基于结构信息重构的大尺度缺损图像修补技术研究

图像修补技术通过对图像缺损区域的信息恢复，能有效的提高图像的主观质量，现常用于数字电影修复、图像压缩、图像错误掩盖、图像编辑和图像合成等领域，具有广泛的应用价值。本项目针对大尺度缺损图像修补的难题，以贝叶斯框架为基础，基于多分辨率分析，利用多尺度图像间的相关性和先验模型约束，研究通过多次迭代重构缺损区域的结构信息。结合非参数化模型计算简单、数值解稳定和参数化模型的灵活性高，能匹配图像特性变化的特点，提出参数化模型和非参数化模型自适应的方法来完成图像的修补，根据局部像素分布的数值特性来合理选择模型，利用多个相似匹配图像块信息完成图像修补。同时，将高层图像概念引入图像修补工作中，基于相同物体和场景的识别和提取技术，更好的完成大尺度缺损的修补。本项目的研究成果有望进一步提升图像修补的性能。

缺损图像的修补是图像处理中的一个重点研究的问题，在小尺度缺损图像的修复上已经有了很多成熟的算法，如基于样条函数的插值方法，基于偏微分方程的Image Inpainting算法等。但这些算法在修复大尺度缺损图像上效果都不理想，大尺度缺损图像的修复仍然是一个困难的问题。在本项目研究中，结合近几年机器学习和计算机视觉等相关领域的最新技术，研究并提出了基于样本图像的大尺度缺损图像修复算法，取得了较好的修复效果。针对大尺度缺损图像结构信息恢复的难题，提出了有效的基于样本的图像结构信息重构算法。在此算法中，通过采用Graph Cut和均值漂移的方法提取图像的结构信息，并通过全局轮廓匹配的方法建立样本图像和源图像的关系，从而在局部结构平滑的约束下，较好的重构待修复图像的结构信息。在结构信息恢复和重构的基础上，本项目提出了有效的基于样本图像的纹理区域修补算法，在此算法中通过在样本图像中查找多个相似匹配块，然后将图像块通过相似度的大小加权填充到待修补区域，能较好的完成缺损区域的修补。为了进一步提高图像修补的性能，在本项目中还提出了基于样本检索的图像修补算法，充分利用海量的图像数据来提高样本匹配的丰富性。在此算法中，采用基于梯度响应的算法提高了图像匹配的准确度，能较好的匹配缺失的结构信息，与原算法相比，能取得了更好的图像修复效果。在基于样本的图像处理中，相似图像块匹配是算法的核心模块，也是计算最复杂的环节。在本项目中，为了提高算法的运算速度，对块匹配算法进行了有效的改进和优化。通过引入Jump Flooding算法完成块匹配算法的并行化，使其易于在并行化平台上实现。与串行化算法相比运行速度得到很大的提升。同时在GPU平台上完成了该算法的实现，大大提高了本项目提出的图像修补算法运行速度。