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：
根据设定的超参数最大拐点个数随机生成一个数值代表生成掩膜的过程中需要偏转的次数；
根据背景图像的分辨率随机初始化起始点的坐标X,Y；
循环执行步骤(1)-步骤(5)，循环次数为拐点个数；
步骤(1)：根据两个像素点之间的最小距离，两个像素点之间最大距离，在最小距离与最大距离之间随机选择两个像素点之间距离；
步骤(2)：根据最大拐角,在0和最大拐角之间随机选择转向角度；
步骤(3)：基于选择的两个像素点之间距离和选择的转向角度，计算下一个像素点的坐标并将此点作为下一个循环中选择下一个点的起始点坐标；
步骤(4)：根据线的最大宽度和最小宽度，在最大宽度和最小宽度之间随机选择该条线段的宽度；
步骤(5)：根据当前循环的起始点坐标、下一个循环的起始点坐标和选择的线段的宽度，在背景图像上绘制线段完成随机掩膜的创建。
5.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，生成模型包括：图像拼接模块、图像粗修复模块和图像精修复模块；
将原图图像数据、带有目标边缘信息的图像数据和只有掩膜的图像数据输入图像拼接模块；
图像拼接模块将原图图像和只有掩膜的图像进行布尔运算，得到带有掩膜的图像；
图像拼接模块将带有掩膜的图像和带有目标边缘信息的图像进行拼接操作，得到拼接后的图像数据；
图像粗修复模块对拼接后的图像数据进行一次修复处理，获得一次修复后的图像数据；
图像精修复模块对一次修复后的图像数据进行二次修复处理，获得二次修复后的图像数据；
将二次修复后的图像数据、只有掩膜的图像数据和带有目标边缘信息的图像数据共同输入判别模型，判别模型判断二次修复后的图像是否符合预设要求。
6.根据权利要求5所述的图像修复模型训练方法，其特征在于：
[H1,W1,N1]代表原图图像的数组形状，[H1,W1,N2]代表目标边缘信息的图像数组形状，[H1,W1,N3]代表只有掩膜的图像数组形状，拼接后的数组形状为[H1,W1,N1+N2+N3]；
通过图像粗修复模块一次修复处理后的图像形状为[H1,W1,3]；
图像精修复模块有两条分支，一次修复处理后的图像并行进入两条分支，经过两个分支处理后得到两个数组形状均为[H1/4,W1/4,N4]，拼接得到的两个数组，输出的二次修复后的图像数组形状为[H1,W1,3]。
7.根据权利要求5所述的图像修复模型训练方法，其特征在于，粗修复模块包括多个门卷积、门膨胀卷积和门反卷积；图像精修复模块中一条分支包括多个门卷积和门膨胀卷积，另一条分支包括多个门卷积和内容感知层；判别模型包括多个卷积。
8.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，图像修复深度神经网络模型的训练方式为：
步骤(a)：固定判别模型不进行训练，使用随机梯度下降方法训练生成模型，当任意两相邻循环结束时的生成模型的损失值小于阈值s1时，停止训练生成模型；
步骤(b)：固定生成模型不进行训练，使用随机梯度下降方法训练判别模型，当任意两相邻循环结束时的判别模型的损失值小于阈值s2时，停止训练判别模型；
重复执行步骤(a)-步骤(b)，直至图像修复深度神经网络模型总损失小于阈值s3。
9.图像修复模型训练系统，其特征在于，所述系统包括：
随机掩膜单元，用于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；
模型构建单元，用于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；
模型训练单元，用于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。
10.图像修复方法，其特征在于，所述方法包括：
收集待修复图像；
标注待修复图像：标注待修复图像中有模糊或有残缺的区域，并将这类标注记为第一类标注，标注第一类标注区域中的物体或目标的边缘，并将这类标注记为第二类标注；
生成掩膜图像与边缘信息图像：根据第一类标注结果，在与待修复图像分辨率相同的第一底色图像上绘画出标注区域，并用不同于底色的第二颜色进行填充；
在边缘信息图像生成阶段，根据第二类标注结果，在与待修复图像分辨率相同的第一底色图像上绘画出标注的物体或目标边缘，以不同于底色的第二颜色线段表示；
模型推理：在模型推理阶段，将待修复图像、只有掩膜图像和带有边缘信息的图像输入采用权利要求1-8中任意一个方法训练后的图像修复深度神经网络模型中，模型输出修复后的图像。
技术说明书
图像修复模型训练方法及系统及图像修复方法
技术领域
本技术涉及图像修复处理领域，具体地，涉及一种基于先验知识的图像修复深度神经网络模型训练方法及系统及图像修复方法。
背景技术
数字图像修复技术是一项利用图像中的已知信息来填补图像中缺损区域的技术，属于计算机视觉领域的图像复原问题。在物理工程领域，专家需要解析实验产生的图像，但由于光学器件的噪声和其他噪声的影响，造成图像中本应连续、均匀的目标造成断裂、减弱。如何尽可能地还原图像中丢失的信息是目前亟待解决的问题。
传统的图像修复方法主要分为两类，基于像素的图像修复和基于块状的图像修复。基于像素的图像修复技术的基本思想是从需要进行补绘区域的边界开始，由边界到中心逐渐填充待补绘区域中的所有像素，待填充像素由其邻域中所有已知像素的加权和得到；该类修复方法的代表性算法为基于快速行进方法(Fast Marching Method)的补绘算法；当修复区域较小时，修复效果较好，但当修复区域较大时，会出现模糊效应。基于块状的图像修复技术的基本思路是通过搜索图像中与待填充补绘区域中一个小块相似的块状进行补全，其本质是用图像已知部分的信息来补全未知部分；该类方法的代表性算法为基于范例的(exampler based)补绘算法。当图像颜色单调时，修复效果较好，当图像中颜色差异较大时，修复效果很差。
随着科技与深度学习的发展，基于深度学习的图像修复技术愈来愈成为当前主流的技术之一。基于深度学习的图像修复技术能够更好适应修复区域大小不统一的问题，也能更好的解决图像颜色差异带来的修复效果较差的问题。但是目前基于深度学习的图像修复方法修复效果无法控制，容易出现违背先验知识的修复效果。例如：附图1为原图，如果残缺区域存在于图1中间，那么效果图如附图2所示。目前的方法是无法基于先验知识的，人们即便知道原图图像在中间是存在凸出，但是修复的方法是基于残缺区域图像周围信息进行修复的，这时候是无法将这种先验知识考虑在内的，修复出来的图像如附图3所示，与先验知识不符。
技术内容
为了解决传统方法和基于深度学习方法在图像修复技术中的各种缺陷，本技术提供了一种新型的、基于深度学习的、能够引入先验知识的图像修复方法，本方法能更有效的修复图像，满足人们对高质量图像的需求。本技术针对复杂情况下的图像，旨在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。
为实现上述目的，本技术提供了一种图像修复模型训练方法，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。
其中，本技术的原理为：传统的方法大多数采用在图像上找相似区域进行填补的方法。很容易出现同一物体在残缺区域与背景区域不自然的情况。在图像颜色差异不大或残缺区域较小的情况下效果较好，但当颜色差异过大时，将图像中其他地方的像素引入残缺区域会导致残缺区域修复后与背景不匹配，造成修复效果不好。基于神经网络的方法，通过大量的学习，提取图像上物体的本质特征，基于特征进行修复，修复后的区域更加真实地表现物体的特征，效果更加自然且贴合实际。但目前基于深度学习的图像修复方法修复效果无法控制，容易出现违背先验知识的情况。
优选的，随机掩膜的生成方式具体包括：
随机掩膜是指用随机选定的图像中的区域遮挡选定的区域，进而控制图像处理的区域或处理过程。因后续模型采用监督训练的方式，所以需要对已有数据集中的图像进行“残缺”化处理。目的是生成一批具有不同形状、不同大小带有掩膜的图像用于训练神经网络模型。
随机掩膜超参设定：
在随机掩膜生成前需要指定掩膜个数(NUM_MASK)，掩膜的最大拐点个数(NUM_VER)，两个像素点之间的最小距离(MIN_LEN)，两个像素点之间最大距离(MAX_LEN)，两个像素点之间的线段的最小宽度(MIN_BRUSH)，两个像素点之间的线段的最大宽度
(MAX_BRUSH)和最大拐角(MAX_ANG)。
随机掩膜背景图像创建：
在生成随机掩膜图像前，将创建一张黑色背景，分辨率与原图像相同的图像。
随机掩膜创建：
在任意一个掩膜生成过程中，首先根据设定的超参数最大拐点个数(NUM_VER)随机生成一个数值代表生成掩膜的过程中需要偏转的次数。之后根据图像的分辨率随机初始化起始坐标X,Y。
(1)根据两个像素点之间的最小距离(MIN_LEN)，两个像素点之间最大距离(MAX_LEN)，在最小距离与最大距离之间随机选择两个像素点之间距离。
(2)根据最大拐角(MAX_ANG)在0和最大拐角之间随机选择转向角度。
(3)结合(1)与(2)选择的信息，计算下一点的坐标并记录此点作为下一个循环中选择像素点时，所使用的起始点坐标。
(4)根据两个像素点之间线段的最大宽度(MAX_BRUSH)和最小宽度(MIN_BRUSH)，在最大宽度和最小宽度之间随机选择该条线段的宽度。
(5)根据(3)与(4)的结果，在图像上绘制出一条起始点、终止点确定、宽度已知的白色线段。
循环执行步骤(1)-(5)，循环次数为此次的拐点数。
构建图像修复的深度神经网络模型：
图像修复的深度神经网络模型是利用深度神经网络模型强大的多维度特征提取能力和生成能力对残缺的图像进行修复。而图像修复的深度神经网络模型分成两个子模型，分别为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，判别模型用于判断修复结果是否可靠从而“监督指导”生成模型。
图像拼接：
将原图图像、带有目标边缘信息的图像和只有掩膜的图像输入生成模型。原图图像首先和只有掩膜的图像进行布尔运算，得到带有掩膜的图像，即有部分区域残缺的图像。之后，带有掩膜的图像和带有目标边缘信息的图像进行拼接操作。如果用[H1,W1,N1]代表原图图像的数组形状，[H1,W1,N2]代表目标边缘信息的图像数组形状，[H1,W1,N3]代表只有掩膜的图像数组形状，则拼接后的数组形状为[H1,W1,N1+N2+N3]。
图像粗修复：
拼接之后的数组将经过生成模型中的两个子模块，粗修复模块和精修复模块。粗修复模块是由多个门卷积，门膨胀卷积和门反卷积组合而成。通过粗修复模块得到一张粗略修复后的图像，其形状为[H1,W1,3]。
图像精修复：
粗修复之后的图像将输入精修复模块。精修复模块有两条分支，粗修复后的图像将并行进入两条分支，其中一条分支由多个门卷积和门膨胀卷积构成，另一条分支由多个门卷积和内容感知层构成。经过两个分支，得到的两个数组形状均为[H1/4,W1/4,N4]。最后拼接得到的两个数组，输入到精修复模块的最后一部分网络结构中，最后一部分网络由多个门卷积和门反卷积构成，输出的数组形状为[H1,W1,3]。其代表被完全修复的图像。
精修复图像判断：
将经过完全修复的图像、只有掩膜的图像和带有目标边缘信息的图像共同输入到判别模型。判别模型将判断完全修复的图像是否可靠、符合视觉感知。而判别模型由多个普通卷积组合而成，其主要判断修复区域中的每一个像素是否可靠。
模型训练：
在模型训练过程中，使用随机梯度下降法分别训练生成模型与判别模型。(a)固定判别模型不进行训练，使用随机梯度下降方法训练生成模型，当任意两相邻循环结束时的生成模型的损失值小于阈值s1时，停止训练生成模型。(b)固定生成模型不进行训练，使用随机梯度下降方法训练判别模型，当任意两相邻循环结束时的判别模型的损失值小于阈值s2时，停止训练判别模型。重复上述步骤(a)(b)，直至模型总损失小于阈值s3。
模型推理：
在模型推理阶段，使用如下流程：
图像收集：图像修复阶段，用户需要根据自己的需求，挑选有物体或目标不清晰或者有残缺的图像。
图像标注：在图像标注阶段，在原图上对图像中有模糊或有残缺的区域进行第一类标注，标注区域需要尽量覆盖模糊或残缺区域。之后，对标注区域中物体的边缘进行第二类标注。
生成掩膜图像与边缘信息图像。在生成掩膜图像阶段，根据第一类标注，将在一张与原图分辨率相同的白底图像上绘画出标注区域，并用黑色填充。(此处白底与填充颜色并不固定，二者的颜色只是为了区分背景与标注区域，本技术对具体的颜色使用类型不进行限定)。
在边缘信息图像生成阶段，根据第二类标注，将在一张与原图分辨率相同的白底图像
上绘画出标注的物体或目标边缘，以黑色线段表示。(此处白底与线段颜色并不固定，二者的颜色只是为了区分背景与标注的边缘信息)。
模型推理：在模型推理阶段，将原图、只有掩膜图像和带有边缘信息的图像输入生成模型。图像将经过前馈神经网络，计算并修复图像，最后将得到一张修复完成的图像。
本技术还提供了一种图像修复模型训练系统，所述系统包括：
随机掩膜单元，用于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；
模型构建单元，用于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；
模型训练单元，用于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。
本技术提供的一个或多个技术方案，至少具有如下技术效果或优点：
本方法及系统能够修复图像中任意残缺、模糊的不同形状的目标，能够满足人的视觉效果。修复的目标能够根据用户提供的边缘信息的进行生成，能够满足目标图像一定程度的变化并且修复的效果更自然。
附图说明
此处所说明的附图用来提供对本技术实施例的进一步理解，构成本技术的一部分，并不构成对本技术实施例的限定；
附图1为背景技术中的原图；
附图2为背景技术中的具有残缺待修复的效果图；
附图3为背景技术中的采用现有的技术手段修复后的效果图；
附图4是图像修复方法总流程示意图；
附图5是模型推理阶段流程示意图；
附图6是图像修复模型训练系统的组成示意图。
具体实施方式
为了能够更清楚地理解本技术的上述目的、特征和优点，下面结合附图和具体实施方式对本技术进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本技术，但是，本技术还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本技术的保护范围并不受下面公开的具体实施例的限制。
本技术实施例提供了一种基于指导的图像修复深度神经网络训练方法，请参考附图4。
实施例一：模型训练
步骤1数据预处理。
步骤1.1指定掩膜个数(NUM_MASK)，掩膜的最大拐点个数(NUM_VER)，两个像素点之间的最小距离(MIN_LEN),两个像素点之间最大距离(MAX_LEN)，两个像素点之间线段的最小宽度(MIN_BRUSH)，两个像素点之间线段的最大宽度(MAX_BRUSH)和最大拐角(MAX_ANG)分别为3,5,50,200,10,40和20。
步骤1.1随机掩膜超参设定。
对于数据集中的每张图像，对应生成具有相同分辨率，黑色背景的图像。对于每一张图像，则从1至3中随机生成一个数代表生成的掩膜个数。对于每个掩膜生成的过程，首先将从1至5中随机生成一个数代表掩膜的出现的拐点个数。
步骤1.2在图像分辨率范围之内随机初始化一个像素点，其坐标点为X,Y。
步骤1.3根据两个像素点之间的最小距离50,两个像素点之间最大距离200，在50至200中随机生成一个数代表两个像素点之间的距离。
步骤1.4根据最大拐角20度，在0度至20度之间随机生成一个角度代表拐点的转向角度。
步骤1.5根据初始化坐标、转向角度和两个像素点之间的距离，确定另外一个像素点的坐标并将此像素点作为下一个循环中选择另一个像素点所使用的起始点坐标。步骤1.6根据线段的最大宽度10，在1至10之间随机生成一个数代表所需绘制的线段宽度。
步骤1.7根据计算的线段结果，在图像上绘制出一条起始点、终止点确定、宽度已知的白色线段。
步骤1.8循环步骤1.4至步骤1.7，循环次数为此次的拐点数，得到只有掩膜的图像。
步骤1.9将原图图像、带有目标边缘信息的图像和只有掩膜的图像的数组进行最大最小值归一化。对于图像数组而言，每一个数值x进行如下操作进行归一化得到x′。其中X_min为数组中的最小值，X_max为数组中的最大值。
x′＝(x-X_min)/(X_max-X_min)
步骤2构建图像修复的深度神经网络模型。图像修复的深度神经网络模型是利用深度神经网络模型强大的多维度特征提取能力和生成能力修复残缺的图像。而图像修复的深度神经网络模型分成两个子模型，分别为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，判别模型用于判断修复结果是否可靠从而“监督指导”生成模型。
步骤2.1图像拼接。
将归一化后的原图图像、带有目标边缘信息的图像和只有掩膜的图像数组输入生成模型。原图图像首先和只有掩膜的图像进行布尔运算，得到带有掩膜的图像，即有部分区域残缺的图像。之后，带有掩膜的图像和带有目标边缘信息的图像进行拼接操作。如果用[256,256,3]代表原图图像的数组形状，[256,256,1]代表目标边缘信息的图像数组形状，[256,256,1]代表只有掩膜的图像数组形状，则拼接后的数组形状为[256,256,5]。
步骤2.2图像粗修复。
拼接之后的数组将经过生成模型中的两个子模块，粗修复模块和精修复模块。粗修复模块是由多个门卷积，门膨胀卷积和门反卷积组合而成。通过粗修复模块得到一张粗略修复后的图像，其形状为[256,256,3]。
步骤2.3图像精修复。
粗修复之后的图像将输入到精修复模块。精修复模块有两天分支，粗修复后的图像将并行进入两条分支，其中一条分支由多个门卷积和门膨胀卷积构成，另一条分支由多个门卷积和内容感知层构成。经过两个分支，得到的两个数组形状均为[64,64,98]。最后将得到两个数组进行拼接，输入到精修复模块的最后一部分网络结构中，最后一部分网络由多个门卷积和门反卷积构成，输出的数组形状为[256,256,3]。其代表被完全修复的图像。
步骤2.4精修复图像判断。
经过完全修复的图像、只有掩膜的图像和带有目标边缘信息的图像将共同输入判别模型。判别模型将判断完全修复的图像是否可靠。而判别模型由多个普通卷积组合而成，其主要判断修复区域中的每一个像素是否可靠。
步骤2.5图像修复深度神经网络模型训练。
在模型训练过程中，使用随机梯度下降法分别训练生成模型与判别模型。(1)固定判别模型不进行训练，使用随机梯度下降方法训练生成模型，当任意两相邻循环结束时的生成模型的损失值小于阈值s1时，停止训练生成模型。(2)固定生成模型不进行训练，使用随机梯度下降方法训练判别模型，当任意两相邻循环结束时的判别模型的损失值小于阈值s2时，停止训练判别模型。重复上述步骤(1)、(2)，直至模型总损失小于阈值s3。
本技术实施例提供了一种基于指导的图像修复深度神经网络使用方法。
实施例二：模型推理
在模型推理阶段，使用流程如附图5所示。
步骤1图像收集。图像修复阶段，用户需要根据自己的需求，挑选有物体或目标不清晰或者有残缺的图像。
步骤2先验信息。在先验信息阶段，用户需要在原图上对图像中有模糊或有残缺的区域进行第一类标注，标注区域需要尽量覆盖模糊或残缺区域。之后，用户需要对标注区域中原物体的边缘进行第二类标注。如果物体边缘模糊或残缺，用户可以根据自己的理解进行边缘标注。
步骤3生成掩膜图像与边缘信息图像。在生成掩膜图像阶段，根据用户的第一类标注，将在一张与原图分辨率相同的白底图像上绘画出用户标注区域，并用黑色填充。(此处白底与填充颜色并不固定，二者的颜色只是为了区分背景与标注区域)。
步骤4在边缘信息图像生成阶段，根据用户的第二类标注，将在一张与原图分辨率相同的白底图像上绘画出用户标注的物体或目标边缘，以黑色线段表示。(此处白底与线段颜色并不固定，二者的颜色只是为了区分背景与标注的边缘信息)。
步骤5模型推理。在模型推理阶段。将原图、只有掩膜的图像和带有边缘信息的图像输入到生成模型中。图像将经过前馈神经网络，计算并修复，最后将得到一张修复完成的图像。
请参考附图6，与本技术实施例中的方法对应，本实施例还提供了一种图像修复模型训练系统，所述系统包括：
随机掩膜单元，用于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；
模型构建单元，用于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；
模型训练单元，用于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。
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。
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
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：
Value Engineering 0引言 土壤是人类赖以生存的主要自然资源之一， 也是人类生态环境的重要组成部分。土壤是由矿物质、动植物残体腐解产生的有机物质、土壤生物、水分和空气等固、液、气三相组成的。土壤介质是非均质的集合体，结构复杂，大量有机、无机胶体和氧化物相互交错、混杂，介质表面上的存在电场和剩余力场，具有巨大的表面能，能与土壤液、气相中的离子、质子、分子相互作用。与此同时，土壤中的生物体系非常丰富，包括微生物区系、微动物区系和动物区系，其中尤以微生物最为活跃。土壤生物使土壤具有生物活性，是土壤形成、养分转化、物质迁移、污染物迁移转化的重要参与者。此外，土壤中的有机和无机的氧化性和还原性物质构成了一个复杂的氧化还原混合体系，土壤在这些物质的共同作用下表现出一定的氧化－还原特性。土壤的这些性质，使土壤具备了一定的自净能力。 虽然土壤自身的净化作用可以减少土壤中污染物的污染程度，但是如果进入土壤中的污染物含量在数量和速度上超过土壤的自净能力，即超过土壤的环境容量，终将会导致土壤的污染。土壤污染在中国已成为一个日益严重的问题。这些污染场地的存在带来了双重问题：一方面是环境和健康风险；另一方面是阻碍了城市建设和地方经济的发展。解决此问题最直接方法是场地修复[1]。 1土壤修复技术 1．1几种典型的土壤污染问题 1.1.1重金属污染采矿、冶金和化工等工业排放的三废、汽车尾气以及农药和化肥的使用都是土壤重金属的重要来源。按生物化学性质土壤中的重金属可以分为两类：第一类，对作物以及人体有害的元素，如汞、镉、铅及类金属砷等，因此，必须减少这些元素的含量使其不超过环境的容量；第二类，常量下对作物和人体有益而过量时出现危险的元素，如铜、锌、铬、锰及类金属硒等，应控制其含量，使其有益作物生长和人体健康。 1.1.2石油污染石油污染是指在石油的开采、炼制、 贮运、使用过程中原油和各种石油制品进入环境而造成的污染，土壤中的石油污染物多集中在20cm 左右的表层。石油开采过程中产生的落地油和油田的接转站、联合站的油罐、沉降罐、污水罐、隔油池的底泥，炼油厂含油污水处理设施产生的油泥，也是我国油田土壤石油污染的主要来源。污染土壤中石油主要成分为C15-C36的烷烃、多环芳香烃、烯烃、苯系物、酚类等，其中环境优先控制污染物多达30种。 1.1.3化肥污染化学肥料在现代化的农业生产中不仅是粮食增产的物质基础，更是农业生产资料的主体。在粮食增产中花费的贡献率在40%-60%，稳定在50%左右，但是化肥中的有毒重金属、有机物以及无机酸类等是造成土壤污染的主要来源。 1.1.4农药污染据初步统计，我国至少有l300-1600 万hm 2耕地受到农药污染。 造成土壤农药污染的主要是有机磷和有机氯农药。据2000年国家质检总局数据，全国47.5%的蔬菜农药残留超标，因农残超标被退回的出口农产品金额达74亿美元。 1．2污染土壤的修复技术现有污染土壤的修复途径包括：第一，降低污染物在土壤中的浓度；第二，通过固化或钝化作用改变污染物的形态从而降低在环境中的迁移性；第三；从土壤中去除[2]。下面介绍几种土壤的修复技术： 1.2.1物理修复治理污染土壤的方法在20世纪80年代以前仅仅限于物理法和化学法。如早期的焚烧法、换土法以及隔离法等都要求高温、人力以及机械设备等，不仅成本很高，最主要的是没有从根本上解决污染问题，这些处理方法仅仅是使污染物发生了转移，对这些污染物还需要进一步的处理，目前这些方法仅仅应用于处理一些突发的紧急事件。而现在出现的一些经济可行的新技术、新工艺等逐渐成为了研究的热点，如：电修复法、土壤气相抽提法及CSP 法、热解析法等。 电修复法：将电极插入到受污染的地下水或土壤区域，在直流电的作用下形成直流电场，则土壤中的离子和 —————————————————————— 作者简介：徐铁兵（1973-），男，河北辛集人，工学硕士，高级工程 师，研究方向为环境影响评价和固体废物资源化。 几种典型的土壤污染修复技术综述 Overview on Several Typical Soil Pollution Remediation Technologies 徐铁兵XU Tie-bing ；梁静LIANG Jing ；孙玉艳SUN Yu-yan （河北省环境科学研究院， 石家庄050037）（Hebei Provincial Environmental Science Research Institute ，Shijiazhuang 050037，China ） 摘要：土壤污染是当前重要的环境问题之一。本文概述了目前国内外处理污染土壤常用的物理修复、化学修复和生物修复技术 以及其研究进展。由于各种修复技术各有所长、各有所短，因此为了克服单一方法的缺点，发挥不同修复技术的长处，对加强研发污染 土壤的综合修复技术提出了几方面建议。 Abstract:Soil pollution is one of the important environmental problems.This paper outlines the current physical remediation,chemical remediation and bioremediation Technique as well as their research in soil pollution treatment at home and abroad.Because each one has its good points and limitations,therefore,in order to overcome the disadvantages of a single method,play the strengths of different remediation technology,this paper puts forward several suggestions to comprehensive remediation technology of strengthening the research and development of contaminated soil. 关键词：土壤污染；重金属；石油烃；持久性有机物（POPs ）；土壤修复技术Key words:soil pollution ；heavy metal ；petroleum hydrocarbon ；persistent organic pollutants (POPs)；soil remediation technology 中图分类号：X53文献标识码：A 文章编号：1006-4311（2013）14-0313-02 ·313·
图像复原方法综述 1、摘要 图像是人类视觉的基础，给人具体而直观的作用。图像的数字化包括取样和量化两个步骤。数字图像处理就是将图像信号转换成数字格式，并利用计算机进行加工和处理的过程。 图像复原是图像处理中的一个重要问题，对于改善图像质量具有重要的意义。解决该问题的关键是对图像的退化过程建立相应的数学模型，然后通过求解该逆问题获得图像的复原模型并对原始图像进行合理估计。 本文主要介绍了图像退化的原因、图像复原技术的分类和目前常用的几种图像复原方法，详细的介绍了维纳滤波、正则滤波、LR算法和盲区卷积，并通过实验证明了该方法的可行性和有效性。 关键词：图像退化、图像复原、维纳滤波、正则滤波、LR算法、盲区卷积、 2、图像复原概述 在图像的获取、传输以及保存过程中，由于各种因素，如大气的湍流效应、摄像设备中光学系统的衍射、传感器特性的非线性、光学系统的像差、成像设备与物体之间的相对运动、感光胶卷的非线性及胶片颗粒噪声以及电视摄像扫描的非线性等所引起的几何失真，都难免会造成图像的畸变和失真。通常，称由于这些因素引起的质量下降为图像退化。 图像退化的典型表现是图像出现模糊、失真，出现附加噪声等。由于图像的退化，在图像接受端显示的图像已不再是传输的原始图像，图像效果明显变差。为此，必须对退化的图像进行处理，才能恢复出真实的原始图像，这一过程就称为图像复原[1]。 图像复原技术是图像处理领域中一类非常重要的处理技术，与图像增强等其他基本图像处理技术类似，也是以获取视觉质量某种程度的改善为目的，所不同的是图像复原过程实际上是一个估计过程，需要根据某些特定的图像退化模型，对退化图像进行复原。简言之，图像复原的处理过程就是对退化图像品质的提升，并通过图像品质的提升来达到图像在视觉上的改善。 由于引起图像退化的因素众多，且性质各不相同，目前没有统一的复原方法，众多研究人员根据不同的应用物理环境，采用了不同的退化模型、处理技巧和估计准则，从而得到了不同的复原方法。 图像复原算法是整个技术的核心部分。目前，国内在这方面的研究才刚刚起步，而国外
龙源期刊网 https://www.doczj.com/doc/0917639199.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
７５２ｂ＝———＝；———＃＝＝——＝＝＝＝—＃＝＝；＝————＝—＝——＝＝＝＝＝——＝＝＝——＝—＃一ａ以科学发展观促进科技创新（下）２１ＥｉｃｈｍａｎｎＧ，ＳｔｏｊａｎｃｉｃＭ．Ｓｕｐｅｒｒｅｓｏｌｖｉｎｇｓｉｇｎａｌａｎｄｉｍａｇｅｒｅｓｔｏｒａｔｉｏｎｕｓｉｎｇｏｒｙ．Ａｐｐｌ．Ｏｐｔ．１９８７。Ｖ０１．２６：１９１１～１９１８ｌｉｎｅａｒａｓｓｏｃｉａｔｉｖｅｍｅｍ—２２ｃｏｌｌｅｃｔｉｖｅｃｏｍｐｕｔａｔｉｏｎａｌａｂｉｌｉｔｉｅｓ．ＨｏｐｆｉｅｌｄＪＪ．ＮｅｕｒａｌｎｅｔｗｏｒｋｓａｎｄｐｈｙｓｉｃａｌｓｙｓｔｅｍｗｉｔｈｅｍｅｒｇｅｎｔＰｒｏｃＮａｔＡｃａｄＳｃｉＵＳＡ。１９８２，（７９）：２５５４～２５５８ｉｎｉｎｖｅｒｓｅａｎｄｗｉｅｎｅｒｆｉｌｔｅｒｒｅｓｔｏｒａｔｉｏｎｓｏｆｍｏｔｉｏｎ—ｂｌｕｒｒｅｄ２３２４ＳｔｅｎｄｅｒＪ．（ｅｄ）．ＰａｒａｌｌｅｌＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｓ：ＴｈｅｏｒｙａｎｄＡｐｐｌｉｃａｔｉｏｎ．１０ＳＰｒｅｓｓ．１９９３ｅｒｒｏｒｓＬｉｍＨ。ＴａｎＫＣ，ＴａｎＢＴＧ．Ｅｄｇｅｉｍａｇｅｓａｎｄｔｈｅｉｒｗｉｎｄｏｗｉｎｇｔｒｅａｔｍｅｎ
ｔ．ＣＶＧＩＰ．１９９１，５３：１８６。１９５作者简介刘晶晶，现为北京大学遥感所、中国矿业大学（北京）机电学院计算机硕士。研究方向：图像处理与模式识别。电话：（０１０）５１７３３３８０；Ｅ—ｍａｉｌ：ｌｊｊ０１０＠１２６．ｃｏｍ。晏磊，现为北京大学地球与空间科学学院教授，博士生导师，北京市空间信息集成与３Ｓ工程应用重点实验室主任。何凯，现为北京大学遥感所博士后。研究方向：分形、小波理论及其在遥感影像处理方面的应用。宁书年，现为中国矿业大学（北京）博士生导师，地球探测与信息技术博士点学科带头人。ＬＥＤ显示技术及其发展趋势罗妙宣１王华１’２夏华丽２１．北京大学空间信息集成与３Ｓ工程应用北京市重点实验室，北京，１００８７１；２．中国矿业大学（北京）机电与信息工程学院，北京，１０００８３摘要本文介绍了ＬＥＤ显示技术的工作原理、简要介绍了它的系统组成；并与ＣＲＴ技术、ＬＣＤ技术进行了比较，阐明了该技术的发展趋势及其应用前景。关键词ＬＥＤ显示技术半导体一、引言随着时代步伐的前进，信息已经日益成为人们关注的焦点，信息发布的方式就显得尤为重要，基于ＬＥＤ显示技术的显示屏就这样应运而生了。ＬＥＤ显示屏是由发光二极管组成的平面点阵来显示图像信息的器件。它以其自身的高亮度、低能耗、长寿命、响应快和无辐射的优点在短短的几十年发展成为现代信息发布的重要手段，并被广泛地应用于证券交易、金融、交通、体育、广告等领域。最近几年以ＧａＮ为基础的２％族半导体材料和器件方面取得了突破性进展，导致了ＧａＮ基蓝光ＬＥＤ进入市场，并被用于全色大屏幕显示器，使ＬＥＤ显示器的发展进入了一个全新阶段。ＬＥＤ材料分无机和有机两种，无机材料激发电压低、设备工艺简单、亮度高；近年来基于有机发光二极管（ＯＬＥＤ）的平板显示器，由于其新颖的特性正在成为平板显示器领域的一个新增长点。二、ＬＥＤ显示技术的工作原理ＬＥＤ（ＬｉｇｈｔＥｍｉｔｔｉｎｇＤｉｏｄｅ）是指通过一定的控制方式，用于显示文字、文本图形图像和行情等各种 图像运动模糊复原算法综述作者：作者单位：刘晶晶，晏磊，何凯，宁书年刘晶晶(北京大学遥感与地理信息系统研究所,北京,100871;中国矿业大学(北京机电与信息工程学院,北京,100083，晏磊,何凯(北京大学遥感与地理信息系统研究所,北京,100871，宁书年(中国矿业大学(北京机电与信息工程学院,北京,100083 本文读
简述土壤污染及其 防治措施
结课论文 题目：简述土壤污染及其防治措施姓名：程旭 院系：生命科学学院农学系 年级专业：级园艺专业 学号：
指导教师：王玉芬 12月31日 摘要 本文在综述中国土壤环境污染态势及成因的基础上，提出了土壤环境污染的预防、控制和修复方法。指出了当前中国土壤环境污染态势严峻，危及粮食生产、食物质量、生态安全、人体健康以及区域可持续发展。认为以预防为主，预防、控制和修复相结合是中国在相当长时期内的土壤环境保护策略。 关键词：土壤污染，预防，控制，修复
引言 土壤是农业生产的基础，是人类赖以生存的基石，也是人类食物与生态环境安全的保障。但随着经济的发展，全球土壤资源承受的因人口增长、植被破坏、生物多样性消失、土壤退化、气候变化和污染种种等的压力逐渐增大。 土壤是生态环境的重要组成部分。是结合无机界和有机界的纽带，是联系其它要素的关键环节，是人类赖以生存、发展的主要自然资源之一。但由于现代工农业生产的飞跃发展，有的地方农药、化肥过度使用。工矿企业固体废弃物向土壤倾倒和堆放，城市污水、工业废水、大气沉降物也会进入土壤，使土壤污染日益严重。土壤污染是全球三大污染问题之一。不断恶化了的土壤污染态势，已经成为影响中国可持续发展的重大障碍，防治土壤污染刻不容缓。 1土壤污染的含义和特点 1.1 土壤污染的含义 土壤是指陆地表面具有肥力、能够生长植物的疏松表层,其厚度一般在2 m左右。土壤不但为植物生长提供机械支撑能力，并能为植物生长发育提供所需要的水、肥、气、热等肥力要素。近年来，由于人口急剧增长，工业迅猛发展，固体废物不断向土壤
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
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
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
土壤中汞污染及其修复技 术 Prepared on 22 November 2020
土壤中汞污染及其修复技术 引言：土壤汞污染已经严重危害到人类健康和生态环境，成为一个世界性问题，对其治理的各种修复措施也成为当前研究的一个热点。本文对土壤汞污染的来源、危害和修复措施等方面进行综述，指出了当前存在的问题，并对今后治理的研究方向提出了相关建议。 关键词：汞；危害；来源；修复方法 1引言 随着现代工农业的迅速发展，人口急剧增长，粮食的需求量也相应变大，越来越多种类的农药被广泛应用。此外，工矿企业的发展导致对矿产资源的过度开采使得重金属土壤污染日趋严重，一些地方生产的粮食，蔬菜，水果等食物中的重金属含量超标或接近临界值。这些农产品的重金属能够通过食物链在人或动物体内富集，成为人类生命健康的潜在威胁。2014年4月18日，环保部、国土部两部门联合发布土壤污染状况调查公报。公报显示，全国土壤总的超标率为%，污染类型以无机型为主，其中排名前三的无机污染物依次为镉、汞、砷。其中汞具有很强的神经毒性和致畸作用，且积累效应和遗传毒性明显，已被EPA（美国环保署）列为优先控制污染物之一。土壤一旦被汞污染后可通过食物链在人体内富，并对周边环境安全造成严重危险(。因此，找到合适的汞污染土壤修复技术已成为当前的研究热点。 2汞的危害 汞是生物体的非必需的有害元素，通常情况下呈液态，常温即可能蒸发，其中金属离子在～L就会产生毒性。一般来讲，低含量的汞一定程度上可以促进植物的生长，但是，当汞含量过高时便会在植物体内富集，对植物体产生毒害作用(，主要影响植物根部对营养物质的吸收功能，进而影响地上部分的生长发育，严重的导致枯萎死亡(。 土壤中的汞如果通过食物链进入人体，会对人体机能产生损害作用，其中主要对人体产生毒害作用的是无机汞和有机汞。常见的无机汞有HgS，HgCl 等，可通过食物或者呼吸进入体，虽然不易被吸收，但是对消化道有腐蚀作用，也会造成肾脏损伤。而有机汞容易被消化系统吸收，可侵入人体，与SH基结合而形成硫醇盐，使含SH基的酶失去活性，从而破坏细胞的基本代谢功能。尤其是甲基汞，可以改变细胞的通透性，破坏了细胞与外界正常的物质交换功能，造成细胞坏死。此外，甲基汞还能引起神经系统的损伤，其造成的损伤功能具有遗传性。有机汞中毒的潜伏期较长，病情发展也较为缓慢，日本水俣病就是甲基汞中毒的一个病例。 3土壤中汞的来源 自20世纪50年代在日本熊本县发现首例甲基汞中毒事件以来,不同研究领域的学者都对汞污染问题给予了高度关注(。土壤中汞的来源是多方面的。首先是土壤母质本身含汞。不同母质、母岩形成的土壤其含汞量存在很大差异。另一方面，由于人类工农业生产活动，使汞进入环境，污染大气、水体、土壤。如有机汞农药的施用曾一度是造成大面积农田土壤含汞量普遍增加的一个重要原因。虽然近几十年限制含汞农药的生产与使用，由含汞农药带来的土壤汞污
数字图像修复技术在缺损照片处理中的应用探讨 随着我国科学技术的不断提高，数字图像修复技术的应用也越来越显著，其是数字图像处理中一个很重要的技术手段，可有效地将一些破损图片、照片、画作以及电影胶片等元素修复归位。同时为了满足当下人们对于图像和视频的多元化需求，数字图像修复技术也在不断地创新和改进，并在各领域中获得民众的一致好评，如：视频通信、文字档案、生物医学、遥感测绘、工业生产等领域，文章主要针对数字图像修复技术在缺损照片处理中的应用做进一步的探讨和分析。 标签：数字图像修复技术；缺损照片处理；应用探讨 21世纪是一个技术信息的时代，各种数字产品、电子产品的应用也越来越受到人们的欢迎，可以给其日常生活带来很大的便利。因此数字图像修复技术也就逐渐突显出它在各领域中的技术优势，其可以将一些有划痕的图片、移除文字后的缺损区等元素进行有效的填充和修补，使之还原成本来面貌，从而恢复正常使用功能。并能对不同受损程度的照片采取新的修复技术，从而提升数字图像修复质量，为社会发展和人们多元化的需求做出应尽的贡献和义务。 1 数字图像修复技术概述 所谓图像修复，是指对图像中信息残缺的部位进行有效的填充和修补，使之还原成完整面貌的一个补全过程。图像修复技术起源于欧洲文艺复兴时期，在以往应用过程中，其通常对一些因保存不善出现裂痕或缝隙的作品进行完整的修补，修补方式极为单一和滞后，主要是依靠人手工修复来完成，不仅修补周期较长，而且也给工作人员增加了很大的负担。随着社会的不断进步和发展，很多图像作品也都采用了数字化的处理技术，修复人员只需用电脑将其扫描，然后再利用电脑中事先安装好的相应程序，对作品进行自动修复，这样就完成了整个修复过程，既提高了修复效率，又节省了修复时间和人工成本，从而保证了作品的完整性和有效性。现阶段，数字图像修复技术已在大范围内推广和使用，也被越来越多的学者和专家们所认同，其不仅适用于静态图像的修复，还可以在动态图像中发挥优势，目前，我国数字图像修复技术主要包括两种技术形式，一种是基于变分PDE模型的数字图像修复技术，一种是基于纹理合成的数字图像修复技术，基于纹理结构的数字图像修复技术。前者可修复一些小尺度破损的数字图像，其修复原理是根据待修补区域的边缘信息来确定，没有任何局限性可同时填补多个不同结构和背景的区域。而对于一些较大面积信息丢失的图像而言，其处理手段就要采用基于纹理合成的图像修复技术来实现，这种修复技术又包含图像分解的纹理合成修复技术和样本的纹理合成修复技术，其修复原理是先把待修复的图像根据结构和纹理分成两部分，然后再把其中属于结构部分的图像利用PDE模型处理修补算法来处理，而剩下的纹理部分图像则采用纹理合成的方法来填充，这样分割式修复既能从根本上提升图像修复质量，又可以保持图像的清晰和完整，从而满足当下广大用户修复的需求[1]。 2 数字图像修复技术在缺损照片处理中的应用
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/0917639199.html,, zjuyjw@https://www.doczj.com/doc/0917639199.html,, pearl@https://www.doczj.com/doc/0917639199.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