基于纹理合成图像修复的改进算法
李孟江 袁晓辉
（东南大学自动化学院，南京 210096）
摘 要: 图像修复是数字图像处理的重要内容，可用于被损坏的图像和视频修复、视频文字
去除以及视频错误隐藏等。本文在纹理合成算法的基础上进行了改进，引入优先权机制来决
定边界像素的修复次序，既保持了纹理细节，又突出了边缘特征，达到了很好的修复效果。
关 键 词：图像修复；纹理合成；优先权
0. 引 言
图像修复(Inpainting)技术是一项古老的艺术，它最早出现于欧洲文艺复兴时期。为了
恢复美术作品丢失或损坏的部分，同时保持作品的整体效果，人们开始对美术作品进行修复，
主要是填补作品上所出现的裂痕或沟，称之Retouching(润饰)或Inpainting(修复)。
图像修复技术是针对图像中遗失或者损坏的部分，利用未被损坏的图像信息，按照一定
的规则填补，使修复后的图像接近或达到原图的视觉效果。从数学的角度来看，图像修复是
一个病态问题，因为没有足够的信息可以保证能唯一正确的恢复被损坏部分。因此，人们从
视觉心理学的角度进行分析，提出了各种假设来解决这个问题。
[1]M.Nitzberg 借助于图像分割提出一种去遮挡算法，
其基本思想是利用最小曲率和相同灰度值的曲线连接T 型接头。该方法只适合比较简单的图像，而不适合复杂的自然图像。
Masnon 和扩展M.Nitzberg 的思想，提出一种变分算法，它采用测地曲线连接断开
于待修复区域边界的等照度线来达到图像修补的目的，但存在要求修复区域邻域的拓扑关系
简单、直线连接、保角性差等缺点。等人首次采用偏微分方程(Partial
Differential Equation,PDE)，通过将待修复区域外围信息沿着等照度线方向进行扩散来填
补，能够处理不同结构和背景的区域，并且自动化程度较高。在偏微分方程基础上，Chan
和提出TV(Total Variational，整体变分)模型，采用欧拉-拉格朗日方程和各向异
性扩散来保持等照度线的方向。针对TV 模型的不足，Chan 和又提出
CDD(Curvature-Driven Diffusion)模型，使之能够处理更大的区域。提出一种非
常简单的方法，反复通过3*3卷积运算将已知信息不断向待修复区域内部进行扩散，达到修
复目的。
[2]Morel [3]Berlalmio [4]Shen [5]Shen [6]Oliveira 以上各种图像修复方法取得了一定效果，但仍然存在一些缺陷，不令人满意。基于PDE
的方法，需要反复迭代，速度非常慢，并且这些方法一般只修复较小的区域，无法处理大的
区域。另外这些方法不能很好的保持修复区域的纹理细节，修复后的图像通常具有模糊效应。
Oliveira 的卷积方法简单，对于平滑的区域具有较好的效果，但无法保持等照度线方向，
也容易出现模糊现象。
图像修复的难点在于：自然图像非常复杂，既包含结构信息，又包含纹理细节。所以在
修复过程中既要保持纹理细节，又要突出结构(主要指边缘)特征。所以本文在纹理合成算法
的基础上，通过优先权机制来决定边界像素的修复次序，充分顾及到图像的边缘结构信息，
不仅避免了反复迭代，缩短了运算时间，提高了效率，而且保证了纹理清晰、边缘突出。
1. 纹理合成算法
纹理合成（texture synthesis），简单说来就是根据一个纹理样图，生成新的具有相同
效果的纹理，可以用来恢复自然图像中的纹理区域。基于纹理合成的图像修复主要分：
[8]三步
1）确定当前需要修复区域的位置；2)根据当前位置的邻域特征，从样图或自身图像中寻找
相似块；3）把搜索到的相似块复制到待修补图像区域相应位置上，完成块的填充。如图 1
所示，代表需要填补的8*8图像区域，从待修复区域的边界一个像素块一个像素块的向区域
内部填充。t I 代表待修复区域周围已知的图像块，将其作为纹理合成的模板，代表
在待修复区域边界上需要修复的(,)p i j t I 临近像素，表示像素相对模板的位置,之所以把
点取在模板(,)i j (,)p i j t I 的边界，是为了保证块匹配时，已知信息更多，可信度更高。选取3*3
的图像块作为已知的模板，由于图像块的相关性与距离成反比，因此采样块搜索区域可以选
择在待修复区域的邻域。从丢失块附近邻域内寻找采样块?t I ，使?t
I 满足下式： ''?,(,(,)[
()]t t t t p I p I p p d I I sqrt p p ∈∈=∑)2?)相对应） (1)
'?a rg m in (,)t t t I d I I = 其中 't I ∈? (2)
?,p p
代表模板和采样块相对应位置上的像素灰度值；表示两个块'(,)t t d I I ',t t I I 之间的距离，?t I 为与t I 距离最小块，也就是我们寻找的最相似块。当找到了?t I ，把?t I 复制到t
I ，就完成了该块的填充。
上述纹理合成算法，在整个邻域内寻找最相似块，修复效果很好，然而速度很慢，过程
复杂。在这种算法的基础上进行优化，简化其算法复杂性。优化算法描述如下：
(1) 判断图像灰度在待修复区域边缘等照度线的传播方向；
(2) 在灰度变化比较缓慢的方向，即等照度线方向上进行纹理合成。 其中，在判断图像像素灰度在待修复区域边缘传播方向的时候，可以对待修复区域上下、
左右两个方向的相邻已知图像块进行算法(1)运算，取其中变化最小的方向，就是灰度等照
度线传输的近似方向。这样就可以按照纹理合成算法在该方向上进行修复。如图 2所示，
当灰度等照度线在方向上传播时，寻找使得最小的图像块，并相应的复制x ?(,)xt xt
d I I ?xt xt I I =；同理，如果在y 方向上传播，则寻找使得最小的图像块，并相应的复制?(,)yt yt
d I I ?yt yt
I I =
。 `
图 1 图 2 2. 像素的优先权机制
上面阐述的纹理合成算法，直接从采样块中寻找相应的最佳匹配像素，能够较好的保持
纹理细节。但不同于单纯的纹理合成，自然图像不仅包含纹理信息，还具有复杂的结构信息
(主要指边缘)，所以在纹理合成的基础上要充分顾及图像的边缘特征。
[7]Criminisi 提出的基于纹理合成的算法是较好的方法，其基本思想：在多种纹理并存的
图像上，修补的顺序十分重要，一般不同纹理的交界处是一些线形的结构（等值线
isophote），如果能优先修补这些地方，结构信息就能比较好的保持下来。
2.1 像素修复顺序问题
在纹理合成中，一般采用扫描行进行处理，但对于图像修复，采用这样的顺序
是不合适的。由于自然图像不是单纯的纹理，缺损区域可能覆盖多种纹理区域，并且各纹理
[10]顺序
区域之间具有明显的边缘。采用简单的行处理顺序无法顾及边缘结构特征，可能导致明显的错误填补。
本文采用蚕食的方式，即从待修复区域外围边界开始，逐渐缩小包围圈。该方式能够保证先填补离已知信息近的区域，可靠性更强一些。
图 3 图 4
如图 3所示，在修复过程中，将像素分成四个类别，分别标志为：
1、KNOWN —已知像素：图3中白色区域；
2、FILLED —已修复像素：图3中阴影区域；
3、BOUND —边界像素：待修复区域边界上的像素，即图3中实线所表示的像素，边界像素属于未知像素，是当前需要修复的像素点；
4、INSIDE —内部像素：待修复区域内部的像素，图3中斜线区域
2.2 边界像素优先权的计算
若对当前边界采用同步收缩，则是一种各向同性填补，相当于边界上的像素具有相同的优先权，没有考虑边缘结构的影响，效果不太理想。为了顾及图像的结构特征，可以采用优先权，让边界像素具有不同的修复优先权。每次从边界像素中挑选具有最高优先权的一个像素进行处理，从而达到各向异性扩散的目的。优先填补图像边缘附近的像素，然后填补其他像素，有利于边缘结构的保持。
[11]顺序[9]机制()P p 如图 4所示，I 代表整个图像，I =Φ+?；Φ为完好的区域，?为待修补区域，δ?为待修补区域的边界，为以为中心的方形区域。对待修补区域边界上每一个点p Ψp p ∈δ?，其优先权本文采用如下的优先权计算方法：
()P p ()()()P p C p D p =× (3)
其中：
()C p ＝()p q p
C q ∈Ψ∩?Ψ∑ (4) ()
D p ＝p p n
E × (5)
()C p 称为点的可信度值，是对于点周围可靠信息的一种估计，点周围已知点越多，其周围优先被填充。其中p p p p Ψ表示的是以为中心，以一定长度为边长的正方形修补窗口的面积。在初始化的时候，令
p p Ψ =1()或者 =0 (()C p p ?∈?()C p p ?∈?)
这样在不断修补的过程中0<=<=1,而且越是深入待修补区域的内部，可信度就越低，符合一般规律。可信度越低，最后得到的优先权就越低，这一项保证了合成的顺序基本上是从外围向中间合成。
()C p ()P p ()D p 称为数据项，体现点处图像边缘方向和强度。其中表示在点处的边界线法线矢量，p p n p p E 表示p 点处边缘强度矢量。数据项的值提供了不同纹理块之间边界的结构性
信息。通过这一项的计算，使得在有较强结构的地方有着更高的优先权，保证结构信息的连续。
p n 的计算方法是：计算中所有INSIDE 像素点(=0～m-1,m 为点数)到点的方向单位矢量=norm(p Ψi q i p i V ,qi p qi p x x y y ??)(其中,x y 表示像素坐标，norm(·)表示单位化运算)；然后计算这些矢量的平均值，作为p 点法线矢量p n =(,x y n n )。
p E 矢量需要通过梯度(Gradient)来计算。
先计算p Ψ中所有KNOWN 像素点和FILLED 像素点的梯度(=0～-1, 为点数)；然后计算这些梯度的平均值i G i k k (,)p x G G G y =。由于梯度方向和边缘方向相互垂直，将旋转90，得到边缘强度矢量p G o p E =(,)y x G G ?。
2.3 边界更新
每次从边界像素中挑选具有最高优先权的像素p 进行修复后，将发生两个变化：1)p 由边界像素(BOUND)变成已修复像素(FILLED)，且p 的四邻域中的INSIDE 像素将成为新的BOUND 像素；2)邻域()p Ψ中其他BOUND 像素的优先权将发生变化。所以，在每完成一个边界像素p 的修复后，需要重新确定邻域()p Ψ内的边界像素，并重新计算这些边界像素的优先权。
2.4 改进算法总结
以上三个步骤，是整个纹理合成修复算法的核心。基于纹理合成图像修复改进算法总结如下:
1）确定待修复区域?；
2）计算待修复区域边界上点的优先度；
3）寻找边界上优先度最大的点，确定以为中心的方形块p p p Ψ；
4）寻找最佳匹配块，并复制到相应的区域p Ψ上；
5）更新边界，重新计算边界上点的优先度，返回步骤2）。
根据上述算法的要点，算法的伪代码如下：
1、初始化得到初始待修复区域0?，初始边界0??；
2、0
t ?=?,0t ??=??；
3、while 集合t ?为非空 do
3.1 计算优先度,； ()P p t p ?∈?? 3.2 找到优先度最大点对应的图像块?p ?p Ψ；
3.3 在已知区域搜索，且满足Φ?r Ψ?r Ψ=?arg min (,)r p r d Ψ∈Φ
ΨΨ； 3.4 用方形块更新；
?r Ψ?p Ψ 3.5 更新,；
()C p ?t
p p ?∈Ψ∩? 3.6 重新获得边界。
t ?? End while. 3. 实验结果
本算法对于输入的破损图像，由系统自动结合用户交互检测出需要修复的区域，直接输出图像。算法的处理时间由图像和图像破损区域的大小来决定，所以本文只是从修复效果上进行了比较，并没有计算算法运行时间，也没有比较修复效率。本文对两幅图像进行了修复实验，一幅是受损的lena 图像，该图像纹理不是很明显；还有一幅纹理很明显的纹理图像。两幅图像都是256*256的，修复的效果并与Bertalmio 算法的修复结果进行了比较，实验证明，本文的算法无论对于纹理图像还是非纹理图像，修复效果都很理想。
从lena图像修复细节和纹理图像修复效果上来看，本文算法的修复效果很理想，边缘突出，纹理清晰，几乎接近完美；相反，Bertalmio算法的修复结果不是很好，纹理细节无法得到完全恢复，并有严重的模糊效应。
(a) 原始图像(b) 受损图像(c) 本文修复(d) Bertalmio
图 5：lena图像修复效果比较
也许从上图的修复效果上，肉眼很难看出修复的差距，我们现在对修复处理区域的一部分进行相应放大，从下面的放大图中,大家就可以很清楚的看出两种算法在图像修复上的差距。
(a)原始图像 (b)本文修复 (c)Bertalmio
图 6：修复部分细节比较
对纹理图像修复效果比较：
(a) 原始图像(b) 本文修复(c) Bertalmio
图 7:纹理图像修复效果比较
4. 结束语
本文在纹理合成的基础上，采用直接采样的方法，逐渐修复图像缺损区域。在修复过程中，采用优先权机制来决定边界像素的修复次序，不仅保持了图像纹理细节，充分顾及了边缘结构特征，还避免了传统修补方法带来的模糊效应。对于细小划痕的修复和大面积区域的图像填补均具有很好的效果。
本文算法也具有一些不足之处：1）当得不到合适的局部采样区域时，可能出现错误的填充信息；2）当目标存在前后遮挡关系时，算法无法识别和确定多个边缘的修复顺序，导致错误的结果。这些算法需要进一步研究，以增强算法的稳定性和智能性。
参考文献：
[1] M.Nitzberg, D.Mumford, T.Shiota. “Filtering, segmentation and depth”; Lecture Notes in
Computer Science[C]. Berlin; Springer Verlag,1993;662-804.
[2] S.Masnou and J.Morel,“Level Lines Based Disocclusion”. Proceedings of International
Conference on Image Processing(ICIP 98),1998 Page(s):259-263 V ol.3.
[3] M.Bertalmio,G.Sapiro and V.Caselles et al,“Image Inpainting”，
https://www.doczj.com/doc/0016932309.html,p.Graphics(SIGGRAPH2000),2000:417-424
[4] T.Chan and J.Shen,“Mathematical Models for Local Non-texture
Inpaintings”,SIAMJ.Appl.Math,62-3(2001),1019-1043.
[5] T.F.Chan and J.Shen, “Non-texture inpainting by curvature-drivendiffusions”
,Journal of Visual Communication and Image Representation, 2003(V ol.12, No.4):436-449. [6] M.M.Oliveira,B.Bowen,“Fast Digital Image Inpainting,”Proceedings of the
International Conf. on Visualization,Imaging and Image Processing(VIIP 2001),2001:261-266.
[7] A.Criminisi,P.Perez and K.Toyama,“Region Filling and Object Removal by
Exernplar Based Inpainting”,IEEE Transactions on Image Processing,2004(V ol.13,No.9):1200-1212.
[8] 董朋朋. 纹理合成的研究.[硕士论文]. 安徽：中国科技大学，2005.
[9] 宋鹏. 基于MRF模型的纹理合成方法研究.[硕士论文].济南:山东大学，2004.
[10] 王毅，周世生.图像自动修复技术及应用探讨.印刷杂志，2005，No.230:37-39.
[11] 沈强.基于结构性信息的纹理合成及应用.[硕士论文].杭州：浙江大学，2005.
[12] 夏良正.数字图像处理.东南大学出版社.1999年9月第一版.
An optimized image inpainting algorithm based on texture synthesis
LI Mengjiang YUAN Xiaohui
(College of Automation Southeast University ,Nanjing 210096)
Abstract: Image inpainting is an important research field in image processing,which can be used
to retouch damaged images and videos, remove text and conceal errors in videos. The paper presents an optimized approach to texture synthesis. The inpainting order of the boundary pixels is determined by priority. The algorithm could retain texture details,also consider the edge features.
It could achieve fairly good results.
Keywords: image inpainting ; texture synthesis ; the priority
基于纹理合成图像修复的改进算法
作者：李孟江， 袁晓辉
作者单位：东南大学自动化学院,南京 210096
本文链接：https://www.doczj.com/doc/0016932309.html,/Conference_7156680.aspx
基于纹理合成图像修复的改进算法 李孟江 袁晓辉 （东南大学自动化学院，南京 210096） 摘 要: 图像修复是数字图像处理的重要内容，可用于被损坏的图像和视频修复、视频文字 去除以及视频错误隐藏等。本文在纹理合成算法的基础上进行了改进，引入优先权机制来决 定边界像素的修复次序，既保持了纹理细节，又突出了边缘特征，达到了很好的修复效果。 关 键 词：图像修复；纹理合成；优先权 0. 引 言 图像修复(Inpainting)技术是一项古老的艺术，它最早出现于欧洲文艺复兴时期。为了 恢复美术作品丢失或损坏的部分，同时保持作品的整体效果，人们开始对美术作品进行修复， 主要是填补作品上所出现的裂痕或沟，称之Retouching(润饰)或Inpainting(修复)。 图像修复技术是针对图像中遗失或者损坏的部分，利用未被损坏的图像信息，按照一定 的规则填补，使修复后的图像接近或达到原图的视觉效果。从数学的角度来看，图像修复是 一个病态问题，因为没有足够的信息可以保证能唯一正确的恢复被损坏部分。因此，人们从 视觉心理学的角度进行分析，提出了各种假设来解决这个问题。 [1]M.Nitzberg 借助于图像分割提出一种去遮挡算法， 其基本思想是利用最小曲率和相同灰度值的曲线连接T 型接头。该方法只适合比较简单的图像，而不适合复杂的自然图像。 Masnon 和扩展M.Nitzberg 的思想，提出一种变分算法，它采用测地曲线连接断开 于待修复区域边界的等照度线来达到图像修补的目的，但存在要求修复区域邻域的拓扑关系 简单、直线连接、保角性差等缺点。等人首次采用偏微分方程(Partial Differential Equation,PDE)，通过将待修复区域外围信息沿着等照度线方向进行扩散来填 补，能够处理不同结构和背景的区域，并且自动化程度较高。在偏微分方程基础上，Chan 和提出TV(Total Variational，整体变分)模型，采用欧拉-拉格朗日方程和各向异 性扩散来保持等照度线的方向。针对TV 模型的不足，Chan 和又提出 CDD(Curvature-Driven Diffusion)模型，使之能够处理更大的区域。提出一种非 常简单的方法，反复通过3*3卷积运算将已知信息不断向待修复区域内部进行扩散，达到修 复目的。 [2]Morel [3]Berlalmio [4]Shen [5]Shen [6]Oliveira 以上各种图像修复方法取得了一定效果，但仍然存在一些缺陷，不令人满意。基于PDE 的方法，需要反复迭代，速度非常慢，并且这些方法一般只修复较小的区域，无法处理大的 区域。另外这些方法不能很好的保持修复区域的纹理细节，修复后的图像通常具有模糊效应。 Oliveira 的卷积方法简单，对于平滑的区域具有较好的效果，但无法保持等照度线方向， 也容易出现模糊现象。 图像修复的难点在于：自然图像非常复杂，既包含结构信息，又包含纹理细节。所以在 修复过程中既要保持纹理细节，又要突出结构(主要指边缘)特征。所以本文在纹理合成算法 的基础上，通过优先权机制来决定边界像素的修复次序，充分顾及到图像的边缘结构信息， 不仅避免了反复迭代，缩短了运算时间，提高了效率，而且保证了纹理清晰、边缘突出。 1. 纹理合成算法 纹理合成（texture synthesis），简单说来就是根据一个纹理样图，生成新的具有相同 效果的纹理，可以用来恢复自然图像中的纹理区域。基于纹理合成的图像修复主要分： [8]三步
图片简介: 本技术介绍了图像修复模型训练方法及系统及图像修复方法，包括：对若干原图图像进行随机掩膜处理，生成训练数据集用于训练图像修复深度神经网络模型；构建图像修复深度神经网络模型，图像修复深度神经网络模型包括：生成模型与判别模型，生成模型用于修复图像残缺区域或模糊区域，判别模型用于判断生成模型的修复结果是否符合预设要求；利用训练数据集训练图像修复深度神经网络模型，得到训练后的图像修复深度神经网络模型；本技术能更有效的修复图像，满足人们对高质量图像的需求，本技术能够解决传统图像修复技术在
修复区域大、图像颜色差异大的情况下难以修复、修复效果不好，修复后的区域不自然等问题。 技术要求 1.图像修复模型训练方法，其特征在于，所述方法包括： 对若干原图图像进行随机掩膜处理，生成训练数据集用于训练图像修复深度神经网络模型，训练数据集包括：原图图像数据、带有目标边缘信息的图像数据和只有掩膜的图像 数据； 构建图像修复深度神经网络模型，图像修复深度神经网络模型包括：生成模型与判别模型，生成模型用于修复图像残缺区域或模糊区域，判别模型用于判断生成模型的修复结 果是否符合预设要求； 利用训练数据集训练图像修复深度神经网络模型，得到训练后的图像修复深度神经网络 模型。 2.根据权利要求1所述的图像修复模型训练方法，其特征在于，对若干原图图像进行随机掩膜处理，包括： 设定原图图像随机掩膜的超参数； 创建分辨率与原图图像相同的背景图像； 基于背景图像和设定的超参数对原图图像进行随机掩膜处理。 3.根据权利要求2所述的图像修复模型训练方法，其特征在于，原图图像随机掩膜的超参数包括： 掩膜个数、掩膜的最大拐点个数、两个像素点之间的最小距离、两个像素点之间的最大 距离、这两个像素点之间连线的最小宽度、这两个像素点之间连线的最大宽度和最大拐角。 4.根据权利要求2所述的图像修复模型训练方法，其特征在于，创建随机掩膜的流程为：
快速数字图像修复技术
用高斯内核卷积图像（即计算相邻像素的加权平均数），相当于各向同性扩散（线性热传导方程）。我们的算法使用加权平均的内核，只考虑相邻像素的贡献（即内核中心为零）。图2显示了伪码算法和两个扩散内核。本文中所有重建图像是通过该算法获得，或者是该算法经过轻微的变化获得，将在3.1节解释。 3.1保留边缘 当Ω跨越高对比度边缘的边界时（图3（前左）），该算法最简单版本，会带来附加效果（明显的模糊）。在实践中，只有在Ω和高对比度边缘的相交处，需要各向异性扩散，这些区域通常只占整个区域内很小比例。 创建指定待修复区域的遮盖是修复过程中最耗时的步骤，需用户干预。由于我们的算法可以在短短几秒钟内修复图像，它可用于遮盖互动创建。我们利用这个互动通过扩散障碍进行边界重联，这是Ω内扩散过程的边界。这完成一个边界重建和各向异性扩散类似的的结果，但没有相关的开销。在实践中，扩散屏障是两个像素宽的线段。当扩散过程中达到一个障碍，达到像素进行颜色设定，进程终止。图3进行了说明，图3中（左后方）明显的交叉线代表修复区域。简单扩散修复算法在Ω和高对比度边缘之间的相交处产生模糊点（参见图3中的小圆圈（前左））。通过适当增加扩散屏障（整个遮盖线段图3（右后）），用户停止遮盖两边混合信息的扩散过程。由此产生的直线如图3（前右）所示。 4结果 我们已经在C + +中实施了图2描述的算法，并尝试了两种不同的扩散内核。在这两种情况下的结果相似。文中所有的图片都使用128 MB的内存运行Windows98450兆赫奔腾III 电脑和使用图2所示的最左边内核生成。在图5，8，9和10所示的结果是使用无扩散障碍最简单的版本的算法得到。对于图1，使用了遮盖，两个扩散障碍（图4）。三个女孩的例子，使用了四个扩散障碍，以及有遮盖穿过高对比度边缘的区域（图6（右））。在所有情况下，都用100扩散迭代。 所有修复和线装饰删除系统需要手动遮盖。鉴于有一套功能的绘图系统，创建一个遮盖所需的时间，只依赖于可用的功能，也不受所使用修复算法的影响。对于交互式应用程序，在同一系统中拥有屏蔽功能和修复算法是可取的，以避免在不同的环境之间切换。在我们目前的原型中，我们已经实现了一个简单的绘图系统以及导入和导出JPEG文件的功能。 恢复林肯的画像和三个女孩的图片（图4和6（右），分别）使用的遮盖，是我们的绘画系统创建的。在新奥尔良的例子（图5）所使用的遮盖，通过使用Photoshop中选择颜色
龙源期刊网 https://www.doczj.com/doc/0016932309.html, 浅述图像修复技术的发展 作者：赵楠 来源：《科学与信息化》2019年第33期 摘要随着计算机科学技术的发展，计算机图像处理学科迅速成长，深入到各个领域。数字图像修复技术是近几年提出的一个具有挑战性的课题，在许多领域都得到了应用。本文通过对图像修复技术及方法的总结和展望，为进一步完善图像修復理论做准备。 关键词图像修复技术;偏微分方程的方法;纹理合成方法 1 图像修复技术的发展 数字图像修复是数字图像处理技术的一个重要分支，其主要工作原理是利用数字图像已知区域来修复未知区域，用前后帧的领域信息来填充未知的图像待修复区。数字图像修复的主要目的是使观察者无法察觉图像已被修改，或者使图像获得更好的视觉效果。图像修复方法可以应用于图像编码、图像修改、目标隐藏、图像传输、图像压缩等方面。 从图像修复的发展历史分析，图像修复方法是一项比较久远的技术，在很早的文艺复兴时期就出现了。战乱年代，由于珍贵的艺术品被多次易手，再经过长期的风化、油墨脱落，就难免有所损伤，人们为了保持作品的原有整体视觉效果，对艺术作品中丢失或损坏的部分进行修复。这种修复主要是由富有经验的人员采用手工方式直接在原始作品上进行处理，处理结果一旦形成就不可能再更改，稍有疏忽就将对珍贵的艺术品造成不可挽回的损失，因而具有相当高的风险。 数字图像修复方法的研究起源于20世纪的50年代初期，当时美国和苏联在太空争霸赛中首次用到了数字图像恢复技术。因为那时人类获得了大量有关地球和太阳系的图片，但是受当时的成像传感器和成像技术条件的限制，使得这些图片存在严重的退化变质现象。为了不让这些通过高科技手段得到的技术研究成果付之东流，人们迫切需要研发新的技术提高这些图片的质量，提取图像中的有用信息，数字图像修复技术就是在这样的背景下产生的。 由于数字图像恢复所处理的问题是一个病态的反问题，它设法用一个数学过程来描述，图像修复也无法表示出其逆过程，人们无法从最终的退化影像中获得准确的原始影像信息。如果破损区域较大，结构比较复杂，对它的修复将有更强的主观性，这时的各种预测只要在边界处能和已知数据吻合的上，就能构成一个成功的修复结果，这就表现出更强的病态性。因此，许多学者一直追求图像修复研究的有效方法。 当今世界日益数字化，图像修复已经成为信息技术领域的一个新的活跃研究方向，在图像处理、视觉分析、电影业等领域中具有极其广泛的应用。一些优秀的图像修复算法已经被集成
北京揽宇方圆信息技术有限公司 遥感卫星图像处理方法 随着遥感技术的快速发展，获得了大量的遥感影像数据，如何从这些影像中提取人们感兴趣的对象已成为人们越来越关注的问题。但是传统的方法不能满足人们已有获取手段的需要，另外GIS的快速发展为人们提供了强大的地理数据管理平台，GIS数据库包括了大量空间数据和属性数据，以及未被人们发现的存在于这些数据中的知识。将GIS技术引入遥感图像的分类过程，用来辅助进行遥感图像分类，可进一步提高了图像处理的精度和效率。如何从GIS数据库中挖掘这些数据并加以充分利用是人们最关心的问题。GIS支持下的遥感图像分析特别强调RS和GIS的集成，引进空间数据挖掘和知识发现（SDM&KDD）技术，支持遥感影像的分类，达到较好的结果，专家系统表明了该方法是高效的手段。 遥感图像的边缘特征提取观察一幅图像首先感受到的是图像的总体边缘特征，它是构成图像形状的基本要素，是图像性质的重要表现形式之一，是图像特征的重要组成部分。提取和检测边缘特征是图像特征提取的重要一环，也是解决图像处理中许多复杂问题的一条重要的途径。遥感图像的边缘特征提取是对遥感图像上的明显地物边缘特征进行提取与识别的处理过程。目前解决图像特征检测/定位问题的技术还不是很完善，从图像结构的观点来看，主要是要解决三个问题:①要找出重要的图像灰度特征；②要抑制不必要的细节和噪声；③要保证定位精度图。遥感图像的边缘特征提取的算子很多，最常用的算子如Sobel算子、Log算子、Canny算子等。 1）图像精校正 由于卫星成像时受采样角度、成像高度及卫星姿态等客观因素的影响，造成原始图像非线性变形，必须经过几何精校正，才能满足工作精度要求一般采用几何模型配合常规控制点法对进行几何校正。 在校正时利用地面控制点(GCP)，通过坐标转换函数，把各控制点从地理空间投影到图像空间上去。几何校正的精度直接取决于地面控制点选取的精度、分布和数量。因此，地面控制点的选择必须满足一定的条件，即：地面控制点应当均匀地分布在图像内；地面控制点应当在图像上有明显的、精确的定位识别标志，如公路、铁路交叉点、河流叉口、农田界线等，以保证空间配准的精度；地面控制点要有一定的数量保证。地面控制点选好后，再选择不同的校正算子和插值法进行计算，同时，还对地面控制点(GCPS)进行误差分析，使得其精度满足要求为止。最后将校正好的图像与地形图进行对比，考察校正效果。 2）波段组合及融合 对卫星数据的全色及多光谱波段进行融合。包括选取最佳波段，从多种分辨率融合方法中选取最佳方法进行全色波段和多光谱波段融合，使得图像既有高的空间分辨率和纹理特性，又有丰富的光谱信息，从而达到影像地图信息丰富、视觉效果好、质量高的目的。 3）图像镶嵌
图像处理技术的应用先展示一下自己用Photoshop处理的图片（做的不好望见谅）
摘要：图像处理技术的研究和应用越来越收到社会发展的影响，并以自身的技术特点反过来影响整个社会技术的进步。本文主要简单概括了数字图像处理技术近期的发展及应用现状，列举了数字图像处理技术的主要优点和制约其发展的因素，同时设想了图像处理技术在未来的应用和发展。 关键字：图像处理发展技术应用 1.概述 1.1图像的概念 图像包含了它所表达的物体的描述信息。我们生活在一个信息时代，科学研究和统计表明，人类从外界获得的信息约有百分之七十来自视觉系统，也就是从图像中获得，即我们平常所熟知的照片，绘画，动画。视像等。 1.2图像处理技术 图像处理技术着重强调在图像之间进行的变换，主要目标是要对图像进行各种加工以改善图像的视觉效果并为其后的目标自动识别打基础，或对图像进行压缩编码以减少图像存储所需要的空间或图像传输所需的时间。图像处理是比较低层的操作，它主要在图像像素级上进行处理，处理的数据量非常大。 1.3优点分析 1．再现性好。数字图像处理与模拟图像处理的根本不同在于，它不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化。 2．处理精度高。按目前的技术，几乎可将一幅模拟图像数字化为任意大小的二维数组，这主要取决于图像数字化设备的能力。现代扫描仪可以把每个像素的灰度等级量化为16位甚至更高，这意味着图像的数字化精度可以达到满足任一应用需求。 3．适用面宽。图像可以来自多种信息源，它们可以是可见光图像，也可以是不可见的波谱图像（例如X射线图像、射线图像、超声波图像或红外图像等）。从图像反映的客观实体尺度看，可以小到电子显微镜图像，大到航空照片、遥感图像甚至天文望远镜图像。即只要针对不同的图像信息源，采取相应的图像信息采集措施，图像的数字处理方法适用于任何一种图像。 4．灵活性高。图像处理大体上可分为图像的像质改善、图像分析和图像重建三大部分，每一部分均包含丰富的内容。而数字图像处理不仅能完成线性运算，而且能实现非线性处理，即凡是可以用数学公式或逻辑关系来表达的一切运算均可用数字图像处理实现。 2.应用领域 2.1图像技术应用领域
遥感影像条带修复2015/10/9
目录 一．技术流程图 (2) 二．目的及内容 (2) 2.1 目的 (2) 2.2 内容 (2) 三．数据下载 (3) 四．添加补丁 (3) 五．去条带 (4) 5.1． landsat_gapfill插件去条带 (4) 5.2． tm_destripe插件去条带 (6) 六．分析 (9) 七．总结 (10)
一．技术流程图 图1 技术流程图二．目的及内容 2.1 目的 学会下载LANDSAT_7 ETM+影像和修复条带2.2 内容 （1）LANDSAT_7 ETM+影像下载 （2）tm_destripe插件修复条带 （3）landsat_gapfill插件修复条带
三．数据下载 到地理空间数据云下载行列号为118 038的上海部分影像，时间为2013年5月1日，经度为121.92，纬度为31.73，云量为0，如图2所示。 图2landsat数据信息 由于Landsat-7 ETM+机载扫描行校正器（SLC）故障导致2003年5月31日之后获取的图像出现了数据条带丢失，严重影响了Landsat ETM遥感影像的使用。因此需要对LANDSAT-7 ETM+影像进行去条带处理，以方便对影像信息的提取及研究分析。 四．添加补丁 ENVI去条带补丁有tm_destripe和landsat_gapfill,常用的补丁为tm_destripe。将补丁插件添加到根目录对应文件夹下， ENVI4.8为：C:\Program Files (x86)\ITT\IDL\IDL80\products\envi48\save_add，ENVI5.1为：C:\Program Files\Exelis\ENVI51\classic\save_add 重启ENVI软件，即可使用去条带插件。
Inpainting algorithm for Jacquared Image Based on Phase-Field Model Zhilin Feng1, Jianwei Yin2, Jianan Zhou3 1. College of Zhijiang, Zhejiang University of Technology, Hangzhou, 310024, China 2. State Key Laboratory of CAD & CG, Zhejiang University, Hangzhou, 310027, China 3. Department of Information and Technology, Zhejiang Vocational College of Commerce, Hangzhou, 310053, China zjhzjacky@https://www.doczj.com/doc/0016932309.html,, zjuyjw@https://www.doczj.com/doc/0016932309.html,, pearl@https://www.doczj.com/doc/0016932309.html, Abstract Jacquard image inpainting is an interesting new research topic in pattern preprocessing for jacquard CAD. Phase field model has been well acknowledged as an important method for image inpainting. This paper discussed the problem of jacquard image inpainting by approaching the phase field paradigm from a numerical approximation perspective. The basic idea is to represent the damaged pattern of interest in implicit form, and fill-in the damaged parts with a system of geometric partial differential equations derived from phase-field model. The novelty of our approach lies primarily in exploiting explicitly the constraint enforced by the numerical solving of the sequential evolving of phase-field model. Extensive experiments are carried out in order to validate and compare the algorithm both quantitatively and qualitatively. They show the advantages of our algorithm and its readily application to jacquard texture. 1. Introduction CAD technique has been broadly used in jacquard texture industry. One of the most important aspects of the jacquard CAD system is to simulate the appearance of jacquard texture during output[1]. Automatic inpainting and restoration are closely related to jacquard CAD system[2]. Jacquard image inpainting is to restore a damaged image with missing information, so it is needed to determine which parts of the image the computer needs to retouch and in many cases the missing delineation of objects yields valuable information[3]. Jacquard image inpainting has become an indispensable process to quantitative analysis of images for jacquard CAD system. The process of inpainting is challenging due to poor image contrast and artifacts that result in missing or diffuse pattern boundaries. Thus, this task involves incorporating as much prior information as possible into a single framework. Traditionally, jacquard image inpainting techniques require some form of expert human supervision to provide accurate and consistent identification of pattern structures of interest[4]. A key difficulty associated with digital inpainting is to set up a measure of visual sensitivity towards defects which can be used in computer code. Most inpainting mechanisms use a singular resolution approach on the extrapolation or interpolation of pixels. Oliveira et al. introduced a simple and faster mechanism to filling the damaged area[4]. This algorithm can inpainting an image in just a few seconds, it can be used for interactive construction of tight masks. Bertalmio et.al decomposes the original image into two components, one of which is processed by inpainting and the other by texture synthesis[5]. The output image is the sum of the two processed components. This approach still remains limited to the removal of small image gaps, however, as the diffusion process continues to blur the filled region. Chan and Shen develop inpainting schems from the viewpoint of variational principles and image prior mode [6]. The method explains successfully some aspects of the human disocclusion process in vision psychology. Esedoglu et al. [7] have presented a technique for filling image regions based on a texture-segmentation step and a tensor-voting algorithm for the smooth linking of structures across holes. In the last decades, many algorithms that deal with image processing using phase-field models have been presented in the literatures [8-11]. The range of applications of phase field models in image processing includes noise removal, image segmentation and shape optimization problems. What is common to all these models is that they are all solved by minimization of an ___________________________________ 978-1-4244-2197-8/08/$25.00 ?2008 IEEE
基于MATLAB的运动模糊图像恢复技术 王洪珏 （温州医学院，浙江，温州） 摘要：MATLAB是当今流行的科学计算软件，它具有很强的数据处理能力。在其图像处理工具箱中有四个图像复原函数，本文就这些函数的算法原理、运用和恢复处理效果结合实力效果作简要对比讨论。 0前言 图像复原时图像处理中一个重要的研究课题。图像在形成、传输和记录的过程中，由于传感器的噪声、摄像机未对好焦、摄像机与物体相对运动、系统误差、畸变、噪声等因素的影响，使图像往往不是真实景物的完善影像。这种图像在形成、传输和记录过程中，由于成像系统、传输介质和设备的不完善，使图像质量下降的过程称为图像的退化。图像复原就是通过计算机处理，对质量下降的图像加以重建或恢复的过程。 图像复原过程一般为：找退化原因→建立退化模型→反向推演→图像复原 1算法产生概述 开发算法时，首先要创建图像退化的线性数学模型，接着选择准则函数，并以适当的数学形式表达，然后进行数学推演。推演过程中通常要进行表达形式（即空域形式、频域形式、矩阵-矢量形式或变换域形式）的相互转换，最后得到图像复原算式。 退化数学模型的空域、频域、矢量-矩阵表达形式分别是： g(x,y)=d(x,y)*f(x,y)+n(x,y) G(u,v)=D(u,v)〃F(u,v)+N(u,v) g=HF+n 其中：g(x,y)、d(x,y)、f(x,y)、n(x,y)分别为观测的退化图像、模糊函数、原图像、加性噪声，*为卷积运算符，（x=0,1,2，…，M-1），（y=0,1,2，…，N-1）。 2运动模糊的产生 景物与相机之间的相对运动通常会使相机所成的像存在运动模糊。对于线性移不变模糊，退化图像u0可以写成，u0=h*u+n，其中h为模糊核，*表示卷积，n为加性噪声。 由du/dt=0,文献[5]将这种运动模糊过程描述为波动方程：
遥感图像处理方法 随着遥感技术的快速发展，人们已经从遥感集市中获得了大量的遥感影像数据，如何从这些影像中提取人们感兴趣的对象已成为人们越来越关注的问题。但是传统的方法不能满足人们已有获取手段的需要，另外GIS的快速发展为人们提供了强大的地理数据管理平台，GIS数据库包括了大量空间数据和属性数据，以及未被人们发现的存在于这些数据中的知识。将GIS技术引入遥感图像的分类过程，用来辅助进行遥感图像分类，可进一步提高了图像处理的精度和效率。如何从GIS数据库中挖掘这些数据并加以充分利用是人们最关心的问题。GIS支持下的遥感图像分析特别强调RS和GIS的集成，引进空间数据挖掘和知识发现（SDM&KDD）技术，支持遥感影像的分类，达到较好的结果，专家系统表明了该方法是高效的手段。 遥感图像的边缘特征提取观察一幅图像首先感受到的是图像的总体边缘特征，它是构成图像形状的基本要素，是图像性质的重要表现形式之一，是图像特征的重要组成部分。提取和检测边缘特征是图像特征提取的重要一环，也是解决图像处理中许多复杂问题的一条重要的途径。遥感图像的边缘特征提取是对遥感图像上的明显地物边缘特征进行提取与识别的处理过程。目前解决图像特征检测/定位问题的技术还不是很完善，从图像结构的观点来看，主要是要解决三个问题:①要找出重要的图像灰度特征；②要抑制不必要的细节和噪声；③要保证定位精度图。遥感图像的边缘特征提取的算子很多，最常用的算子如Sobel算子、Log算子、Canny算子等。 1）图像精校正 由于卫星成像时受采样角度、成像高度及卫星姿态等客观因素的影响，造成原始图像非线性变形，必须经过几何精校正，才能满足工作精度要求一般采用几何模型配合常规控制点法对进行几何校正。 在校正时利用地面控制点(GCP)，通过坐标转换函数，把各控制点从地理空间投影到图像空间上去。几何校正的精度直接取决于地面控制点选取的精度、分布和数量。因此，地面控制点的选择必须满足一定的条件，即：地面控制点应当均匀地分布在图像内；地面控制点应当在图像上有明显的、精确的定位识别标志，如公路、铁路交叉点、河流叉口、农田界线等，以保证空间配准的精度；地面控制点要有一定的数量保证。地面控制点选好后，再选择不同的校正算子和插值法进行计算，同时，还对地面控制点(GCPS)进行误差分析，使得其精度满足要求为止。最后将校正好的图像与地形图进行对比，考察校正效果。 2）波段组合及融合 对卫星数据的全色及多光谱波段进行融合。包括选取最佳波段，从多种分辨率融合方法中选取最佳方法进行全色波段和多光谱波段融合，使得图像既有高的空间分辨率和纹理特性，又有丰富的光谱信息，从而达到影像地图信息丰富、视觉效果好、质量高的目的。 3）图像镶嵌 如果工作区跨多景图像，还必须在计算机上进行图像镶嵌，才能获取整体图像。镶嵌时，除了对各景图像各自进行几何校正外，还需要在接边上进行局部的高精度几何配准处理，并且使用直方图匹配的方法对重叠区内的色调进行调整。
西安建筑科技大学硕士学位论文 数字图像修复技术的研究与应用 专 业：信号与信息处理 硕 士 生：李苏莉 指导教师：王慧琴 教授 摘要 数字图像修复可以对局部区域内有数据丢失或损坏的数字图像按照某种特定规则进行修复，使其恢复图像的完整性。该技术在修复文物字画、修复由网络传输等原因引起的残缺图像、去除图像及视频中的文字和划痕、以及移除图像中的目标物等方面得到广泛应用。 本文概述了数字图像修复技术的基本原理和研究现状，分析了多种典型的数字图像修复算法的优缺点及其适用范围。在此基础上，提出了两种数字图像修复算法： (1) 基于p-Laplace算子的CDD图像修复算法。该算法利用图像的局部正交坐标系，分析其扩散能力。利用了p-Laplace算子的可变参数p值介于1与2之间时既能克服由CDD模型引入的阶梯效应，又能杜绝由调和模型引入的边缘模糊的优点来填充受损区域，采用半点差分格式，设计图像修补的数值算法。该算法主要修复有划痕的旧照片和被文字覆盖的图像。仿真实验表明，该算法能快速收敛，图像边缘过渡更加自然，修复效果得到改善。 (2) 自适应模板的图像修复算法。该算法在进行搜索匹配时采用自适应模板，即匹配模板的大小可根据图像的局部块均匀度而自适应地变化；在更新置信度时，为了避免“累计误差”导致错误匹配的持续发生，取“累计误差”的双曲正切函数作为更新后的置信度，从而可以截断错误匹配。仿真实验结果证明，该方法比基于样本的图像修复方法能更好地修复图像边缘和复杂纹理，减少了因“累计误差”而产生的“垃圾物”。 关 键 词：数字图像修复；曲率驱动扩散；p-Laplace算子；块均匀度；置信度； 优先值
北京揽宇方圆信息技术有限公司 常用的遥感卫星影像数据处理方法 1、常用遥感图像处理软件 ?ENVI:美国Exelis Visual Information Solutions公司的旗舰产品 ?PCI GEOMATICA：加拿大PCI公司旗下的四个主要产品系列之一 ?EDRAS imagine 2、白色的光可以分解为系列单色的可见光；三种原色：红、绿、蓝；三种补色：黄、 品、青 黄=红+绿品=红+蓝青=绿+蓝任何一种颜色都可以用3原色或者3补色来组 合 3、 常用的波段组合 特点 红绿蓝 321真彩色：可见光组成，符合人眼对自然物体的观察习惯。对于水体和人工 地物表现突出。 432假彩色：城市地区，植被种类。 543假彩色：增强对植被的识别 743假彩色：增强对植被的识别，以及矿物、岩石类别的区分。 4、共15个主功能模块，其中一般的遥感数字图像处理经常用到的是Viewer、Import、DataPrep、Interpreter、Classifier、Modeler等。 5、功能模块介绍： ①该模块主要实现图形图像的显示，是人机对话的关键。
②数据输入输出模块，主要实现外部数据的导入、外部数据与ERDAS支持数据的转换及ERDAS内部数据的导出。③数据预处理模块，主要实现图像拼接、校正、投影变换、分幅裁剪、重采样等功能。 ④专题制图模块，主要实现专题地图的制作。 ⑤启动图像解译模块，主要实现图像增强、傅里叶变换、地形分析及地理信息系统分析等功能。 ⑥图像库管理模块，实现入库图像的统一管理，可方便地进行图像的存档与恢复。 ⑦图像分类模块，实现监督分类、非监督分类及专家分类等功能。 ⑧空间建模模块，主要是通过一组可以自行编制的指令集来实现地理信息和图像处理的操作功能。 ⑨矢量功能模块，主要包括内置矢量模块及扩展矢量模块，该模块是基于ESRI的数据模型开发的，所以它直接支持coverage、shapfile、vector layer等格式数据。 ⑩雷达图像处理模块，主要针对雷达影像进行图像处理、图像校正等操作。 ⑾虚拟GIS模块，给用户提供一个在三维虚拟环境中操作空间影像数据的模块。 ⑿立体分析模块，提供针对三维要素进行采集、编辑及显示的模块。 ⒀自动化影像校正模块，该模块提供工作站及向导驱动的工作流程机制，可实现影像的自动校正。 ⒁启动智能变化检测模块。⒂启动面向对象信息提取模块。 6、图像显示操作：①启动Viewer视窗；②在菜单条单击File|Open|Raster Layer,打开Select Layer To Add对话框；③在File选项卡中选择要打开的图像文件；④在Raster Options选项卡中设置显示参数；⑤确定后，打开图像。 7、几何校正：纠正系统和非系统因素引起的几何畸变。 8、图像配准：同一区域里一幅图像（基准图像）对另一幅图像校准，以使两幅图像中的同名像素配准。 9、图像纠正（Rectification）：借助一组控制点，对一幅图像进行地理坐标的校正。又叫地理参照。 10、图像地理编码（Geo-coding）：特殊的图像纠正方式，把图像矫正到一种统一标准的坐标系。 11、图像正射校正：借助于地形高程模型，对图像中每个像元进行地形的校正，使图像符合正射投影的要求。 12、图像几何校正图像几何校正途径 ①数据预处理途径（Start from Data Preparation） Main→Data Preparation→Image Geometric Correction→打开Set Geo-Correction Input File 对话框 点击Data Prep图标→Image Geometric Correction→打开Set Geo-Correction Input File对话框
《地理调查研究方法》 实验报告 2015—2016学年第一学期 实验项目：地理调查研究方法 班级：2013级地理科学1班指导老师：王荣 实验人员：王晓玲 学号：20132100160 资源与环境工程学院
实验一：遥感影像数据融合 实验名称： 遥感影像数据融合 实验目的： 1、掌握不同分辨率图像的特性，详细理解各种融合方法的原理，以及种融合方法的优缺点，能够根据不同的应用目的合理选择融合方法，掌握融合的操作过程 2、学会把高分辨率影像按照一定的算法或规则进行运算处理，以获取对同一目标更为全面、更为可靠、更为准确的图像，生成一幅具有新的波谱和空间特征的合成图像。 3、通过实验掌握遥感图像融合的方法，比较区分各自优缺点。 实验工具：ENVI 4.8 实验原理： 分辨率融合是对不同空间分辨率遥感图像的融合处理，使处理后的遥感图像既具有较好的空间分辨率，又具有多光谱特征，从而达到图像增强的目的。 实验步骤： 1、打开ENVI Zoom 4.8在工具箱中使用Pan Sharpening Parameters面板。
2、分别加入qb_boulder_msi作为低分辨率影像（Low Spatial）和qb_boulder_pan作为高分辨率影像（High Spatial），单击OK进行融合。 3、在Pan Sharpening Parameters面板中，选择 ①传感器类型（Sensor）：Unknown， ②重采样方法（Resampling）：BiLinear， ③输出格式为：ENVI。 4、选择输出路径及文件名，单击OK执行融合处理。 5、用同样的方法输出TIFF格式即可。输出结果如下图所示：
数字图像修复技术在文物保护中的应用 【摘要】当今信息化的时代，计算机技术的快速发展，极大的促进了社会的进步。文物保护在文艺复兴时期就已经开始，对文物进行修复对当时的修复工作者提出了巨大的技术要求，稍有疏忽便会造成巨大的损失。随着科学技术的进步，数字成像技术逐渐应用到文物保护当中来，许多有价值的文物因此得到保护。本文将重点论述数字图像修复技术在文物保护中的应用，针对数字图像修复文物虚拟图片的概念及意义进行讲述，同时为大家呈现运用数字图像修复技术保护文物的历史和方式方法，最后还将展现这一前沿科技在实际实践当中的运用，展示数字图像修复技术在文物保护当中的巨大作用。 【关键词】数字图像;文物保护;虚拟修复;计算机技术 当今信息化的时代，计算机技术的快速发展，极大的促进了社会的进步。目前，数字图像随处可见，随着数码相机、数字摄像机等设备的发展，越来越多的实体被转化为数字图像，这些图像经过计算机的加工、创造与设计，最后在多种媒体上展示给人们。 同时，文物实体修复的研究和应用已经非常普遍，文物是人类在历史发展过程中遗留下来的产物，它从不同程度上反映了人类社会生活的状态，是人类研究自身文化进步的宝贵遗产。 但是，经过历史的侵蚀，遗留下来的文物并不是所有的都会完整的保留下来，很大一部分信息都会在历史的冲刷中丢失。文物修复贯穿整个文物的研究和交流，经过文物修复可以满足文物研究和保护的需求，也更能满足文物观赏上的视觉要求。文物修复和图像修复存在共性，早期文艺复兴时期艺术品的修复就是运用图像修复对文物进行还原。 当今世界，结合数字图像修复技术，可以将文物领域的修复通过计算机在电脑上实现虚拟修复。这一项应用在国内都处于起步阶段，本文也将首先这一技术概念与意义，方式方法以及技术运用进行一些论述。 一、数字图像文物虚拟修复的概念和意义 “基于数字图像修复技术的文物虚拟修复技术就是针对文物数字图像损失和损坏的部分，利用现存的图像信息，按照一定规则对其进行修补，其目的是恢复已有信息损的图像，使修补后的数字图像接近或者达到原图视觉效果”。[1]我们没有足够的信息能够保证被损毁的部分能够被完整的正确的修复，只能从人类心理这一角度进行完善，提出各种可能的方案来处理这个问题。 在文物领域，由于很多不可抗拒的因素，出土时期的文物不可避免会存在一些物理或者化学上的反应，致使文物无法完整的呈现在我们的面前，文物的缺失和不完整，极大的影响了文物的交流和欣赏。长期以来，文物的修复都是通过文
技术方案 技术流程
1.数据准备 河南省西北部地区多光谱数据，分辨率为30m，行列号为124（Path）、36（Row），河南省西北部地区全色数据，分辨率为15m，行列号为124（Path）、36（Row），焦作市矢量数据 2.遥感影像处理及校正 （1）影像处理 1.去条带 一些遥感图像处理软件可以实现条带修复，如ENVI已有相应插件，利用掩膜通过插值方法修补缺失的条带。利用去条带补丁，获取去条带后的影像。将去条带补丁添加到ENVI工具栏中，打开Select input file and processing type窗口，选择Single file gap file完成去条带操作。 2.影像裁剪 根据所获取的矢量文件，对获取的遥感影像进行裁剪。其中矢量数据为.shp或者.evf 为后缀的文件。利用Envi加载矢量文件，裁剪栅格数据。打开Toolbox找到Region of Interest下面的Subset Data via ROIs，在打开的Select Input File to Subset via ROI中选择需要裁减的栅格数据。在Spatial Subset via ROI Parameters对话框中，在Select Input ROIs 中选择建立的ROI数据，选择合适的路径保存，获取裁剪后影像数据。 3.影像增强 影像增强又称图像增强，通过调整、变换影像密度或色调，用以改善影像目视质量或突出某种特征的处理过程。目的在于提高影像判读性能和效果。当一副图像的目视效果不太好，或者有用的信息突出不够时，就需要作图像增强处理。例如，图像对比度不够，或者希望突出的某些边缘看不清，就可以用计算机图像处理技术改善图像质量。这样可以提高图像质量和突出所需信息， 4.影像镶嵌 影像镶嵌是指将两幅或多幅影像拼在一起，构成一幅整体影像的技术过程。影像镶嵌涉及几何位置的镶嵌和灰度(或色彩)的镶嵌两个过程。其中，几何位置镶嵌是指镶嵌影像间对应物体几何位置的严格对应，无明显的错位现象；灰度镶嵌是指位于不同影像上的同一物体镶嵌后不因两影像的灰度差异导致灰度产生突变现象。 5.图像融合 图像融合（Image Fusion）是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像，以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率，利于监测。 （2）几何校正