基于自适应模板的图像修复算法

计算机应用 ›› 2013, Vol. 33 ›› Issue (10): 2891-2894.

基于自适应模板的图像修复算法

翟东海¹,²,肖杰³,鱼江³,李同亮³

1.
2. 西南交通大学信息科学与技术学院, 成都 610066;
3. 西南交通大学信息科学与技术学院, 成都 610031;

收稿日期:2013-03-13 修回日期:2013-05-17 发布日期:2013-11-01 出版日期:2013-10-01
通讯作者: 翟东海
作者简介:翟东海(1974-),男,山西芮城人,副教授,博士,主要研究方向:数字图像处理、海量数据挖掘;肖杰(1988-),女,四川成都人,硕士研究生,主要研究方向:数字图像处理;鱼江(1990-),男,甘肃陇南人,硕士研究生,主要研究方向:数字图像处理;李同亮(1986-),男,河北廊坊人,硕士研究生,主要研究方向:数字图像处理。
基金资助:
国家社会科学基金资助项目;国家级大学生创新创业训练计划项目

Image inpainting algorithm based on adaptive template

ZHAI Donghai¹,²,XIAO Jie²,YU Jiang²,LI Tongliang²

1.
2. School of Information Science and Technology, Southwest Jiaotong University, Chengdu Sichuan 610031, China;

Received:2013-03-13 Revised:2013-05-17 Online:2013-11-01 Published:2013-10-01
Contact: ZHAI Donghai

摘要/Abstract

摘要： 当前基于纹理的图像修复算法中模板块的尺寸是固定的,这样,当模板块尺寸很小时,虽然修复的精度会提高,但是算法的时间复杂度会大幅增加;相反,当模板块尺寸很大时,虽然可以降低算法的时间复杂度,但会使算法的误修复率提升。针对以上问题,提出了基于自适应模板的图像修复算法,该算法能够根据当前模板块与尺寸扩大后模板块之间的灰度均值及方差的变化情况来自适应地扩大模板尺寸,同时,根据模板块与样本块之间的匹配情况自适应地缩小模板块。最后,将所提提出的算法用于实例验证,其结果表明所提算法不但可以有效地提高图像修复的精度,而且提高了图像修复的效率

关键词: 图像修复, Criminisi算法, 自适应模板, 灰度平均值, 灰度方差

Abstract: Currently, template size of texture-based image inpainting algorithm is fixed. Therefore, when the template size is small, the inpainting accuracy improves, but time complexity increases substantially; on the contrary, when the size is large, the time complexity declines, but inpainting error rate increases significantly. Adaptive template size algorithm proposed in this paper can enlarge template size according to the change of expect and variance of grayscale value between current template and its expanded one. Meanwhile, this approach can reduce template size according to the match degree between template and exemplar. After adaptively determining the template size, texture-based image inpainting algorithm was improved and used in experiments. The experimental results show this approach can highly improve the inpainting accuracy with high efficiency.

Key words: image inpainting, Criminisi algorithm, adaptive template, expect of grayscale value, variance of grayscale value

中图分类号:

TP391.41

翟东海肖杰鱼江李同亮. 基于自适应模板的图像修复算法[J]. 计算机应用, 2013, 33(10): 2891-2894.

ZHAI Donghai XIAO Jie YU Jiang LI Tongliang. Image inpainting algorithm based on adaptive template[J]. Journal of Computer Applications, 2013, 33(10): 2891-2894.

[1]	邓凯丽, 魏伟波, 潘振宽. 改进掩码自编码器的工业缺陷检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2595-2603.
[2]	黄巧玲, 郑伯川, 丁梓成, 吴泽东. 融合监督注意力模块和跨阶段特征融合的图像修复改进网络[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 572-579.
[3]	于碧辉, 蔡兴业, 魏靖烜. 基于提示学习的小样本文本分类方法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2735-2740.
[4]	池月, 李正平, 徐超, 冯博. 医用内窥镜图像的高光移除算法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1278-1283.
[5]	沈万里, 张玉金, 胡万. 面向图像修复取证的U型特征金字塔网络[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 545-551.
[6]	陈刚, 廖永为, 杨振国, 刘文印. 基于多特征融合的多尺度生成对抗网络图像修复算法[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 536-544.
[7]	袁琳君, 蒋旻, 罗敦浪, 江佳俊, 郭嘉. 基于生成对抗网络的人像修复[J]. 计算机应用, 2020, 40(3): 842-846.
[8]	王肖, 魏嘉旺, 袁玉波. 基于特征部位圆形域的人脸图像修复方法[J]. 计算机应用, 2020, 40(3): 847-853.
[9]	冯浪, 张玲, 张晓龙. 基于扩张卷积的图像修复[J]. 计算机应用, 2020, 40(3): 825-831.
[10]	杨文霞, 王萌, 张亮. 基于密集连接块U-Net的语义人脸图像修复[J]. 计算机应用, 2020, 40(12): 3651-3657.
[11]	杨文霞, 张亮. 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[J]. 计算机应用, 2018, 38(8): 2386-2392.
[12]	杨文霞, 张亮. 基于对数函数的非局部总变分图像修复模型[J]. 计算机应用, 2018, 38(6): 1784-1789.
[13]	孟红月, 翟东海, 李梦雪, 曹大命. 参照四邻域裁剪样本的图像修复算法[J]. 计算机应用, 2018, 38(4): 1111-1116.
[14]	曹大命, 翟东海, 孟红月, 李梦雪, 冯炎. 基于先验约束和统计的图像修复算法[J]. 计算机应用, 2018, 38(2): 533-538.
[15]	林金勇, 邓德祥, 颜佳, 林晓英. 基于自适应相似组稀疏表示的图像修复算法[J]. 计算机应用, 2017, 37(4): 1169-1173.