CN113744142B - 图像修复方法、电子设备及存储介质 - Google Patents

图像修复方法、电子设备及存储介质 Download PDF

Info

Publication number
CN113744142B
CN113744142B CN202110896496.5A CN202110896496A CN113744142B CN 113744142 B CN113744142 B CN 113744142B CN 202110896496 A CN202110896496 A CN 202110896496A CN 113744142 B CN113744142 B CN 113744142B
Authority
CN
China
Prior art keywords
image
pixel block
pixel
repair
preliminary
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110896496.5A
Other languages
English (en)
Other versions
CN113744142A (zh
Inventor
曾媛
贡毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest University of Science and Technology
Original Assignee
Southwest University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN202110896496.5A priority Critical patent/CN113744142B/zh
Publication of CN113744142A publication Critical patent/CN113744142A/zh
Application granted granted Critical
Publication of CN113744142B publication Critical patent/CN113744142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种图像修复方法、电子设备及存储介质，涉及图像处理技术领域。本申请的图像修复方法，包括：获取待修复图像，对待修复图像进行边缘检测，得到边缘图像，对得到的边缘图像的结构线条进行修复，得到初步修复图像，对初步修复图像进行处理，得到多个尺寸的初步图像数据，对初步图像数据的纹理色彩进行修复，得到目标图像，本申请通过设计基于图像的结构线条完整和纹理色彩填充两步骤的待修复图像的修复框架、定义图像修复的优先秩序，并且基于多个尺寸的图像进行图像修复，能够考虑图像的全局特征，有效捕捉图像的全局语义定义，从而提高图像修复准确度。

Description

图像修复方法、电子设备及存储介质
技术领域
本申请涉及图像处理技术领域，特别涉及一种图像修复方法、电子设备及存储介质。
背景技术
图像修复技术是指对图像中丢失或损坏的部分进行修复的过程，在一些具体的应用场景中，例如对绘画艺术品进行保存，但是在保存的过程中可能会出现污渍、褪色及破损等现象，为了有效记录和展示这些有价值的绘画艺术品，大量的博物馆和收藏机构对这些绘画艺术品进行数字化保存和修复，其中绘画图像虚拟修复是对数字图像进行修复和编辑的过程，目前对绘画图像虚拟修复主要是基于结构和纹理分解的方法，但是采用这种方法只考虑了图像的局部特征，无法有效捕捉图像的全局语义特征，修复效果差。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种图像修复方法、电子设备及存储介质，能够提高图像修复的准确度。
根据本申请的第一方面实施例的图像修复方法，包括：
获取待修复图像；
对所述待修复图像进行边缘检测，得到边缘图像；
对所述边缘图像的结构线条进行修复，得到初步修复图像；
对所述初步修复图像进行处理，得到多个尺寸的初步图像数据；
对所述初步图像数据的纹理色彩进行修复，得到目标图像。
根据本申请实施例的图像修复方法，至少具有如下有益效果：
获取待修复图像，对待修复图像进行边缘检测，得到边缘图像，对得到的边缘图像的结构线条进行修复，得到初步修复图像，对初步修复图像进行处理，得到多个尺寸的初步图像数据，对初步图像数据的纹理色彩进行修复，得到目标图像，本申请通过设计基于图像的结构线条完整和纹理色彩填充两步骤的待修复图像的修复框架、定义图像修复的优先秩序，并且基于多个尺寸的图像进行图像修复，能够考虑图像的全局特征，有效捕捉图像的全局语义定义，从而提高图像修复准确度。
根据本申请的一些实施例，所述对所述待修复图像进行边缘检测，得到边缘图像，包括：
利用高斯函数对所述待修复图像进行卷积处理，得到卷积结果；
根据所述卷积结果得到所述待修复图像的梯度图；
对所述梯度图进行细化处理，得到多个梯度边缘；
将多个所述梯度边缘进行连接，得到所述边缘图像。
根据本申请的一些实施例，所述对所述边缘图像的结构线条进行修复，得到初步修复图像，包括：
获取与所述边缘图像对应的第一图像破损掩膜、正常像素块和破损像素块；
根据所述正常像素块对所述破损像素块进行填充，得到第一填充像素块；
根据所述第一填充像素块更新所述第一图像破损掩膜；
根据更新后的所述第一图像破损掩膜，得到初步修复图像。
根据本申请的一些实施例，所述根据所述正常像素块对所述破损像素块进行填充，得到第一填充像素块，包括：
根据所述破损像素块和所述正常像素块，计算目标修复区域内的补丁像素比例；
根据所述正常像素块和所述边缘图像对应的边缘像素，计算所述目标修复区域内的像素块结构强度；
根据所述补丁像素比例和所述像素块结构强度，从所述破损像素块中获取修补优先级最高的破损像素块，作为第一修补像素块；
根据所述第一修补像素块与每一所述正常像素块的第一像素相似度，从所述正常像素块中筛选出第一参考像素块；
根据所述第一参考像素块对所述第一修补像素块进行填充，得到第一填充像素块。
根据本申请的一些实施例，所述对所述初步修复图像进行处理，得到多个尺寸的初步图像数据，包括：
对所述初步图像数据对应的第二图像破损掩膜进行高斯模糊处理，得到处理后的第二图像破损掩膜；
对经过高斯模糊处理后的所述第二图像破损掩膜进行重采样处理，得到多个尺寸的所述初步图像数据。
根据本申请的一些实施例，所述对所述初步图像数据的纹理色彩进行修复，得到目标图像，包括：
提取每一尺寸下的所述初步修复数据对应的第三图像破损掩膜；
获取所述第三图像破损掩膜的边缘区域；
基于所述边缘区域对应的边缘像素，计算优先修复顺序；
基于所述优先修复顺序从所述目标修复区域获取待修复的第二修补像素块；
根据所述第二修补像素块与每一正常像素块的第二像素相似度，从所述正常像素块中筛选出第二参考像素块；
根据所述第二参考像素块对所述第二修补像素块进行填充，得到第二填充像素块；
根据所述第二填充像素块更新所述第三图像破损掩膜；
根据更新后的所述第三图像破损掩膜，得到目标图像。
根据本申请的一些实施例，所述根据所述第二修补像素块与每一正常像素块的第二像素相似度，从所述正常像素块中筛选出第二参考像素块，包括：
对所述初步修复图像进行高斯模糊处理；
将经过高斯模糊处理后的所述初步修复图像输入至预设的训练模型进行训练，得到训练结果；
基于所述训练结果计算所述目标修复区域内各区域像素块之间的第二像素相似度，所述区域像素块包括第二修补像素块和正常像素块；
将与所述第二修补像素块的所述第二像素相似度最高的所述正常像素块作为所述第二参考像素块。
根据本申请的一些实施例，所述训练结果包括：多个尺寸的初始特征图；
对应的，所述基于所述训练结果计算所述目标修复区域内各区域像素块之间的第二像素相似度，包括：
从多个尺寸的所述初始特征图中提取与所述初步修复图像的维度一致的目标特征图；
从所述目标特征图中提取多个特征表达数据；
根据所述特征表达数据和最近邻相似方法，计算所述目标修复区域内各区域像素块之间的像素相似度。
根据本申请的第二方面实施例的电子设备，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如本申请第一方面实施例任一项所述的图像修复方法。
根据本申请的第三方面实施例的计算机可读存储介质，包括：
所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如本申请第一方面实施例所述的图像修复方法。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
下面结合附图和实施例对本申请做进一步的说明，其中：
图1为本申请一些实施例提供的图像修复方法的第一流程图；
图2为本申请一些实施例提供的图像修复方法中步骤S200的具体流程图；
图3为本申请一些实施例提供的图像修复方法中步骤S300的具体流程图；
图4为本申请一些实施例提供的第一图像破损掩膜关于线条结构修复的具体结构图；
图5为本申请一些实施例提供的图像修复方法中对图像的结构线条进行修复的具体应用流程图；
图6为本申请一些实施例提供的图像修复方法中步骤S400的具体流程图；
图7为本申请一些实施例提供的图像修复方法中步骤S500的具体流程图；
图8为本申请一些实施例提供的第三图像破损掩膜关于纹理色彩填充的具体结构图；
图9为本申请一些实施例提供的训练模型的具体结构图；
图10为本申请一些实施例提供的图像修复方法中对图像的纹理色彩进行修复的具体应用流程图；
图11为本申请一些实施例提供的图像修复方法中对缺损壁画的两阶段进行修复的具体应用流程图；
图12为本申请一些实施例提供的图像修复方法中对缺损壁画数字图像的结构线条进行完整修复的具体应用流程图；
图13为本申请一些实施例提供的图像修复方法中对缺损壁画数字图像的纹理色彩进行填充的具体应用流程图。
具体实施方式
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。
本申请的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
目前，大部分的图像修复方法都是基于深度神经网络提出的，但是基于深度神经网络的图像修复方法需要大量干净的训练数据，由于某些图像，例如古壁画的样式繁多，存在大量噪声且数据有限，基于深度神经网络的方法对于古壁画的修复并不能有效实施。此外，传统的基于结构和纹理分解的方法，只考虑图像的局部特征，无法有效捕捉图像的全局语义特征，修复效果差。
基于此，本申请提出一种图像修复方法、电子设备及存储介质，能够获取待修复图像，对待修复图像进行边缘检测，得到边缘图像，对得到的边缘图像的结构线条进行修复，得到初步修复图像，对初步修复图像进行处理，得到多个尺寸的初步图像数据，对初步图像数据的纹理色彩进行修复，得到目标图像，本申请通过设计基于图像的结构线条完整和纹理色彩填充两步骤的待修复图像的修复框架、定义图像修复的优先秩序，并且基于多个尺寸的图像进行图像修复，能够考虑图像的全局特征，有效捕捉图像的全局语义定义，从而提高图像修复准确度。
首先，对本公开中涉及的若干名词和技术进行解释：
数字图像：又称数码图像或数位图像，是二维图像用有限数字数值像素的表示，由数组或矩阵表示，其光照位置和强度都是离散的。数字图像是由模拟图像数字化得到的、以像素为基本元素的、可以用数字计算机或数字电路存储和处理的图像。
canny算子：是一个多级边缘检测算法，目标是找到一个最优的边缘检测算法，具体为：能够尽可能多地标识出图像中的实际边缘、标识出的边缘要与实际图像中的实际边缘尽可能接近、图像中的边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。
sobel算子：也称索贝尔算子，索贝尔算子是计算机视觉领域的一种重要处理方法，主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。索贝尔算子是把图像中每个像素的上下左右四个领域的灰度值加权差，在边缘处达到极值从而检测边缘。索贝尔算子主要用作边缘检测。在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值。在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。
图像破损掩膜：用选定的图像、图形或物体、对待处理的图像进行遮挡来控制图像处理的区域或处理过程。
K近邻算法：即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例，这K个实例的多数属于某个类，就把该输入实例分类到这个类中。
粗糙图像：指低尺度、低分辨率的图像。
清晰图像：指高尺度、高分辨率的图像。
重采样：指根据一类象元的信息内插出另一类象元信息的过程，在遥感中，重采样是从高分辨率遥感影像中提取出低分辨率影像的过程。
下采样：指通过将图像的采样间隔变大实现下采样，相当于采样点减少，同样区域的像素点减小为原来的一半，使图像的精度变低。
上采样：与下采样相对应，通过增加采样点，也就是将图像的采样间隔变小实现上采样，使图像的精度变高。
ImageNet：是一个计算机视觉***识别项目，也是一个用于图像识别的数据库，能够从图像识别物体。
VGG模型：是一种卷积神经网络，整个网络由卷积层和全连接层叠加而成，VGG模型中使用的都是小尺寸的卷积核(3×3)。
RGB：是工业界的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是运用最广的颜色***之一。
Nearest Neighbor：即近邻取样，是一种比较简单的材质影像插补的处理方式，会使用包含像素最多的部分的图素来贴图。换句话说，哪一个图素占到最多的像素，就用那个图素来贴图。
需要说明的是，本申请实施例所针对的图像修复方法，主要指对古画，例如壁画进行的数字化修复过程。
第一方面，本申请实施例提供了一种图像修复方法。
参照图1，本申请实施例的图像修复方法具体包括步骤：
S100，获取待修复图像；
S200，对待修复图像进行边缘检测，得到边缘图像；
S300，对边缘图像的结构线条进行修复，得到初步修复图像；
S400，对初步修复图像进行处理，得到多个尺寸的初步图像数据；
S500，对初步图像数据的纹理色彩进行修复，得到目标图像。
在步骤S100中，获取待修复图像，待修复图像指的是破损壁画，也指破损壁画对应的数字图像。
在步骤S200中，对边缘图像的结构线条进行修复，得到初步修复图像，本申请实施例采用两个阶段对待修复图像进行修复，第一阶段就是对待修复图像的结构线条进行修复，修复后得到结构线条完整的数字图像，第二阶段就是在第一个阶段的基础上，对待修复图像的纹理色彩进行修复，修复后得到纹理色彩完整的数字图像，对待修复图像经过第一阶段和第二阶段的处理后，就得到修复好的图像，需要说明的是，对待修复图像的结构线条进行修复前，首先需要进行边缘检测，得到边缘图像，在实际应用中，采用canny算子对待修复图像进行边缘检测，得到边缘检测图。
在一些实施例中，如图2所示，步骤S200具体包括步骤：
S210，利用高斯函数对待修复图像进行卷积处理，得到卷积结果；
S220，根据卷积结果得到待修复图像的梯度图；
S230，对梯度图进行细化处理，得到多个梯度边缘；
S240，将多个梯度边缘进行连接，得到边缘图像。
在步骤S210中，利用高斯函数对待修复图像进行卷积处理，得到卷积结果，具体地，随机选取待修复图像的某个像素点，例如位置为(m,n)的像素点，采用高斯函数对其进行卷积处理，卷积结果可以由公式(1)得到：
其中，f(m,n)指位置(m,n)的像素点对应的灰度值，σ是标准差，其大小表示高斯函数的宽度。
在步骤S220中，根据卷积结果得到待修复图像的梯度图，具体地，将公式(1)得到的卷积结果点乘一个sobel算子得到梯度图，即gx(m，n)，gy(m，n)。
在步骤S230中，对梯度图进行细化处理，得到多个梯度边缘，具体地，可以设置高阈值来滤除噪声并找到对比度强的边界，设置低阈值检测对比度弱的边界，其中，边界指本申请实施例提到的多个梯度边缘，高阈值将要提取轮廓的物体与背景区分开来，决定目标与背景对比度，低阈值用来平滑边缘的轮廓。在某些情况下，高阈值设置太大，会导致图像的边缘轮廓不连续或者不够平滑，此时可通过低阈值来平滑轮廓线，或者使不连续的部分连接起来。需要说明的是，阈值设定过大，会丢失很多边缘信息，阈值设定过小，会有很多噪声，用户可根据实际的图像修复需求合理设置阈值范围，在此不再赘述。
在步骤S240中，将多个梯度边缘进行连接，得到边缘图像，具体为，提取不同的图像区域对应的主要梯度边缘，并且将多个主要梯度边缘进行连接，得到边缘图像，即边缘检测图。
在步骤S300中，对边缘图像的结构线条进行修复，得到初步修复图像，其修复过程为：基于边缘图像计算图像结构线条完整的优先顺序，并且根据优先顺序和结构相似性对待修复图像的结构线条进行修复，得到结构线条完整的数字图像。
在一些实施例中，如图3所示，步骤S300具体包括步骤：
S310，获取与边缘图像对应的第一图像破损掩膜、正常像素块和破损像素块；
S320，根据正常像素块对破损像素块进行填充，得到第一填充像素块；
S330，根据第一填充像素块更新第一图像破损掩膜；
S340，根据更新后的第一图像破损掩膜，得到初步修复图像。
在步骤S310中，获取与边缘图像对应的第一图像破损掩膜、正常像素块和破损像素块，第一图像破损掩膜为边缘图像对应的图像掩膜，正常像素块指的是在第一图像破损掩膜内的多个已知像素，破损像素块指的是在第一图像破损掩膜内的多个未知像素，也就是多个破损像素，其中第一图像破损掩膜关于结构线条修复的具体结构如图4所示。
在步骤S320中，根据正常像素块对破损像素块进行填充，得到第一填充像素块，具体可通过于K近邻算法和差平方和函数从正常像素块中找到与破损像素块最相似的像素块，并将最相似的像素块填充到破损像素块中，得到填充后的破损像素块，也就是第一填充像素块。
在一些实施例中，步骤S320具体包括步骤：
根据破损像素块和正常像素块，计算目标修复区域内的补丁像素比例；
根据正常像素块和边缘图像对应的边缘像素，计算目标修复区域内的像素块结构强度；
根据补丁像素比例和像素块结构强度，从破损像素块中获取修补优先级最高的破损像素块，作为第一修补像素块；
根据第一修补像素块与每一正常像素块的第一像素相似度，从正常像素块中筛选出第一参考像素块；
根据第一参考像素块对第一修补像素块进行填充，得到第一填充像素块。
在步骤“根据破损像素块和正常像素块，计算目标修复区域内的补丁像素比例”中，首先需要以第一破损掩膜边界的像素为中心取像素块，也就是说以第一破损掩膜的正常区域和破损区域的交界处的像素为中心像素，取一定规格的像素块，例如取3x3的像素块，作为中心像素块，接着基于目标修复区域的中心像素块的大小和中心像素块内正常像素的个数计算目标修复区域内的补丁像素比例，补丁像素比例可以由公式(2)得到：
其中，|ψp|指中心像素块的大小，指中心像素块内正常像素的个数，C(p)指目标修复区域的补丁像素比例，I代表边缘检测后的边缘图像，I-Ω代表正常区域，Ω代表破损区域。
需要说明的是，本申请实施例提到的正常区域指第一填充像素块中已知像素的区域，破损区域指第一填充像素块中未知像素的区域，也就是第一填充像素块中破损的区域。
在步骤“根据正常像素块和边缘图像对应的边缘像素，计算目标修复区域内的像素块结构强度”中，具体为，目标修复区域内中心像素块的结构强度由中心像素块中边缘像素的个数和中心像素块内正常像素的个数计算，其中结构强度影响后续对图像进行线条修复的优先秩序计算，结构强度可以由公式(3)得到：
其中，指中心像素块中边缘像素的个数，/>指中心像素块内正常像素的个数，R(p)指目标修复区域内中心像素块的结构强度。
在步骤“根据补丁像素比例和像素块结构强度，从破损像素块中获取修补优先级最高的破损像素块，作为第一修补像素块”中，第一修补像素块指优先进行修补的像素块，在实际应用中，边缘图像中破损像素的修复由破损像素块的已知像素置信值和已知边缘像素置信值决定，具体为：已知像素置信值低但是已知边缘像素置信值高的像素具有更高的修复优先级。
在步骤“根据第一修补像素块与每一正常像素块的第一像素相似度，从正常像素块中筛选出第一参考像素块”中，其中相似度主要基于K近邻算法及差平方和函数计算，具体过程为：对修补区域中像素p为中心像素选取一定规格的像素块，即第一修补像素块，例如3x3的像素块，对正常区域的像素q取3x3的像素块，即第一正常像素块，基于差平方和函数计算像素块间的相似性，即第一像素相速度，其中第一像素相似度可以由公式(4)得到：
其中，d(Ψp,Ψq)为第一像素相似度，Ψp为第一修补像素块，Ψq为第一正常像素块。
接着，基于最邻近算法找到与第一修补像素块最相似的第一正常像素块，作为第一修补像素块，其中，第一修补像素块可以由公式(5)得到：
在步骤“根据第一参考像素块对第一修补像素块进行填充，得到第一填充像素块”中，具体为：使用公式(5)得到的第一修补像素块填充目标域，也就是第一修补像素块，得到第一修补像素块进行填充后的第一填充像素块，说明第一修补像素块已经修补完成。
在步骤S330中，根据第一填充像素块更新第一图像破损掩膜，第一填充像素块更新后，第一图像破损掩膜也相应更新。
在步骤S340中，根据更新后的第一图像破损掩膜，得到初步修复图像，即线条修复完成的边缘图像。在实际应用中，将第一图像掩膜中的已知区域和已填充区域设定为1，将未知区域，也就是待填充区域设定为0，当第一图像破损掩膜中每个区域的值全为1时，说明***对待修复图像的所有区域进行了修复，此时可以直接输出初步修复图像，若第一图像破损掩膜中还存在区域的值为0的情况，说明***还没有完成对待修复图像的修复，此时还需要执行步骤S310至步骤S330，以继续进行图像的修复。
在实际应用中，如图5所示，对待修复图像的结构线条进行修复的具体应用流程为：使用canny算子对待修复图像进行边缘检测，具体检查待修复图像对应的图像破损掩膜内的线条是否连续，若图像破损掩膜内的线条连续，说明待修复图像的结构线条正常，此时直接输出结构线条修复后的图像，若图像破损掩膜内的线条不连续，说明待修复图像的结构线条不正常，此时需要提取图像破损掩膜的边缘区域，并且基于目标修复区域中补丁像素的比例和像素块结构强度的边缘比例，找到修复优先级最高的边缘像素，接着基于K邻近算法以及差平方和函数找到与当前填充像素块相似的已知像素块，基于已知像素块填充图像，并更新图像破损掩膜，若检查出图像破损掩膜内的线条连续，说明待修复图像的结构线条已经修复完成，此时输出结构线条修复后的图像。
在步骤S400中，对初步修复图像进行处理，得到多个尺寸的初步图像数据，其中不同尺寸对应的图像分辨率不同，本申请考虑对初步修复图像进行多尺度处理，得到多个尺寸下的初步图像数据，实现由粗糙图像到清晰图像的迭代修复，提高图像修复的准确度。
在一些实施例中，如图6所示，步骤S400具体包括步骤：
S410，对初步图像数据对应的第二图像破损掩膜进行高斯模糊处理，得到处理后的第二图像破损掩膜；
S420，对经过高斯模糊处理后的第二图像破损掩膜进行重采样处理，得到多个尺寸的初步图像数据。
在步骤S410中，对初步图像数据对应的第二图像破损掩膜进行高斯模糊处理，得到处理后的第二图像破损掩膜，具体为：利用高斯金字塔对进行结构线条修复后的图像，即初步修复图像和初步修复图像和初步修复图像对应的第二图像破损掩膜进行高斯模糊处理，在实际应用中，可以将初步修复图像设为3个尺度，即3种分辨率的图像，对初步图像数据对应的图像和第二图像破损掩膜进行3次高斯模糊处理，得到处理后的第二图像破损掩膜。
在步骤S420中，对经过高斯模糊处理后的第二图像破损掩膜进行重采样处理，得到多个尺寸的初步图像数据，在实际应用中，可以对经过高斯模糊处理后的第二图像破损掩膜进行向下采样的多尺度变换，得到多个尺度的第二图像破损掩膜，实现从粗糙图像到清晰图像对破损的图像进行多尺度的迭代修复。
在步骤S500中，对初步图像数据的纹理色彩进行修复，得到目标图像，目标图像指对待修复图像的结构线条和纹理色彩进行修复后，得到结构线条完整和纹理色彩完整的图像。
在一些实施例中，如图7所示，步骤S500具体包括步骤：
S510，提取每一尺寸下的初步修复数据对应的第三图像破损掩膜；
S520，获取第三图像破损掩膜的边缘区域；
S530，基于边缘区域对应的边缘像素，计算优先修复顺序；
S540，基于优先修复顺序从目标修复区域获取待修复的第二修补像素块；
S550，根据第二修补像素块与每一正常像素块的第二像素相似度，从正常像素块中筛选出第二参考像素块；
S560，根据第二参考像素块对第二修补像素块进行填充，得到第二填充像素块；
S570，根据第二填充像素块更新第三图像破损掩膜；
S580，根据更新后的第三图像破损掩膜，得到目标图像。
在步骤S510中至步骤S530中，提取每一尺寸下的初步修复数据对应的第三图像破损掩膜，获取第三图像破损掩膜的边缘区域，接着根据边缘区域对应的边缘像素，计算优先修复顺序，具体为：第三图像破损掩膜的边界像素为中心，选取边缘像素，并基于已知像素置信值C(p)和像素方位值D(p)计算边缘像素进行色彩填充的优先修复顺序P(p)＝C(p)D(p)，其中第三图像破损掩膜关于纹理色彩填充的具体结构如图8所示，像素方位值D(p)可以由公式(6)得到：
其中，I为输入图像，α＝255为归一化因子，np是一个正交于像素p所在轮廓的单位向量，⊥是正交算子。
在步骤S540至步骤S550中，基于优先修复顺序从目标修复区域获取待修复的第二修补像素块，根据第二修补像素块与每一正常像素块的第二像素相似度，从正常像素块中筛选出第二参考像素块，具体为，选取与第二像素相似度最高的正常像素块，作为第二参考像素块。
在一些实施例中，步骤S550具体包括步骤：
对初步修复图像进行高斯模糊处理；
将经过高斯模糊处理后的初步修复图像输入至预设的训练模型进行训练，得到训练结果；
基于训练结果计算目标修复区域内各区域像素块之间的第二像素相似度；
将与第二修补像素块的第二像素相似度最高的正常像素块作为第二参考像素块。
在一些实施例中，步骤“对初步修复图像进行高斯模糊处理”，具体为：利用高斯金字塔对进行结构线条修复后的图像，即初步修复图像进行高斯模糊处理。
在一些实施例中，步骤“将经过高斯模糊处理后的初步修复图像输入至预设的训练模型进行训练，得到训练结果”，具体为：将经过高斯模糊处理的初步修复图像输入至基于ImageNet预训练的VGG-19模型，得到训练结果，训练结果包括多个目标特征图，其中，具体的训练模型如图9所示。
在一些实施例中，步骤“基于训练结果计算目标修复区域内各区域像素块之间的第二像素相似度”，具体为，基于训练结果以及差平方和函数计算目标修复区域内每个像素块之间的相似度，后续用于计算修复填充优先顺序。
在一些实施例中，步骤“基于训练结果计算目标修复区域内各区域像素块之间的第二像素相似度”具体包括步骤：
从多个尺寸的初始特征图中提取与初步修复图像的维度一致的目标特征图；
从目标特征图中提取多个特征表达数据；
根据特征表达数据和最近邻相似方法，计算目标修复区域内各区域像素块之间的像素相似度。
在一些实施例中，训练结果包括多个目标特征图，步骤“从多个尺寸的初始特征图中提取与初步修复图像的维度一致的目标特征图”，具体为：提取多个目标特征图，利用近邻取样方法进行插值上采样，得到与模型输入图像，也就是初步修复图像一致的深度神经特征图。在实际应用中，将初步修复图像输入至基于ImageNet预训练的VGG-19模型后，提取VGG-19模型中conv1-2，conv2-2，conv3-4，conv4-4，conv5-4层的特征图，利用近邻取样方法进行插值上采样，得到维度与输入图像一致的深度神经特征图U。
在一些实施例中，步骤“从目标特征图中提取多个特征表达数据”，具体为：对需要查询的像素p，在深度特征图U中以像素p的位置为中心取一定规格的神经特征矩阵，例如3x3的神经特征矩阵，作为像素p的神经特征表达U(p)。此外，对像素p，在输入图像中以像素p的位置为中心取一定规格的RGB特征表达，例如取3x3的RGB特征表达R(p)，而对于已知区域的像素q以相同方式构建神经特征表达U(q)及R(q)，其中U(p)、R(p)、U(q)和R(q)均为本申请实施例提到的特征表达数据。
在一些实施例中，步骤“根据特征表达数据和最近邻相似方法，计算目标修复区域内各区域像素块之间的像素相似度”，具体为：通过特征表达数据和差平方和函数计算目标修复区域内各区域像素块之间的相似度，在具体应用中，假设特征表达数据包括U(p)、R(p)、U(q)和R(q)，通过神经特征表达和RGB特征表达两方面计算区域像素块之间的相似性，分别由公式(7)和(8)得到：
在一些实施例中，步骤“将与第二修补像素块的第二像素相似度最高的正常像素块作为第二参考像素块”，具体为：基于最邻近相似方法在已知区域中找到与第二修补像素块最相似的正常像素块，并作为第二参考像素块，其中第二参考像素块，也就是像素q由公式(9)得到：
q＝arg minq∈Φαd(U(p),U(q))+βd(R(p),R(q)) (9)
其中，α和β均为权重因子。
在步骤S560至步骤S580中，根据第二参考像素块对第二修补像素块进行填充，得到修复后的第二填充像素块，由于第三破损掩膜对应的像素块进行了修复，所以根据修复后的第二像素块更新第三图像破损掩膜，由于本申请实施例预先设置了三个图像尺度，尺度值分别为1、2和3，在实际应用中，将第三图像掩膜中的已知区域和已填充区域设定为1，将未知区域，也就是待填充区域设定为0，当第三图像破损掩膜中每个区域的值全为1时，说明***对待修复图像的所有区域进行了修复，则进一步判断第三图像掩膜当前的图像尺度值是否等于1，如果第三图像掩膜当前的尺度值等于1则说明是清晰图像，此时可以输出经过两个修复阶段后的目标图像。
在一些实施例中，如图10所示，对待修复图像的纹理色彩进行修复的具体应用流程为：将结构线条修复后的图像，以及结构线条修复后的图像对应的掩膜进行多尺度变换，在实际应用中可设为三个尺度，并得到三个尺度值，分别为尺度值i＝1、尺度值i＝2以及尺度值i＝3，其中尺度值由大到小对应的图像像素由清晰到模糊，从粗糙图像，即尺度值i＝3开始，检查破损掩膜内的纹理色彩是否填充完毕，如果破损掩膜内的纹理色彩填充完毕，则将尺度值减1，得到更新后的尺度值i，接着再判断i与0的大小关系，若i小于或等于0，则输出修复后的完整图像，若i大于0，则重新检查破损掩膜内的纹理色彩是否填充完毕，如果破损掩膜内的纹理色彩没有填充完毕，就提取破损掩膜的边缘区域，并基于边缘区域的像素计算修复填充优先值，接着基于VGG预训练的模型提取多个卷积层的神经特征表达作为像素表达，基于像素多尺度神经特征表达及K邻近算法找到与当前填充像素最近邻的已知像素，完成纹理色彩的填充，接着基于已知像素块填充图像并且更新破损掩膜，最后重新检查破损掩膜内的纹理色彩是否填充完毕，如果破损掩膜内的纹理色彩填充完毕，则将尺度值减1，得到更新后的尺度值i，接着判断i与0的大小关系，若i小于或等于0，则输出修复后的完整图像，如果破损掩膜内的纹理色彩没有填充完毕，则重新对需要填充的像素进行纹理色彩的填充，直到所有尺度下的图像对应的破损掩膜内的纹理色彩填充完毕，实现了无需准备大量的图像数据进行训练，就能针对少样本的绘画艺术品进行有效修复，并且能够提高对图像数据，例如壁画数据进行修复的逼真度。
在一些实施例中，如图11至图13所示，本申请提到的图像修复方法，例如对壁画进行修复的大致思路为：首先向***输入破损的壁画，接着基于壁画数字图像的结构线条进行修复，得到结构线条完整的壁画数字图像，再对结构线条完整的壁画数字图像的纹理色彩进行填充，得到修复好的壁画数字图像。对壁画数字图像的结构线条进行修复的大致思路为：对壁画数字图像进行边缘检测，接着计算图像结构线条完整的优先顺序，进而基于结构相似性对壁画数字图像的结构线条进行修复，使其线条完整，得到结构线条完整的壁画数字图像。对壁画数字图像的纹理色彩进行修复的大致思路为：将进行结构线条修复后的图像进行多尺度变换，得到变换后的图像，接着计算图像纹理色彩填充的优先顺序，进而基于优先顺序和神经网络特征的纹理合成得到结构纹理修复后的完整图像。
在本申请实施例中，通过获取待修复图像，对待修复图像进行边缘检测，得到边缘图像，对得到的边缘图像的结构线条进行修复，得到初步修复图像，对初步修复图像进行处理，得到多个尺寸的初步图像数据，对初步图像数据的纹理色彩进行修复，得到目标图像，本申请通过设计基于图像的结构线条完整和纹理色彩填充两步骤的待修复图像的修复框架、定义图像修复的优先秩序，并且基于多个尺寸的图像进行图像修复，能够考虑图像的全局特征，有效捕捉图像的全局语义定义，从而提高图像修复准确度。
第二方面，本申请实施例还提供了一种电子设备。
在一些实施例中，电子设备包括：至少一个处理器，以及与至少一个处理器通信连接的存储器；其中，存储器存储有指令，指令被至少一个处理器执行，以使至少一个处理器执行指令时实现本申请实施例中任一项图像修复方法。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序，如本申请实施例描述的图像修复方法。处理器通过运行存储在存储器中的非暂态软件程序以及指令，从而实现上述的图像修复方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储执行上述图像修复方法。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，比如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述的图像修复方法所需的非暂态软件程序以及指令存储在存储器中，当被一个或者多个处理器执行时，执行上述第一方面实施例中提到的图像修复方法。
第三方面，本申请实施例还提供了计算机可读存储介质。
在一些实施例中，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于执行第一方面实施例中提到的图像修复方法。
在一些实施例中，该存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，比如，被上述电子设备中的一个处理器执行，可使得上述一个或多个处理器执行上述图像修复方法。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本申请实施例作了详细说明，但是本申请不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本申请宗旨的前提下作出各种变化。此外，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

Claims (8)

1.图像修复方法，其特征在于，包括：
获取待修复图像；
对所述待修复图像进行边缘检测，得到边缘图像；
对所述边缘图像的结构线条进行修复，得到初步修复图像；所述对所述边缘图像的结构线条进行修复，得到初步修复图像，包括：
获取与所述边缘图像对应的第一图像破损掩膜、正常像素块和破损像素块；
根据所述正常像素块对所述破损像素块进行填充，得到第一填充像素块；
根据所述第一填充像素块更新所述第一图像破损掩膜；
根据更新后的所述第一图像破损掩膜，得到初步修复图像；
所述根据所述正常像素块对所述破损像素块进行填充，得到第一填充像素块，包括：
根据所述破损像素块和所述正常像素块，计算目标修复区域内的补丁像素比例；补丁像素比例通过如下得到：
其中，|ψp|指中心像素块的大小，指中心像素块内正常像素的个数，C(p)指目标修复区域的补丁像素比例，I代表边缘检测后的边缘图像，I-Ω代表正常区域，Ω代表破损区域；中心像素块是指第一图像破损掩膜的正常区域和破损区域的交界处的像素；正常区域指第一填充像素块中已知像素的区域；破损区域指第一填充像素块中未知像素的区域；
根据所述正常像素块和所述边缘图像对应的边缘像素，计算所述目标修复区域内的像素块结构强度；结构强度可通过如下得到：
其中，指中心像素块中边缘像素的个数，/>指中心像素块内正常像素的个数，R(p)指目标修复区域内中心像素块的结构强度；
根据所述补丁像素比例和所述像素块结构强度，从所述破损像素块中获取修补优先级最高的破损像素块，作为第一修补像素块；
根据所述第一修补像素块与每一所述正常像素块的第一像素相似度，从所述正常像素块中筛选出第一参考像素块；
根据所述第一参考像素块对所述第一修补像素块进行填充，得到第一填充像素块；
对所述初步修复图像进行处理，得到多个尺寸的初步图像数据；
对所述初步图像数据的纹理色彩进行修复，得到目标图像。
2.根据权利要求1所述的图像修复方法，其特征在于，所述对所述待修复图像进行边缘检测，得到边缘图像，包括：
利用高斯函数对所述待修复图像进行卷积处理，得到卷积结果；
根据所述卷积结果得到所述待修复图像的梯度图；
对所述梯度图进行细化处理，得到多个梯度边缘；
将多个所述梯度边缘进行连接，得到所述边缘图像。
3.根据权利要求1至2任一项所述的图像修复方法，其特征在于，所述对所述初步修复图像进行处理，得到多个尺寸的初步图像数据，包括：
对所述初步图像数据对应的第二图像破损掩膜进行高斯模糊处理，得到处理后的第二图像破损掩膜；
对经过高斯模糊处理后的所述第二图像破损掩膜进行重采样处理，得到多个尺寸的所述初步图像数据。
4.根据权利要求1至2任一项所述的图像修复方法，其特征在于，所述对所述初步图像数据的纹理色彩进行修复，得到目标图像，包括：
提取每一尺寸下的所述初步图像数据对应的第三图像破损掩膜；
获取所述第三图像破损掩膜的边缘区域；
基于所述边缘区域对应的边缘像素，计算优先修复顺序；
基于所述优先修复顺序从所述目标修复区域获取待修复的第二修补像素块；
根据所述第二修补像素块与每一正常像素块的第二像素相似度，从所述正常像素块中筛选出第二参考像素块；
根据所述第二参考像素块对所述第二修补像素块进行填充，得到第二填充像素块；
根据所述第二填充像素块更新所述第三图像破损掩膜；
根据更新后的所述第三图像破损掩膜，得到目标图像。
5.根据权利要求4所述的图像修复方法，其特征在于，所述根据所述第二修补像素块与每一正常像素块的第二像素相似度，从所述正常像素块中筛选出第二参考像素块，包括：
对所述初步修复图像进行高斯模糊处理；
将经过高斯模糊处理后的所述初步修复图像输入至预设的训练模型进行训练，得到训练结果；
基于所述训练结果计算所述目标修复区域内各区域像素块之间的第二像素相似度，所述区域像素块包括第二修补像素块和正常像素块；
将与所述第二修补像素块的所述第二像素相似度最高的所述正常像素块作为所述第二参考像素块。
6.根据权利要求5所述的图像修复方法，所述训练结果包括：多个尺寸的初始特征图；
对应的，所述基于所述训练结果计算所述目标修复区域内各区域像素块之间的第二像素相似度，包括：
从多个尺寸的所述初始特征图中提取与所述初步修复图像的维度一致的目标特征图；
从所述目标特征图中提取多个特征表达数据；
根据所述特征表达数据和最近邻相似方法，计算所述目标修复区域内各区域像素块之间的像素相似度。
7.电子设备，其特征在于，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如权利要求1至6任一项所述的图像修复方法。
8.计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至6任一项所述的图像修复方法。
CN202110896496.5A 2021-08-05 2021-08-05 图像修复方法、电子设备及存储介质 Active CN113744142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110896496.5A CN113744142B (zh) 2021-08-05 2021-08-05 图像修复方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110896496.5A CN113744142B (zh) 2021-08-05 2021-08-05 图像修复方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113744142A CN113744142A (zh) 2021-12-03
CN113744142B true CN113744142B (zh) 2024-04-16

Family

ID=78730209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110896496.5A Active CN113744142B (zh) 2021-08-05 2021-08-05 图像修复方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113744142B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627023A (zh) * 2022-03-21 2022-06-14 北京有竹居网络技术有限公司 图像修复方法、装置、设备、介质及产品
CN116740579B (zh) * 2023-08-15 2023-10-20 兰陵县城市规划设计室 一种国土空间规划数据智能采集方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101777178A (zh) * 2010-01-28 2010-07-14 南京大学 一种图像修复方法
CN106504201A (zh) * 2016-09-23 2017-03-15 湖北大学 一种基于多尺度k近邻的随机查找快速图像修复***及方法
CN110517205A (zh) * 2019-09-02 2019-11-29 长沙理工大学 一种图像修复方法、***及相关装置
CN110675339A (zh) * 2019-09-16 2020-01-10 山东师范大学 基于边缘修复和内容修复的图像修复方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7336847B2 (en) * 2004-10-11 2008-02-26 Benq Corporation Texture error recovery method using edge preserving spatial interpolation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101777178A (zh) * 2010-01-28 2010-07-14 南京大学 一种图像修复方法
CN106504201A (zh) * 2016-09-23 2017-03-15 湖北大学 一种基于多尺度k近邻的随机查找快速图像修复***及方法
CN110517205A (zh) * 2019-09-02 2019-11-29 长沙理工大学 一种图像修复方法、***及相关装置
CN110675339A (zh) * 2019-09-16 2020-01-10 山东师范大学 基于边缘修复和内容修复的图像修复方法及***

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Image inpainting algorithm based on edge reconstruction;V.V. Voronina et.al.;《ICSP2012 Proceedings》;第659-662页 *
刘小莉等.《工业图像处理》.西安电子科技大学出版社,2018,第73-79页. *
基于图像结构-纹理分解及局部总变分最小化的图像修复模型;杨文霞;张亮;;计算机应用(08);第2386 － 2392页 *
基于纹理合成的图像修复算法研究;齐玲;《中国优秀硕士学位论文全文数据库》;第III、18-38页 *
焦明连等.《测绘与地理信息技术》.中国矿业大学出版社,2018,第103-109页. *

Also Published As

Publication number Publication date
CN113744142A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
US8494297B2 (en) Automatic detection and mapping of symmetries in an image
CN108876723B (zh) 一种灰度目标图像的彩色背景的构建方法
CN113744142B (zh) 图像修复方法、电子设备及存储介质
CN104809731B (zh) 一种基于梯度二值化的旋转尺度不变场景匹配方法
CN111738045B (zh) 一种图像检测方法、装置、电子设备及存储介质
CN113592776A (zh) 图像处理方法及装置、电子设备、存储介质
CN110008833B (zh) 基于光学遥感图像的目标船只检测方法
CN111028170A (zh) 图像处理方法、图像处理装置、电子设备和可读存储介质
CN115439615B (zh) 一种基于三维bim的分布式综合管理***
CN110782424A (zh) 图像融合方法、装置、电子设备及计算机可读存储介质
CN107609562B (zh) 一种基于sift算法的尺度空间特征检测方法
CN112163996A (zh) 一种基于图像处理的平角视频融合方法
JP2009211490A (ja) 画像認識方法および装置
CN115631210A (zh) 一种边缘检测方法及装置
CN110046623B (zh) 一种图像特征点提取方法和相机
JP3814353B2 (ja) 画像分割方法および画像分割装置
CN112132753B (zh) 多尺度结构引导图像的红外图像超分辨率方法及***
CN113570725A (zh) 基于聚类的三维表面重建方法、装置、服务器及存储介质
CN112669360B (zh) 一种基于非封闭多维轮廓特征序列的多源图像配准方法
CN115601616A (zh) 一种样本数据生成方法、装置、电子设备和存储介质
CN115147389A (zh) 图像处理方法、设备以及计算机可读存储介质
CN116030450B (zh) 棋盘格角点识别方法、装置、设备和介质
JP7414540B2 (ja) 確率取得装置及び確率取得方法
CN111626935B (zh) 像素图缩放方法、游戏内容生成方法及装置
CN118261974A (zh) 位姿估计方法、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant