TV模型的结构纹理图像修复方法

针对TV模型无法修复纹理的现状,结合改进的TV方法,提出一种新的结构纹理图像修复方法.该方法首先获取待修复区域的纹理方向,然后将,TV模型在纹理方向上差分化求解.其保留了结构修复的特征,同时可以修复"Y"形甚至"X"形结构纹理缺失.实验表明,该算法能高效、稳定地处理破损区域的图像信息.     

结构门控与纹理联合引导的生成对抗壁画修复

现有深度学习修复方法修复壁画时,受结构和纹理影响较大,修复结果易出现结构紊乱和纹理模糊等问题.针对这些问题,提出了一种结构门控融合与纹理联合引导的生成对抗壁画修复模型.首先,构建由结构引导编码子网络和纹理引导解码子网络构成的生成网络,利用结构信息引导编码,并通过门控特征增强边缘轮廓信息.然后,设计纹理引导器和方向注意力模块提取分层纹理特征,引导解码器重构修复,提高壁画的纹理一致性.最后,采用跳跃连接促进结构和纹理的特征互补,并利用谱归一化马尔科夫判别模型对抗完成壁画修复.对真实敦煌壁画数字化修复实验的结果表明：所提方法主客观评价均优于比较算法,修复结果更加清晰、自然.     

基于纹理和梯度特征的多尺度图像融合方法

该文提出一种基于纹理和梯度特征的多尺度图像融合方法。采用纹理提取滤波器和边缘梯度滤波器模板分别对每层Gauss金字塔进行滤波,生成多尺度纹理和边缘图像,使得多分辨率变换域中能够将原图像中的纹理信息包含进来,从而为进一步融合提供更全面的信息量度。采用该文所提出的方法对红外与可见光图像进行融合仿真,并且与具有代表性的融合方法进行了比较。实验结果与图像融合质量评价显示了该文所提出方法的优越性。     

一种改进的基于纹理合成的图像修复算法

文章介绍了纹理合成技术中的Criminisi算法,并对其计算边界点优先权的算法模型作了改进;针对Criminisi算法计算优先权时只考虑信任项和数据项的缺陷,增加了边界因素对优先权的影响,使得修复结果更为合理;改进的计算优先权模型灵活性较强,可以对不同特征的图像选择不同的参数,从而扩大了可以修复的图像范围.实验表明,改...     

基于改进的注意力机制与纹理结构分层的生成对抗网络图像修复方法

构建一个以U-Net为基础的模型,通过引入注意力机制与纹理结构分层相融合的图像修复方法,在生成对抗网络模型基础上,引入通道注意力并结合多尺度卷积模块,将图像下采样提取特征分为纹理特征与结构特征,采用改进的Res2Net残差块并重构损失函数.实验结果表明,修复后图像的纹理和结构更统一,修复图像与原始图像在高级语义上更加接近.     

一种结合全局一致性与局部连续性的壁画修复方法

提出了一种全局一致性和局部连续性结合的壁画修复算法.主要利用线性系统和图像修复间所蕴含的关系,构建具有全局过完备特性的相似块集合字典,同时构造弹性网正则化下的稀疏修复模型,并用同伦-最小角回归法求解出过完备字典下的稀疏系数;通过字典与系数的线性组合,得到待修复区域的全局特征;之后提出一种基于领域相似特性的局部特征估计方...     

一种基于PDE与结构-纹理分解的图像去噪方法

结合二阶偏微分方程的ROF图像去噪模型与四阶偏微分方程的LLT去噪模型,提出了一种结构-纹理分解的图像去噪模型。该模型先将噪声图像分解成结构、纹理和噪声三部分,然后利用ROF模型来控制图像的结构部分,利用LLT模型来控制图像的纹理部分,再将两部分耦合则得图像去噪的泛函极小问题。利用变分法获得与泛函极小问题等价的Euler-Lagrange方程后,然后采用梯度下降法求解所得等价方程,从而实现图像去噪。实验仿真结果表明本文提出的模型不仅能有效地去除噪声,而且在去噪的同时尽可能地保持图像的纹理特征。     

基于纹理合成的图像修复优化方法

针对Criminisi算法存在高时间复杂度及修复中偏差延续两个问题,提出一种优化方法.首先,在进行SSD(sum of squared differences)准确匹配之前预先计算待修复图像已知区域中所有纹理块的平均灰度值,并在匹配过程中结合阈值比较已知区域中纹理块及当前待修块的平均灰度值,筛选淘汰灰度差异较大的一些纹理块,节省大量匹配时间,加快修复速度.其次,定义一种新的优先权计算公式,其中不仅考虑置信度项和数据项,还增加是否接近原始边界因素的影响,使优先权的计算更为合理,修复的结果更理想.实验表明,此方法简单易行,图像修复效率得到较大提高,修复结果看起来更自然,更符合人的视觉感知.     

基于结构纹理分解的图像去噪方法

针对图像去噪时,细小的边缘和纹理容易被磨光,及其线状结构容易被破坏,提出一种基于结构纹理分解的图像去噪方法。首先用Vese-Osher模型将噪声图像分解为结构部分和纹理部分,然后用改进的P-M扩散和相干增强扩散结合方法对纹理部分去噪,最后重新组合结构部分和去噪后的纹理部分,得到最终去噪的图像。数值试验结果表明,方法有效提高了图像去噪的质量,较好地保护了边缘、纹理信息,恢复其光滑的线状结构。     

基于矢量扩展的纹理旋转修复

提出一种基于矢量扩展的纹理延伸方法,用于解决图像旋转后出现空白区域的问题.采用图像质量判断阈值来判断矢量化图像的相似度,将图像转换为矢量化的三次曲线组合;旋转矢量图以后,再根据矢量参数扩展空白区域曲线,并生长纹理堆积区域;最后用纹理渐变来填补矢量曲线和真实纹理的渐变差异.采用木纹图片做样本,实验显示本算法产生的目标图像高度接近真实木纹纹理.     

无纹理图像修复模型的快速数值算法

将曲率驱动扩散(CDD)模型应用于无纹理图像的修复, 对其数值离散格式进行改进, 计算分为两步执行:  在修复区域内采用时间步进法; 修复区域外利用加性算子分裂方法, 该方法加快了收敛速度, 数值实验结果表明效果较好.     

一类自适应混合图像修复算法

建立了一类新的图像修复算法,即自适应混合图像修复算法。这一算法的基本原理是:首先将图像分解为几何轮廓和纹理两部分分别修复后再合成。对几何轮廓部分,用自适应整体变差方法进行修复,自动根据区域特点选参修复,在保持边缘信息同时加快了修复速度;对纹理部分,用二阶共生矩阵合成方法进行修复,使修复效果更为理想。     

基于自组织神经网络SOM和K-means聚类算法的图像修复

近来自然图像的修复已经成了一个热门话题.提出了一种基于K-means聚类算法的自组织神经网络(SOM),称为SOM-K.它首先利用SOM来训练每一个像素的特征向量,并把一幅图像分层.这样就能把每个破损像素分到每层,同时SOM训练后的输出也通过K-means聚类算法来聚合,分别在各个层中修复破损的像素.最后把修复好的各层溶合到一起.与单独使用SOM相比,SOM-K具有更精确的分类能力.     

一种双约束稀疏模型图像修复算法

针对图像处理中需要修复大面积缺损区域的问题,提出一种基于双约束稀疏模型的图像修复算法.该方法首先在已知区域内搜索与待填充目标块相似的样本,将每个样本块都视为一个高维向量,则相似的样本在高维空间中都在目标块的邻域内.假设邻域中的样本处于同一流形上,使用局部线性嵌入方法对未知区域进行估计,然后利用稀疏表示模型得到最终结果.实验结果表明,与传统的基于样本块的修复方法相比较,使用该算法修复后的图像纹理和结构信息更加清晰.     

图像纹理分析与纹理测度

为了从更深层次上进行系统的纹理分析 ,首先概括了纹理分析中的困难并从寻找纹理的本质入手 ,回答了纹理图像与普通数字图像间的差异、成像尺度与图像纹理间的关系、窗函数的选取等问题并给出了计算一幅具体图像纹理性大小的算法。从采样频率和成像尺度的角度来看待图像纹理在该领域内尚属首次。仿真实验对Brodatz像册中全体纹理图求取了纹理性因子的大小并进行了排序 ,试验表明该求取纹理性因子的算法与视觉感受趋于一致。对图像纹理理论探讨的欠缺是纹理分析的瓶颈 ,该文是在一这方面努力尝试的结果     

基于树型小波变换和Hopfield神经网络的纹理图像分割

纹理分割是图像分析、模式识别、计算机视觉等领域的基础，也是个经典难题．采用树型小波变换方法提取纹理图像特征，并采用Hopfield神经网络进行象素聚类，从而实现对纹理图像的分割，实验结果表明该方法是有效的。     

基于小波变换的纹理特征提取

提出了一种利用小波分解图像来提取图像纹理特征的方法,指出该方法有效提高了检索准确性,且检索效果较好。     

基于目标区域颜色与纹理特征的图像检索

该文提出一种基于目标区域的图像检索方法。该方法首先利用色度直方图完成对图像目标区域的提取；然后以目标区域的纹理特征作为全局图像的特征向量进行图像间相似度的检索。该方法综合利用了图像的颜色及纹理特征，并根据人的视觉习惯以图像目标区域的特征作为图像的检索特征。实验表明，该方法在检索效果和检索效率上都优于利用单一特征或全局特征的检索技术。     

基于图像拼接的可信图像修补方法

为了尽可能地恢复被损坏图像的原始场景,获得最真实的复原效果,针对大区域破损图像的修复,提出了一个基于移位参考图像的可信图像修补与基于图像本身的自修复算法相结合的图像修复方法。首先,受启于图像拼接技术,若存在可以利用的参考图像,便利用SIFT(scale invariant feature transform)算法和RANSAC(random sample consensus)算法将参考图像与目标图像进行配准并投影拼接至目标图像,完成目标图像的可信修补。然后对仍未修复的破损区域进行图像自修复,其中自修复部分采用Criminisi算法。所得到的图像修复结果真实性与可信度较高,与实际景象偏差较小,说明该方法合理可行。     

基于递归特征估计的图像修复算法

针对现有图像修复方法纹理不清晰和结构错乱等问题,提出基于递归特征估计的图像修复模型,此模型基于部分卷积和注意力机制且不需要额外的标签。整体框架分为两个部分,粗修复模块和精修复模块,前者初步修复前景,后者利用递归特征估计递进式地修复缺失区域的边界,不断缩小空洞的面积,这种方式不断加强对缺失区域中央的约束,使得修复结果更加精细。实验表明,与其他经典的方法相比,此结构提高了图像修复的性能,其定性和定量分析均表现最优。