基于对数运算以及附加方向梯度算子的总变分修复算法 下载: 815次
1 引言
数字图像修复技术是计算机图形学、计算机视觉和图像处理领域的研究热点之一[1-5]。修复的过程是根据图像中已有的信息填补受损的区域,使人们从视觉上感受不到修复过的痕迹。目前图像修复的主要研究方法有基于结构的算法、基于纹理的算法和混合算法[6]。其中基于结构的算法对于结构图像修复具有显著的效果,基于结构的经典修复算法主要有BSCB算法(由Bertalmio、Sapiro、Caselles和Ballester提出,简称BSCB算法)、总变分(TV)算法和曲率驱动扩散(CDD)算法,这三种算法均通过求解偏微分方程进而获得修复迭代公式。其中BSCB修复算法以及CDD算法为高阶偏微分方程,因此求解过程较复杂。而TV算法求解过程简单,便于理解,对于划痕、文本等小面积破损图像修复具有较好的效果,因此得到较多学者的关注。
基于TV模型的修复算法是Shen等[7-8]在文献[ 9]TV去噪模型的启发下而提出。TV模型采用各向异性扩散原理,通过图像的梯度信息,将破损区域周围的像素信息通过迭代传播到破损区域内,从而完成修复。但是TV模型迭代次数较多,修复后的图像不能很好地保留图像的细节信息,并且存在阶梯效应。文献[ 10]将TV算法中的迭代方程改为对损坏像素直接加权合成,并且按照梯度方差确定修复的次序,从而减少了运算时间,但是修复后的部分图像不够自然。文献[ 11]在TV模型的非线性扩散项中引入方向梯度和边缘引导函数,从而较好地保持了图像的边缘和纹理细节信息,但相对TV算法,其峰值信噪比(PSNR)提高并不明显。文献[ 12]通过构造扩散函数,使修复后的图像边缘较清晰,但是相对于TV算法,其修复时间变长了。2013年,Cheng等[13]提出了多通道非局部TV模型的遥感图像修复方法,使修复后的图像具有较好的视觉效果,但是算法实现较复杂。2014年,Liu等[14]提出非局部延拓的TV正则化图像修复算法,利用图像的自相似性,使用非局部搜索块估计特定像素的梯度信息,但相对于TV模型,其PSNR提高并不明显。2015年,Duan等[15]提出用于彩色纹理图像修复的非局部彩色总变分(CTV)模型的快速算法,可以较好地修复大区域破损的彩色纹理图像,但是修复时间比较长。2016年,侯海娜等[16]提出结合网函数插值的带方向总变分(Net-ADTV)的修复算法,提高了修复效率,但是该算法只对方向特征明显的破损修复效果较好,具有局限性。Nair等[17]提出一种稳健的非局部TV修复算法,使修复后的图像很好地保留图像的边缘以及结构信息,并且可以修复纹理图像,但PSNR提高得并不是特别显著。
本文针对TV模型边缘细节保持性差、存在阶梯效应、PSNR小等缺陷提出改进,在TV模型的正则项中加入对数运算以及附加方向梯度算子。通过MATLAB\R2017a软件进行仿真,证明改进后的算法具有稳定的边缘细节保持性,并且可以克服原算法的阶梯效应,修复后的图像具有更高的PSNR。
2 TV算法
2002年,Shen等[7-8]基于TV的理论提出了一种用于图像修复的TV模型。TV模型是一个有约束的极值问题,通过能量泛函的最小化修复受损的图像,即
式中:
对应的最速下降方程为
利用Euler-Lagrange方程求解得到的迭代公式为
式中
式中
式中
通过(5)式分析TV模型的扩散系数,扩散系数与梯度模值的倒数成正比,为各向异性扩散,其扩散系数的大小主要取决于目标像素点处四邻域像素点梯度模值的大小。当在图像的像素信息丰富区域时,梯度模值较大,扩散系数较小;当在图像的像素平坦区域时,梯度模值较小,扩散系数较大。因此在修复过程中,容易在像素平坦区域形成阶梯效应,使修复后的图像不自然。另外由于每次迭代只计算目标像素点外围3×3像素,修复过程无法快速地获取更多的像素信息,因此迭代次数较多,导致图像边缘细节信息保持性较差,修复后的图像PSNR较小。
3 改进的TV算法
TV模型在每次采样过程中计入的像素数较少,因此迭代次数较多,图像的边缘容易产生模糊效应,使最终修复后的图像边缘细节保持性较差。在正则项中加入附加梯度方向算子[11],增加了每次迭代中计入扩散的像素数,减少了迭代的总次数,避免了过多迭代导致的模糊效应。
新的最速下降方程为
式中:
式中
利用Euler-Lagrange方程求解
记
式中:
同理可得
则扩散系数为
式中
设目标像素点
附加方向梯度算子表示为
权系数为
将(12)、(21)式代入(11)式中,化简后得
从而得到迭代公式,即
对TV模型算法的改进,在一定程度上克服了TV模型算法的缺陷。附加方向梯度算子的加入,可以有效地减少迭代次数,避免了边缘细节保持性差的缺陷。其次在梯度模值的计算中由于加入了对数运算,从而可以通过调节
另外当破损处达到图像最外围时,由于图像最外围计算破损处梯度信息时所获得的像素信息不全,无法修复最外围受损像素。因此需要加入边界处理条件,假设所读取的图像为
4 仿真结果与分析
利用MATLAB\R2017a软件进行仿真,实验环境为2.50 GHz Intel(R) i7-4710MQ处理器、8.00 GB内存、WIN10 64位操作系统。为了验证本文改进算法的优越之处,将本文算法与经典的TV算法、文献[
12]算法和文献[
18]算法进行仿真比较,其中文献[
12]算法和文献[
18]算法均为改进的TV算法。各算法所包含的参量以及数值如下:本文算法
表 1. 4种图像修复算法的迭代次数和时间
Table 1. Comparison of iteration times and time for four kinds of inpainting algorithms
|
图 7. 仿真结果一。(a)文本图;(b)掩模图;(c) TV算法;(d)文献[ 12]算法;(e)文献[ 18]算法;(f)本文算法
Fig. 7. First simulation results. (a) Text image; (b) mask image; (c) TV algorithm; (d) algorithm in Ref. [12]; (e) algorithm in Ref. [18]; (f) proposed method
图 8. 仿真结果二。(a)受损图;(b) TV算法;(c)文献[ 12]算法;(d)文献[ 18]算法;(e)本文算法
Fig. 8. Second simulation results. (a) Damaged image; (b) TV algorithm; (c) algorithm in Ref. [12]; (d) algorithm in Ref. [18]; (e) proposed method
图 9. 仿真结果三。(a)裂痕图;(b)掩模图;(c) TV算法;(d)文献[ 12]算法;(e)文献[ 18]算法;(f)本文算法
Fig. 9. Third simulation results. (a) Fissured image; (b) mask image; (c) TV algorithm; (d) algorithm in Ref. [12]; (e) algorithm in Ref. [18]; (f) proposed method
对于原图已知的情况,为了反映修复后图像质量的细微差距,计算修复后图像的PSNR[13],公式为
式中
式中
表 2. 4种图像修复算法的PSNR、迭代次数和时间
Table 2. Comparison of PSNR, iteration times and time for four kinds of inpainting algorithms
|
图 10. 仿真结果四。(a) Boat;(b)受损图;(c) TV算法;(d)文献[ 12]算法;(e)文献[ 18]算法;(f)本文算法
Fig. 10. Fourth simulation results. (a) Boat; (b) damaged image; (c) TV algorithm; (d) algorithm in Ref. [12]; (e) algorithm in Ref. [18]; (f) proposed method
图 11. 仿真结果五。(a) Man;(b)受损图;(c) TV算法;(d)文献[ 12]算法;(e)文献[ 18]算法;(f)本文算法
Fig. 11. Fifth simulation results. (a) Man; (b) damaged image; (c) TV algorithm; (d) algorithm in Ref. [12]; (e) algorithm in Ref. [18]; (f) proposed method
图 12. 仿真结果六。(a)纹理图;(b)受损图;(c) n=2000;(d) n=3000;(e) n=5000
Fig. 12. Sixth simulation results. (a) Texture image; (b) damaged image; (c) n=2000; (d) n=3000; (e) n=5000
5 结论
针对TV算法在受损图像的修复上迭代次数多、边缘细节信息保持性差、修复后图像存在阶梯效应和修复后图片PSNR小的缺陷进行改进,在原算法正则项中加入对数运算以及附加方向梯度算子。通过仿真效果图和仿真结果数据对比可以看出,改进算法在划痕、文本等小面积破损图像的修复上,不仅减少了迭代次数,还提高了PSNR,并且编程较容易实现,修复效果较好。但是本文算法仍然存在缺陷,即对于纹理图像的修复效果差,只适用于结构图像小面积破损的修复,原因是此算法使用热扩散原理进行修复,周围有用信息由破损区域外围传播到最内层,最终完成修复。后续工作将进一步对本文算法的缺陷进行完善。
[1] 李开宇, 孙玉刚. 引入连续性强度和置信度因子的快速图像修复[J]. 中国图象图形学报, 2012, 17(4): 465-470.
[2] 曹伟, 王华彬, 石军, 等. 基于边缘检测加权引导滤波的指静脉图像增强算法[J]. 激光与光电子学进展, 2017, 54(2): 021007.
[3] 倪锦艳, 李庆武, 周亚琴, 等. 基于透射率优化和色温调节的水下图像复原[J]. 激光与光电子学进展, 2017, 54(1): 011001.
[4] 谭永前, 曾凡菊, 岳莉, 等. 一种改进的纹理图像合成算法[J]. 激光与光电子学进展, 2016, 53(12): 121001.
[5] 尹诗白, 王一斌, 李大鹏, 等. 两次引导滤波的显微视觉散焦图像快速盲复原[J]. 光学学报, 2017, 37(4): 0410002.
[6] BarbuT. Anovel variational framework for structural image completion[C]∥International Conference on Optimization of Electrical and Electronic Equipment (OPTIM) & Intl Aegean Conference on Electrical Machines and Power Electronics (ACEMP), 2017: 815- 820.
[8] Chan T F, Shen J H, Vese L. Variational PDE models in image processing[J]. Notices of the American Mathematical Society, 2003, 50(1): 14-26.
[10] 赵颜伟, 李象霖. 一种基于TV模型的快速图像修复算法[J]. 微电子学与计算机, 2009, 26(6): 253-256,260.
[11] 王相海, 王爽, 方玲玲. 图像修复的方向梯度TV模型研究[J]. 吉林师范大学学报(自然科学版), 2012, 33(2): 1-7.
[12] 王涛, 王军锋, 白青, 等. 改进的TV模型图像修复算法[J]. 计算机系统应用, 2013, 22(3): 121-124.
[14] Liu HF, Xiong RQ, Ma SW, et al. Non-local extension of total variation regularization for image restoration[C]∥IEEE International Symposium on Circuits and Systems (ISCAS), 2014: 1102- 1105.
[16] 侯海娜, 戴芳, 杨陈东. 结合网函数插值与TV模型的图像修复算法[J]. 计算机系统应用, 2016, 25(12): 117-125.
[17] Nair JJ, FrancisD. Robustnon-local total variation image inpainting[C]∥International Conference on Computational Intelligence and Communication Networks, 2015: 437- 441.
[18] 张红英, 彭启琮. 一种基于p-Laplace算子的图像修补方法[ C]∥中国通信学会通信理论与信号处理专业委员会, 2005年通信理论与信号处理年会, 2005.
Zhang HY, Peng QC. An image inpainting algorithm based on p-Laplace operator[ C]∥China Communications Society Communication Theory and Signal Processing Specialized Committee, 2005 Communication Theory and Signal Processing Annual Conference, 2005.
杜闪闪, 韩超. 基于对数运算以及附加方向梯度算子的总变分修复算法[J]. 激光与光电子学进展, 2019, 56(1): 011005. Shanshan Du, Chao Han. Total Variation Inpainting Algorithm Based on Logarithmic Operation and Additional Directional Gradient Operator[J]. Laser & Optoelectronics Progress, 2019, 56(1): 011005.