为修复破损纺织品文物图像，在Criminisi算法基础上，提出一种改进的基于K-means颜色分割的纺织品文物图像修复算法。根据纺织品文物图像的特点，将RGB图像转化为Lab颜色模型，采用K-means分类器对a*b*层数据基于颜色进行分割处理，对纹样图案边缘进行标定并缩小匹配块搜索区域；引入L值的标准差来表示颜色离散度，对优先权函数以及自适应匹配块进行改进。用所提算法与文献报道的3种算法对自然破损纺织品文物图像和人为破损纺织品图像进行修复，并对修复结果进行评价。实验结果表明，所提算法修复的图像纹理自然、结构合理，峰值信噪比、结构相似性、特征相似性、均方误差值更好。

针对传统Criminisi算法中优先权值很快趋于零,且修复时间较长等缺点,提出一种改进的基于信息熵和梯度因子的图像修复算法。首先,将图像信息熵与梯度因子拟合为权重因子,采用优化优先权的计算方式找到最优修复块;其次,利用可度量像素块复杂度的信息熵对匹配块的搜索区域进行调整,建立搜索区域的动态法则;然后,借助于梯度因子建立匹配块模板尺寸的自适应模型,完善最优匹配块搜索策略;最后,引入序贯相似性检测算法从源区域中选取最优匹配块,实现图像的修复。实验结果表明,与传统Criminisi算法相比,所提算法无论在客观方面还是在主观方面都获得了较满意的图像修复结果,修复效果更加真实,修复图像具有更好的视觉效果。

针对Criminisi算法在修复敦煌壁画时易出现错误填充、修复效率较低等问题,提出了一种基于序贯相似性和布谷鸟寻优算法结合的敦煌壁画修复方法。首先采用P-Laplace算子重新定义数据项,改进了优先权计算方法,避免了优先权频繁趋于0的问题;其次引入动态阈值序贯相似性检测算法进行匹配块的搜索,提高了壁画修复效率;为了使匹配块选择更加合理,再利用布谷鸟寻优算法确定最佳匹配块;最后通过迭代更新完成壁画修复。通过对敦煌壁画的修复实验表明,本文方法相比于同类比较算法,取得了较好的主客观修复效果,并且修复效率也得到了进一步提升。

Criminisi图像修复算法优先权计算中结构信息考虑不足和匹配时仅依靠颜色距离选择,致使壁画修复过程中易出现结构传播错误和像素错误匹配,鉴于此,提出了一种基于信息熵和结构特性的壁画修复算法。先在计算优先权函数时,引入度量像素块复杂度的信息熵,改进的优先权函数确定了最优待修补块,使结构信息丰富的区域优先修复;再采用样本颜色特征和块间协方差结合的方式确定匹配块集合,根据块间欧氏距离确定最佳匹配块;最后通过迭代更新完成壁画修复。对破损敦煌壁画进行实验,实验结果表明:该算法较好地克服了Criminisi算法错误匹配填充的问题,修复后获得了较好的视觉效果,提高了图像峰值信噪比等客观评价值。

Criminisi算法作为优秀的图像修复算法代表,在修复部分破损图像时可获得较好的视觉效果,但该算法在进行匹配块搜寻时,待修复块提供的信息量较少,因此可匹配范围小。针对这一问题,提出了一种基于粗糙数据推理理论的改进Criminisi图像修复算法,粗糙数据推理可以扩展搜索空间,增加搜索数据,扩大搜索范围,加深搜索深度。该算法在搜索规则上有以下改进:通过图像结构信息将图像内容划分为一个数据集,再通过粗糙数据推理扩充待修复块信息量,扩大匹配块可寻范围,以此搜索匹配块,修复破损图像。结果表明,与经典的Criminisi算法相比,改进后的算法能够扩展匹配块的数据量,可搜索到更多数据,获得较好的视觉效果,提高了图像的峰值信噪比。

针对航拍图像中存在的厚云遮挡问题,提出了一种基于改进Criminisi算法的图像修复去厚云算法。通过改进优先权函数确定了最优待修补块,完善了最优匹配块搜索策略,减少了结构传播错误和累积错误,增大了匹配的准确度;根据像素点的亮度局部方差选择了适合的样本块尺寸,并定义了新的置信度更新函数。通过逐步细化的云检测方法和形态学开运算获得厚云区域掩模。模拟数据和真实数据实验结果表明,所提算法相比于传统Criminisi算法,补全效果更自然,能更好地修复航拍图像中的厚云区域。

为了提高非均匀纹理图像大区域修复效果，提出了一个分层Criminisi 图像修复算法。首先采用多尺度变分分解模型将图像分解成一系列图层之和，不同图层包含不同尺度的图像特征，而同一图层包含几乎相同的尺度特征。然后在每个图层中分别采用Criminisi 算法进行修补。由于同一图层包含尺度大致相同的图像特征，所以在匹配块的搜索过程中，分层修复能较容易地搜寻到最优的匹配块。最后结合分别修复的各个图层，得到最终的修复结果。实验结果表明，对于不同的非均匀纹理人工图像和自然图像，本文模型都能取得较为满意的修复结果。

提出了一种基于蚁群算法的 Criminisi图像修复算法，将蚁群算法应用到 Criminisi图像修复算法的最佳匹配模板搜索中。首先计算待修复区域优先权；然后蚁群寻找搜索路径中留下的信息素，沿着信息素最多的路径寻找到最佳匹配模板；最后更新置信度，直到修复结束。实验结果表明，修复后的图像 PSNR较高不易陷入局部最优，能较快速地搜索到最佳匹配模板。

待修复区域标记、优先权、最佳匹配模块的搜索及填充和更新置信度是Criminisi 图像修复算法的4 个重要组成部分，每一部分对Criminisi 算法的图像修复结果都有不可忽视的作用。针对大目标移除的Criminisi 图像修复，从数学的角度优化待修复区域标记和提高优先权可信度，并将蝙蝠算法运用到最佳匹配模板搜索中，提高修复效率。实验表明：本文改进的算法能够有效的减少错误信息的累积，具有较好的实用性。

Criminisi图像修复算法的修复步骤由待修复区域的标记、优先权的计算、最佳匹配块搜索与填充和更新置信度 4部分组成。其中待修复区域的标记是进行 Criminisi图像修复算法的基础, 因此合理的标记待修复区域是提高 Criminisi图像修复算法修复效果的有效路径。引入数学形态学对待修复图像进行处理, 即利用腐蚀与膨胀组合, 对待修复区域边缘进行处理, 进而进行 Criminisi图像修复算法操作。实验结果表明经数学形态学处理后的标记可以降低错误信息的累积, 大大提升了图像修复的质量, 具有较高的实用价值。