，采用改进的MCA方法进行图像分解，得到结构部分和纹理部分；然后根据图像分解后纹理和结构的复杂程度与稀疏程度，分别采用简化的全变分（total variation，TV）算法和K奇异值分解（K-singular value decomposition，K-SVD）算法进行修复。实验结果表明，该算法可兼顾纹理与结构的修复效果，唐墓室壁画中的裂缝现象的破损修复精度得到提高。

唐代墓室壁画；形态学成分分析（MCA）；图像修复；全变分（TV）算法；K奇异值分解（K-SVD）

1 引言

唐墓室壁画是我国珍贵的历史文化遗产，是古代壁画中墓葬壁画的代表，具有极高的考古价值和艺术价值。然而，由于自然风化以及一些人为因素的破坏，目前唐墓室壁画存在裂缝、脱落、褪色等多种病害。传统的壁画修复工作是不可逆的，存在较高的风险。将数字图像修复技术应用在唐墓室壁画的修复工作中，可以为壁画复原工作提供先进的技术支持。数字化壁画的保护修复工作是利用计算机对壁画进行虚拟修复，极大程度地降低了保护修复工作的风险，并且能够将壁画信息永久保存。为了能够将这些珍贵的文物长久保存下来，壁画的数字化保护修复工作已经成为一个研究热点。

数字图像修复技术通过模拟手工修复艺术品的方法实现图像中缺失信息的填充，通过给定一幅有破损区域或空白区域Ω的图像I，利用该图像的已知信息填补未知信息Ω，要求最终结果符合人眼的视觉要求[1]。该技术由Bertalmio等人[2]于2000年提出，随后涌现出各类数字图像修复方法，其实质都是通过现存信息的先验知识恢复出原始图像。

现有的修复技术分为基于偏微分方程（partial differential equations，PDE）的点扩散[3]和基于纹理合成的块合成[4]两种思路。PDE算法因其平滑过程使得在修复大面积区域时会产生模糊现象，丧失纹理细节。基于纹理合成的图像修复算法可修复大面积的破损区域且修复效果较好，但耗时长。在唐墓室壁画的手工修复工程中，首先进行结构信息的修复，即判断原图的主体线条走向，连接待修复区域的主要线条；然后进行纹理信息的修复，即根据原图的已知信息添加必要的细节。根据人工修复时先整体结构、后局部纹理的思路，Bertalmio等人[5]最先将图像分解应用到图像修复领域。基于结构信息的经典修复技术是Chan等人[6]提出的全变差（total variation，TV）算法，基于纹理信息的经典修复技术是Criminisi等人[7-8]提出的样本合成算法。先进的分解技术可充分利用两种算法的优势达到更好的修复结果。压缩感知[9]利用信号的稀疏性，以低采样进行信号采集，再利用采样信号恢复出原始信号，其稀疏表示给图像分解修复领域提供了一种新思路。基于稀疏表示的图像修复算法是利用一个字典和待处理图像内的有效信息进行稀疏编码，修复图像的破损区域[10]。

本文结合唐墓室壁画的特点，首先选择HSV（hue，saturation，value）色彩空间进行分通道修复。然后采用基于稀疏理论的形态学成分分析（morphological component analysis，MCA）分解的改进算法将图像分解为结构和纹理两部分。最后根据结构部分与纹理部分的不同特性分别进行修复。结构部分的修复采用简化的全变分算法，纹理部分的修复采用K奇异值分解（K-singular value decomposition，K-SVD）算法。

2 唐墓室壁画的高清图像

高清图像是指图像分辨率至少在720P（P代表逐行扫描）以上的图片，分辨率越高，像素越大，图像越清晰，但相应的图像文件也就越大。为了进行修复研究和遗迹数字化保存，数字化之后的壁画必须是高清图像，这便导致壁画的数据存储量非常大。本文以提供的唐代章怀太子墓出土的《马球图》壁画为例进行说明。《马球图》壁画高清图像是采用分镜头拍摄的方法进行采集和存储。将《马球图》壁画分为5个镜头进行采集，每个镜头再进行细分，分为右上、右下、左上和左下4个镜头。《马球图》壁画每个分镜头的存储大小如表1所示。

Table 1 Size of“polo figure”murals storyboard表1 《马球图》壁画分镜头的大小 GB

由表1可知，《马球图》壁画高清图像的每个分镜头的存储大小最高可达1.67 GB。一整幅《马球图》壁画高清图像数据存储量高达20.9 GB。将每幅分镜头读入内存进行修复无疑是比较困难的，但为保证壁画修复的精度，必须考虑其全局信息。因此应降低冗余，利用稀疏的思想提取图像的有效信息，并对本文算法做出改进或简化，以此提高算法的效率，缩短修复时间。

3 HSV色彩空间

基于图像分解的修复算法是对灰度图像的修复，而唐墓室壁画保存的数字图像都是彩色的。故本文采用彩色空间分通道修复并最终合成的方法实现彩色壁画的修复。由于常用RGB空间的3个通道R、G、B具有相关性，影响修复效果。而HSV色彩空间各个通道信息之间没有相关性，具有更好的分通道修复效果。因此，选择HSV色彩空间进行分通道修复。

HSV模型是基于人的视觉感知特性建立的色彩空间，其中色调（H）表示不同的颜色，如红绿蓝；饱和度（S）表示颜色的深浅，如深蓝浅绿；亮度（V）表示颜色的明暗程度，如很亮（亮白）很暗（黑暗）[11]。利用HSV色彩空间的转化算法，将唐墓室壁画按照HSV的3个通道分解为3幅灰度图像H、S、V。对分解后的H、S、V灰度图像进行MCA分解，分别得到各自的结构图像和纹理图像，然后分别对结构图像和纹理图像进行修复，将修复结果进行叠加得到3幅修复后的灰度图像，再将这3幅图像进行叠加得到1幅HSV空间的色彩图像，最后将其转换回RGB空间，得到修复结果。下面以V分量灰度图像为例，其修复过程如图1所示。

Fig.1 Inpainting step chart of V-channel gray image图1 V分量灰度图的修复步骤图

4 图像分解

4.1 经典的图像分解算法

由于大多数的图像区域不是纯纹理或纯结构，Bertalmio等人最先将图像分解应用到图像修复领域，同时进行纹理合成和结构修复来填充破损区域。设原图像为I(x,y)，该图像的结构部分为c(x,y)，该图像的纹理部分为t(x,y)，则原图像I可以表示为：

文献[5]使用了有界变分（bounded variation，BV）空间的最小化从图像中提取出结构部分c，使用振荡函数来提取图像的纹理部分t。在具体实现时，Bertalmio方法需要进行希尔伯特空间（rigged Hilbert space）的范数计算，该方法存在分解过程复杂，修复耗时长的问题。因此，本文提出一种基于MCA分解的修复算法，有效避免了以上算法的缺点。

4.2 基于MCA的图像分解

4.2.1 MCA分解算法

形态学成分分析（MCA）[12]是最新提出的一种基于稀疏表示的信号和图像分解方法。在对压缩感知中冗余字典技术进行深入研究之后，Elad等人[13]建立了基于形态学成分分析的分解算法，使用两个性质不同的冗余字典完成图像分解。它假设图像的每个成分在合适的字典下都有一个稀疏向量，且该字典对其他内容不具有稀疏性。再用数值算法搜索最稀疏的表示向量，达到理想的分离效果。

假设输入图像I，可以由结构部分Ic和纹理部分It来表示该图像：

式中，Tcαc包含着图像的结构部分；Ttαt包含着图像的纹理部分。MCA假设每一部分信号可以由一组字典稀疏表示为：

式中，Tc、Tt分别是结构部分和纹理部分的字典；αc是结构部分Ic在字典Tc中的稀疏系数；αt是纹理部分It在字典Tt中的稀疏系数；是最终获得的结构稀疏代表和纹理稀疏代表。

使用l1范数定义稀疏性，引入全变差（TV）方法，将该稀疏分解转化为如下的优化问题：

实现图像稀疏分解，图像分解的效果取决于纹理字典和结构字典的选择。通过阅读文献资料及大量实验，本文确定结构字典Tc选择曲波（curvelets）变换，纹理字典Tt选择局部离散余弦变换（discrete cosine transform，DCT）。MCA算法图像分解的流程如图2所示。

Fig.2 Image decomposition flowchart of MCAalgorithm图2 MCA算法图像分解流程图

4.2.2 改进的MCA分解算法

传统的MCA算法采用线性方式减小阈值δ，直到满足迭代收敛条件，所需运行内存大，并且会影响到算法的计算效率。传统MCA算法的迭代次数n难于界定，较小的迭代次数得到的分离结果很可能不满足实际需求，而过大的迭代次数会导致实际输出的分离信号已经满足要求，但算法仍在执行不必要的迭代分解，导致时间的浪费。同时待修复唐墓室壁画存在数量多，修复工作量大的问题。

针对以上问题对迭代终止条件提出改进，用参数εk表示第k次分解迭代后的分离结果与原始图像信号的误差，εk的表达式如式（7）所示：

其中，N为原始图像包含的像素个数。若ρ与εk分别小于各自给定的阈值，则立即跳出循环，结束迭代。改进的MCA算法图像分解的流程如图3所示。

在相同的实验条件下，改进后的MCA算法节约了时间，提高了效率。当实际输出的分离信号与原始图像之间的误差缩小到一定的范围，立即结束迭代。

Fig.3 Image decomposition flowchart of improved MCAalgorithm图3 改进的MCA算法图像分解流程图

5 基于MCA图像分解的古代壁画修复

5.1 图像的结构修复

经典TV算法的优点是能够克服线性滤波在抑制噪声的同时平滑图像边缘的缺点，它在抑制噪声的同时不改变或锐化图像边缘。利用这一特点，在图像修补过程中可利用TV算法保留图像的边缘信息；同时，可以利用最小化图像的总变分来实现对退化图像的修补。唐墓室壁画的修复对实时性虽未有较高要求，但唐墓室壁画数量多，修复工作任务量大，在相同条件下缩短修复时间是提高修复效率的一条重要途径。本文图像结构部分经图像分解之后噪声和纹理信息已经去除，不需要考虑噪声因素的影响，故可以对TV算法进行简化。简化后的TV算法减少了修复时间，提高了修复速度。

TV算法修复过程原理如图4所示。假设图像的破损区域为D，∂D为破损区域与信息完好区域的边界，E为D周边的环状区域，修复后E⋃D区域的图像为u。TV的图像修复就是在破损区域D周边找一个代价函数R(u)，然后通过最小化代价函数来实现对破损图像的修复。

Fig.4 Definition of damaged image of TV algorithm图4 TV算法对破损图像的定义

代价函数R(u)的表达式为：

式中，u是图像任一像素的灰度值；∇u是u的梯度；r(|∇u|)是一个取正值的函数；R(u)是区域u中每个像素点的梯度积分。当代价函数R(u)越小，图像就越光滑，修复效果也就越好。

加入拉格朗日算子将有条件极值转换为无条件极值进行计算，则新的代价函数是：

其中，λ为拉格朗日乘子。

根据Euler-Lagrange方程知，使得R(u)最小的u应满足条件：

最后得到包含噪声的修复方程：

在实际计算中，为防止分母过小，∇∙(∇u/|∇u|)通常需要转换为∇∙(∇u/|∇u|2+a2)，则式（11）变为：

其中，λe同式（11）。

本文不需要考虑噪声因素的影响，第二项为0，则式（10）变为：

参数a的选取对结果的影响是较小的取值可保持锐利的边缘，较大可使扩散程度较高。当待修复区域较小时，选取较小的a可得到较好的效果，相反，较大待修复区域时选择较大的a值。

5.2 图像的纹理修复

K-SVD算法是由Aharon、Elad和Bmebtein在2005年提出的，将稀疏表示理论引入图像处理领域，是将字典中原子列的更新与稀疏表示系数的更新相结合，从而加快收敛速度，且得到的字典的原子更贴近于待处理的图像。K-SVD算法对图像的纹理部分更为“敏感”，能够很好地契合图像的纹理部分，得到一个较好的修复效果。

从文献[14-15]可知，K-SVD算法的原理是假设输入的待修复图像为提取输入图像中不重叠图像块，即首先将图像划分成若干个相等的图像块；其中每一个图像块都按下述方式处理：即从上到下，从左至右将所有图像块排成行；再将图像块中像素也按上述规律排成列向量。其中，每一列表示一个图像块：yl=ElY，El为索引矩阵。基于稀疏表示的图像修复算法的目标函数见式（15）：

式中，X为重构图像，l=1,2,…,N；λ和ul为权重系数；M表示掩码矩阵；D为过完备DCT基。根据K-SVD算法的步骤，进行稀疏编码和字典更新。

（1）稀疏编码。求出的稀疏表示目标函数为：

式中，Ml表示图像块yl对应的掩码矩阵，；c和σ是常数。使用正交匹配追踪算法可得到yl的稀疏系数。

（2）更新字典。己知系数，更新字典D。针对D中原子d（qq字典中原子的个数），找到使用了原子的图像块索引为使用了该原子图像块的稀疏表示系数；计算误差项；对Error(D)进行SVD迭代，更新该原子与其稀疏系数。照上述过程更新字典中所有原子。

迭代地执行（1）与（2），满足预设的迭代次数k后，得到一个新的字典及其稀疏系数，以此来更新图像块，输出修复结果。

上述算法利用纹理图像所有图像块的有效信息进行K-SVD字典训练，能较好地估计图像上的丢失像素，达到修复的目的。

6 实验结果及分析

实验仿真使用的PC机配置如下：CPU为i5-2400，RAM为4.00 GB，系统类型为32位操作系统。该仿真实验在Windows平台下利用Matlab R2009a进行。

本文引入唐代章怀太子墓出土的《马球图》壁画对算法性能进行测试，主要是对壁画中普遍存在的裂缝病害进行修复。如图5所示，为展示修复效果选取细小裂缝（标记1）作为待修复图像1，选取较宽裂缝（标记2）作为待修复图像2。选择经典Criminisi纹理算法、TV结构修复算法和文献[5]经典修复算法与本文算法进行比较。采用结构相似性（structural similarity，SSIM）[16]、峰值信噪比（peak signal to noise ratio，PSNR）、均方误差（mean squared error，MSE）和修复耗时作为衡量图像修复效果的指标，SSIM和PSNR的值越大，MSE和修复耗时的值越小，说明修复效果越好。

Fig.5 Original image图5 原图

以待修复图像1为例，进行修复实验。

（1）对图像进行HSV三通道分解，实验结果如图6所示。

Fig.6 Channels of image in accordance with decomposition in HSV color space图6 按照HSV色彩空间分解后各分量图

（2）以待修复图的V分量图为例，对V分量图分别进行MCA和改进后的MCA分解实验。MCA分解算法中，根据经验令最大迭代次数n分别为60、80、100；改进的MCA分解算法中，根据经验令最大迭代次数n分别为60、80、100，ρ与εk的结束迭代阈值分别为40和0.01（ρ与εk的取值为实验所得）。MCA算法改进前后的修复图像，如图7、图8所示。MCA算法改进前后实验结果的对比，如表2所示。

Fig.7 MCAdecomposition of V-channel image图7 V分量图的MCA分解图

Fig.8 Improved MCAdecomposition of V-channel image图8 V分量图的改进MCA分解图

Table 2 Experimental results of V-channel image表2 V分量图的实验结果

就人眼直接观察发现，图8的结构图和纹理图比图7能够更好地表达图像的结构信息和纹理信息。从表2的PSNR值和时间对比可知，改进的MCA算法节约了时间，提高了修复效率，得到了更好的修复结果。综上所述，MCA改进后的算法有较好的分解效果。

（3）V分量结构图和纹理图的修复。

对于V分量图结构部分的修复。因本文实验区域较小，所以选择较小的a值。通过多次实验，本文确定选择a=3，迭代次数为1 000次，当迭代次数达到迭代上限时停止，当前的迭代结果即为修复图像。TV算法简化前后的修复图像，如图9所示。TV算法简化前后的PSNR值和修复时间对比如表3所示。

Fig.9 Repair results of V-channel cartoon image图9 V分量结构图的修复结果

Table 3 TV algorithm comparison before and after simplify表3 TV算法简化前后的对比

就人眼直接观察发现，图9（b）纹理比较自然，误匹配较少。通过表3可知，简化的TV算法不仅节约了修复时间，提高了修复效率，同时可知PSNR值亦有所提高。可见，简化的TV算法能够更好地修复V分量的结构图。

对于V分量图纹理部分的修复。本文选取图像大小为256×256像素，以不重叠像素的方式提取8×8的图像块，分块后图像大小为64×1 024像素，其中每一列表示一个图像块，列数为每块索引位置。经过多次实验选择c=1.15，σ=10，基字典为过完备DCT基（原子数为256），迭代次数k=10，对图像的修复有一个较好的修复效果。

V分量纹理图的修复实验结果如图10所示。

Fig.10 V-channel texture image after repair图10 修复后的V分量纹理图

（4）将图9（b）和图10进行叠加得到V分量图的修复结果，如图11（a）所示。同理可得H分量和S分量的修复图像，如图11（b）和图11（c）所示。将图11（a）～（c）进行叠加得到一幅HSV色彩空间图像，如图11（d）所示，将其转换到RGB空间得到最后的修复结果，如图11（e）所示。Criminisi算法修复结果、TV算法修复结果和文献[5]方法的修复结果，如图11（f）～（h）所示。待修复图像1的SSIM、PSNR、MSE值和运行时间如表4所示。

Table 4 Objective evaluation index of acquainted image 1表4 修复图像1的客观评价指标

就人眼直接观察发现，图11（e）修复结果无明显修复痕迹，图11（f）中破损区域可以察觉出修复痕迹，图11（g）中破损区域马脖子部分的线条有断裂现象，图11（h）中破损区域有细微的修复痕迹。通过以上4幅图像比较可知，本文算法能够很好地修复壁画裂缝，修复结果更容易满足人眼视觉的连续性要求。从表4客观评价指标看出，本文修复结果较Criminisi算法、TV算法、文献[5]修复结果MSE值降低，PSNR和SSIM提高。并且本文方法比文献[5]方法的耗时减少了59.92%，提高了修复效率。综合以上客观评价指标以及视觉效果可知本文算法的修复效果较好。

Fig.11 Inpainting results of damaged image 1图11 待修复图像1修复结果

Fig.12 Inpainting results of damaged image 2图12 待修复图像2修复结果

（5）对待修复图像2按步骤（1）～（4）进行修复，实验结果如图12所示。其SSIM、PSNR、MSE值和运行时间如表5所示。

Table 5 Objective evaluation index of acquainted image 2表5 修复图像2的客观评价指标

就人眼直接观察发现，图12（c）中破损区域无明显修复痕迹，图12（d）中破损区域马蹄处可以察觉出修复痕迹，图12（e）中破损区域马腿部分的修复有断裂现象，图12（f）中破损区域马腿部分有细微的修复痕迹。从表5客观评价指标可以看出，本文修复结果较Criminisi算法、TV算法、文献[5]修复结果MSE降低，PSNR和SSIM提高。并且本文算法比文献[5]算法的耗时减少了64.82%，提高了修复效率。综合以上客观评价指标以及视觉效果可知本文算法的修复效果较好。

从图11、图12、表4和表5可见，对于较窄和较宽裂缝本文算法均有较好的修复效果。

7 总结

本文根据人工修复时先整体结构、后局部纹理的思路，提出了一种采用形态学成分分析（MCA）分解的分步图像修复算法。根据唐墓室壁画的特点，对MCA分解算法增加了ρ与εk参数，分别小于各自给定的阈值，则立即跳出循环，结束迭代。因此避免了进行希尔伯特空间的范数计算，从而分解过程简单。相比于传统全局使用TV算法或Criminisi算法，本文算法充分考虑到结构部分和纹理部分的不同特性，采用不同的修复方法很好地兼顾了结构部分和纹理部分的修复效果，从而提高了唐墓室壁画的修复精度。从分析结果可知，本文算法适用于唐墓室壁画裂缝病害的修复，修复精度得到提高。但本文算法仍有很大的研究空间，例如本文只对唐墓室壁画中的裂缝病害进行了修复研究，而未考虑其他病害。对于以上问题，将是今后研究的重点。

[1]Zhang Qing,Lin Jiajun.Fast image inpainting algorithm using color texture distribution analysis[J].Journal of Image and Graphics,2012,17(1):123-129.

[2]Bertalmío M,Sapiro G,Caselles V,et al.Image inpainting[C]//Proceedings of the 27th Annual Conference on Computer Graphics and Interactive Techniques,New Orleans,USA,Jul 23-28,2000.New York:ACM,2000:417-424.

[3]Dang Hongshe,Zhang Na,Bai Mei.Study of image inpainting method based on Bayesian compressive sensing and morphological component analysis[J].Application Research of Computers,2015,32(5):1572-1575.

[4]Huang Jianglin,Liu Hong,Tao Shaojie.An improved inpainting algorithm based on K-SVD dictionary[J].Journal ofAnhui University:Natural Sciences,2013,37(3):69-74.

[5]Bertalmio M,Vese L,Sapiro G.Simultaneous structure and texture image inpainting[J].IEEE Transactions on Image Processing,2003,12(8):882-889.

[6]Chan T F,Shen Jianhong.Mathematical models for local non-texture inpainting[J].SIAM Journal onApplied Mathematics,2002,62(3):1019-1043.

[7]Criminisi A,Perez P,Toyama K.Region filling and object removal by exemplar-based image inpainting[J].IEEE Transaction on Image Processing,2004,13(9):1200-1212.

[8]Criminisi A,Pérez P,Toyama K,et al.Object removal by exemplar-based inpainting[C]//Proceedings of the 2003 Conference on Computer Vision and Pattern Recognition,Madison,USA,Jun 16-22,2003.Washington:IEEE Computer Society,2003,2:721-728.

[9]Elad M.Sparse and redundant representations—from theory to applications in signal and image processing[M].Secaucus,USA:Springer-Verlag New York,Inc,2010.

[10]Wang Yuxiong,Zhang Yujin.Image inpainting via weighted sparse non-negative matrix factorization[C]//Proceedings of the 18th International Conference on Image Processing,Brussels,Belgium,Sep 11-14,2011.Piscataway,USA:IEEE,2011:3409-3412.

[11]Shi Meihong,Shen Liang,Long Shizhong,et al.The revision of conversion formula from RGB color space to HSV color space[J].Basic Sciences Journal of Textile Universities,2008,21(3):351-356.

[12]Li Ying,Zhang Yanning,Xu Xing.Advances and perspective on morphological component analysis based on sparse representation[J].Acta Electronica Sinica,2009,37(1):146-152.

[13]Elad M,Starck J L,Querre P,et al.Simultaneous cartoon and texture image inpainting using morphological component analysis(MCA)[J].Applied and Computational HarmonicAnalysis,2005,19(3):340-358.

[14]Aharon M,Elad M,Bruckstein A.rmK-SVD:an algorithm for designing overcomplete dictionaries for sparse representation[J].IEEE Transactions on Signal Processing,2006,54(11):4311-4322.

[15]Zhai Xuehan,Zhu Weiping,Kang Bin.Compressed sensing of images combining KSVD and classified sparse representation[J].Computer Engineering and Applications,2015,51(6):193-198.

[16]Wang Zhou,Bovik A C,Sheikh H R,et al.Image quality assessment:from error visibility to structural similarity[J].IEEE Transactions on Image Processing,2004,13(4):600-612.

附中文参考文献：

[1]张晴,林家骏.纹理分布分析的快速图像修复算法[J].中国图象图形学报,2012,17(1):123-129.

[3]党宏社,张娜,白梅.基于贝叶斯压缩感知与形态学成分分析的图形修复方法研究[J].计算机应用研究,2015,32(5):1572-1575.

[4]黄江林,刘红,陶少杰.一种改进的基于K-SVD字典的图像修复算法[J].安徽大学学报:自然科学版,2013,37(3):69-74.

[11]石美红,申亮,龙世忠,等.从RGB到HSV色彩空间转换公式的修正[J].纺织高校基础科学学报,2008,21(3):351-356.

[12]李映,张艳宁,许星.基于信号稀疏表示的形态成分分析:

2016-08,Accepted 2016-12.

Tang Dynasty Tomb Murals InpaintingAlgorithm of MCADecomposition*

SHEN Jingni1,WANG Huiqin1+,WU Meng1,YANG Wenzong2
1.School of Information and Control Engineering，Xi'an University of Architecture and Technology，Xi'an 710055,China
2.Shaanxi History Museum，Xi'an 710061,China
+Corresponding author:E-mail:hqwang@xauat.edu.cn

The irreversible risk of the digital inpainting work of Tang dynasty tomb murals is greatly reduced.According to the thought of inpainting the whole cartoon first and then the local texture in artificial inpainting of Tang dynasty tomb murals,this paper proposes a new method based on morphological component analysis(MCA)for the inpainting of Tang dynasty tomb murals.Firstly,according to the characteristics of Tang dynasty tomb murals,the improved MCA method has been used to decompose the image into two parts:cartoon part and texture part;then,according to the complexity and degree of texture and cartoon,the simplified total variation(TV)algorithm and theK-singular value decomposition(K-SVD)algorithm are used to inpaint the image.The experimental results show that the algorithm can take into account the effect of the texture and structure,and improve the inpainting accuracy of the cracks in the Tang dynasty tomb murals.

Tang dynasty tomb murals;morphological component analysis(MCA);image inpainting;total variation(TV)algorithm;K-singular value decomposition(K-SVD)

10.3778/j.issn.1673-9418.1608032

*The National Natural Science Foundation of China under Grant No.61701388(国家自然科学基金);the Scientific Research Foundation for the Returned Overseas Chinese Scholars,State Education Ministry of China under Grant No.K05055(教育部归国留学人员科研扶持项目);the Natural Science Basic Research Plan of Shaanxi Province under Grant No.2016JM6079(陕西省自然科学基础研究计划项目);the Science and Technology Project of Beilin District in 2016 under Grant No.GX1605(2016年碑林区科技计划项目);the Special Item of Shaanxi Provincial Department of Education under Grant No.17JK0431(陕西省教育厅专项).

CNKI网络优先出版:2016-12-07,http://www.cnki.net/kcms/detail/11.5602.TP.20161207.0922.004.html

SHEN Jingni,WANG Huiqin,WU Meng,et al.Tang dynasty tomb murals inpainting algorithm of MCA decomposition.Journal of Frontiers of Computer Science and Technology,2017,11(11)：1826-1836.

A

TP391；TN911.73

SHEN Jingni was born in 1990.She is an M.S.candidate at School of Information and Control Engineering,Xi'an University of Architecture and Technology.Her research interests include digital image inpainting and compressed sensing,etc.

申婧妮（1990—），女，陕西榆林人，西安建筑科技大学信息与控制工程学院硕士研究生，主要研究领域为数字图像修复，压缩感知等。

WANG Huiqin was born in 1970.She received the Ph.D.degree in engineering from Xi'an Jiaotong University in 2002.Now she is a professor and Ph.D.supervisor at Xi'an University of Architecture and Technology,and the member of CCF.Her research interests include digital image processing,multimedia communication,digital architecture and information safety,etc.

王慧琴（1970—），女，山西长治人，2002年于西安交通大学工学获得博士学位，现为西安建筑科技大学教授、博士生导师，CCF会员，主要研究领域为数字图像处理，多媒体通信，数字建筑，信息安全等。

WU Meng was born in 1979.She is a lecture at School of Information and Control Engineering,Xi'an University of Architecture and Technology.Her research interests include digital image processing and management information systems,etc.

吴萌（1979—），女，陕西韩城人，西安建筑科技大学信息与控制工程学院讲师，主要研究领域为数字图像处理，管理信息系统等。

YANG Wenzong was born in 1963.He is an associate research librarian at Shaanxi History Museum.He has been committed to the protection of cultural relics restoration.Cultural relics of protection and restoration include ancient murals,bronze,stone material,etc.

杨文宗（1963—），男，陕西蒲城人，陕西历史博物馆副研究馆员，一直致力于文物保护修复工作，保护修复的文物种类包括古代壁画、青铜器、砖石材质等。