基于CiteSpace的图像修复研究可视化分析

徐开丽 张乾

摘要：为了对图像修复发展领域进行更深入的研究，利用CiteSpace软件对2000—2022年CNKI数据库中与图像修复相关的2623篇文献进行分析，生成的图谱中包含668个作者、442个机构，进行整理和可视化分析，得到与图像修复相关的图谱。结果表明，天津大学被引频次最多，对该领域的研究具有较大的影响，作者合作图谱中形成了以翟东海和唐向宏为核心的两个紧密型团队，关键词分析的研究结果显示，图像修复、深度学习、纹理合成等相关的关键词是该领域出现频次最高的，同时还涌现出人脸修复、语义分割、残差网络、壁画修复、目标检测和部分卷积等突现词。

关键词：图像修复；CiteSpace；深度学习

中图分类号：TP18        文献标识码：A

文章编号：1009-3044（2023）13-0035-04

开放科学（资源服务）标识码（OSID）

0 引言

随着计算机的快速发展与大数据时代的到来，使得当代人在互联网中每天都会生成大量的图像信息，而生成的图片中难免会有许多损坏或者残缺的情况，如何有效和精准地对这些图像进行处理、分类与管理，成为当今信息时代的巨大难题。

图像修复是指重建图像中像素信息的丢失或损坏部分的过程，使用原始图像的像素信息，对已破损的图像进行修补和信息的填充[1]，得到一个达到理想效果的图像。数码世界中，图像修复又称图像插值或视频插值，指利用复杂的算法来替换已丢失、损坏的图像数据，主要替换一些小区域和瑕疵[2]，针对该问题的处理并没有固定的解法，所以图像修复的应用领域是非常广泛的。

本文通过使用CiteSpace工具对图像修复领域的文献进行计量，对文献信息进行可视化图谱分析，可以直观地识别出关于该领域的发展，并且客观地反映出在图像修复领域相应的研究热点。

1 研究方法与数据来源

1.1 研究方法

CiteSpace是用于文献数据分析常用的软件，并且直观地看出对图像处理这一领域现有的研究和发展。因此选用CiteSpace作为辅助的软件，运用其中的相关功能对生成的图谱进行分析，并直观地展现国内关于图像处理研究的热点和趋势走向。

1.2 数据来源

为了对图像处理这一领域进行系统的分析，在CNKI数据库中以“图像处理”为主题，截至2022年10月1日，共检索2673篇学术文章，并且在CNKI数据库中采用高级检索的方式以“图像修复”为主题，将时间跨度设置为 2000—2022年，在对检索结果进行反复筛选后，剔除与主题不太相关的文章后，得到有效的数据为2 623篇。因此，在后面的分析中，以这2623篇文献为中心进行分析。

2 研究结果与分析

2.1 发展趋势

如图1所示，图像修复主题下的年发文数量自2000年以来呈逐年上升的趋势，从2003年开始上升速度明显开始加快，因此关于该领域的研究从2003年开始变成了热点话题。在2014年达到了一个小高峰，发文数量为180篇，自2018年开始，在该领域的发文数量上升趋势较为明显，预计在未来还有较大的发展空间。

2.2 合作图谱分析

为了明确图像修复相关的研究发文机构和发文作者的分布特征，使用 CiteSpace对文献进行处理，得到相关的图谱并进行分析。

对研究机构图谱进行分析，总共形成了96条连线、442个节点，每个圆圈表示一个节点，即一个机构。形成的线条表示各研究機构的交流合作，连线越粗，表示机构之间合作越紧密。由图2可以看出，排名前五的分别是天津大学、浙江大学、电子科技大学、西安电子科技大学、西南交通大学。通过分析可以看出，虽然参与研究的机构较多，但是分布较稀疏，说明合作比较少。

结合发文作者图谱与发文作者的频次表进行分析，如图3与表1所示。对作者发文量进行分析，共有668个作者，形成连线393条，网络密度为0.001 8。每个节点代表一位作者，节点的半径越大代表作者的发文量越高，连线代表作者间的联系，线条越粗作者间的联系越紧密[3]。如图3和表1所示，发文量排名前6的作者分别是翟东海（14篇），唐向宏（14篇），何凯（13篇），朱晓临（9篇），鱼江（9篇），任澍（9篇）。由图3可以看出，形成了以翟东海和唐向宏为主的两个紧密型团队，团队内成员联系紧密，发文量多，大部分科研人员尚处于独立研究状态，仅有少数学者间形成了较弱的合作关系[4]，并且形成的团队人数较少，团队之间没有直接的合作。

2.3 关键词共现图谱分析

以关键词聚类方式显示可以得出如图4的结果，有节点800个、1 373条连线。图4中的每个节点代表一个关键词，节点的大小代表关键词出现的频次，节点之间连线的粗细代表关键词之间共现程度的高低[5-7]。可以通过对关键词的分析，发现这一领域的研究热点，如表2所示，频次排名前20的关键词分别是图像修复（1 399次）、深度学习（180次）、纹理合成（174次）、图像处理（99次）、稀疏表示（94次）、优先权（71次）、图像去噪（60次）、图像分割（57次）、TV模型（47次）、图像修补（44次）。去除与主题相关的高频关键词，排名前 3 的关键词分别为深度学习、纹理合成和图像处理，由此可以看出，关于图像修复这一领域的发展还有很大空间。

2.4 关键词时间线图分析

根据图5可以看出，关键词聚类的时间线图谱可以展现出关键词分布随时间变化而变化的脉络关系。本文在800个节点的混合网络中，筛选出14个主要集群，可归纳为12个热点话题。其中，热点话题研究路径较为复杂且时间交叠程度较大的是图像修复。如图5所示，在2000—2003年的时间里，关于图像修复的话题相对较少，有优先级、图像处理、修复等关键词的出现，在2003年以后，集中出现了大量的高频热点关键词，如图像修复、深度学习、视频修复、纹理合成、图像分割等，这些关键词与其他关键词连线密切；而优先级、tv模型、稀疏表示研究在2020年时相比之前的研究较少；电路板与彩色图像的关键词出现的频次相对较少，且与其他关键词的连线也较为稀疏。

2.5 关键词突现分析

根据关键词出现的频次可以追踪相关领域的研究热点话题，可以揭示出该领域的研究前沿[8]。图像修复的关键词突现情况如图6所示，共列出突现强度前25位的关键词，由图6可以看出，第一个阶段：2005—2008年，突现词主要集中于图像修补、整体变分、纹理合成、视频修复、图像分解和梯度；第二个阶段：2009—2011年，突现词出现等照度线和tv模型，而且热度时间段较短；第三个阶段：2012—2018年，突现词主要集中于稀疏表示、优先级、样本块、压缩感知、优先权、自适应、深度图像、结构张量、空间填充和三维重建；第四个阶段：2019年至今，突现词主要集中于深度学习、人脸修复、语义分割、残差网络、壁画修复、目标检测和部分卷积，并且在这一阶段中突现强度最高的关键词是“深度学习”，位居所有突现关键词之首，高达57.4。

3 结论

综上所述，本文基于CiteSpace软件对图像修复领域共2 623篇文献进行分析，通过可视化图谱的形式，很好地展现出了关于图像修复领域的研究现状和主要内容，得出以下结论：1） 从研究数据分布来看，从2018年至今，针对该领域的发文数量上升趋势较为明显；2） 从研究机构与作者分布来看，分布较为稀疏，合作较少；3） 从关键词图谱分析来看，针对该领域的研究方法较多，并且都具有交叉性，2019年至今出现的较为热点的话题中，深度学习的强度最高。可以看出，随着大数据时代的发展，图像修复领域的发展空间很大。

通过以上分析，可以判断出研究前沿和挖掘未来的发展趋势，为今后该领域的研究提供新的方向与思路。

参考文献：

[1] 卜彦超.基于深度学习的图像修复方案设计与实现[D].长春：吉林大学，2019.

[2] 尹悦.数字图像修复技术在大麦地岩画修复中的应用[D].银川：宁夏大学，2019.

[3] 雷丹丹，彭拥军.基于CiteSpace针灸治疗卒中后痉挛性瘫痪的可视化分析[J].实用中医内科杂志，2022，36（11）：18-20.

[4] 王立柱，何云峰.基于CiteSpace的我国课程思政研究可视化分析[J].教育理论与实践，2022，42（24）：27-31.

[5] 李博，徐泽水，秦勇.自动控制与决策领域发展轨迹及研究特征：基于《控制与决策》期刊文献计量统计分析[J].控制与决策，2022，37（6）：1583-1590.

[6] 焦朋朋，赵霞，张勇，等.基于交通大数据的移动模式分析综述[J].中国公路学报，2021，34（12）：175-202.

[7] 刘礼.基于CiteSpace的国际图像分类应用研究可视化分析[J].科技创业月刊，2016，29（12）：106-108.

[8] 聶明辉，郭如良.基于CiteSpace的我国返乡创业研究进展及趋势分析[J].科技广场，2021（6）：84-96.

【通联编辑：唐一东】