基于TV模型图像修复

Matlab中的图像修复与图像修复方法随着数字图像处理技术的发展，图像修复在许多领域中变得日益重要。

图像修复是指通过采用合适的方法和技术，对损坏或缺失的图像进行恢复或修复的过程。

在Matlab中，有许多强大的图像修复工具和算法，本文将介绍其中一些常用的图像修复方法。

一、图像修复的概览图像修复是通过恢复或修复缺失或损坏的图像信息，使图像更加完整和清晰。

在现实应用中，图像修复可以用于修复老照片、复古图片，恢复受损图像，去除图像噪声等。

图像修复方法可以分为基于模型的方法和基于数据的方法。

二、基于模型的图像修复基于模型的图像修复方法使用数学模型来描述图像的生成过程，并利用模型的统计规律来实现图像修复。

最著名的基于模型的图像修复方法之一是以全变分（Total Variation，TV）为基础的方法。

全变分是一种描述图像边缘信息的数学概念，基于全变分的方法能够恢复图像的边缘信息。

通过最小化全变分正则项以及数据项的残差，可以得到修复后的图像。

另一个常用的基于模型的图像修复方法是基于稀疏表示的方法。

稀疏表示假设图像可以用少量的原子基表示，并通过最小化稀疏编码的残差来恢复图像。

通过合理选择字典和稀疏编码算法，可以有效地恢复缺失或损坏的图像信息。

三、基于数据的图像修复基于数据的图像修复方法侧重于利用已知信息来恢复图像。

其中一个常见的方法是基于图像插值的方法。

插值是一种通过已知的图像像素值来估计缺失像素值的方法。

在Matlab中，有许多插值算法，如双线性插值、双三次插值等。

通过选择适当的插值算法和参数，可以得到较为准确的图像修复结果。

另一个常见的基于数据的图像修复方法是基于同类图像的方法，也称为图像纹理填充。

该方法通过利用图像中已有的纹理信息来填充缺失的部分。

这样可以保持图像的一致性和连续性，使得修复后的图像与原图像更加自然。

四、Matlab中常用的图像修复工具在Matlab中，有许多内置函数和工具箱可以用于图像修复。

基于全变分模型改进的图像修复算法应用谢正伟;王创新【摘要】传统全变分(TV)模型对非纹理破损图像有较好的修复效果,但TV算法对参数敏感,导致修复图像容易在平滑区域产生阶梯效应.文中在传统Trv模型的基础上,结合非线性扩散的思想,提出了一种针对参数的自适应迭代函数图像修复算法.实验结果表明,该算法在修复过程中扩散系数和自适应迭代函数的共同作用,消除了阶梯效应;修复的图像自然过渡,边缘信息保存良好.【期刊名称】《电子科技》【年(卷),期】2017(030)001【总页数】5页(P61-64,68)【关键词】TV模型;图像修复;非线性扩散;自适应【作者】谢正伟;王创新【作者单位】长沙理工大学电气与信息工程学院,湖南长沙410004;长沙理工大学电气与信息工程学院,湖南长沙410004【正文语种】中文【中图分类】TP391.41图像修复[1-2]是数字图像处理的一个分支。

是利用已破损的图像信息，使图像破损部分还原并修复。

图像修复技术分为两大类：一类是基于纹理的图像修复算法[4]，该算法包含基于图像分解的采样纹理合成的修复技术和基于块思想的纹理图像修复技术；另一类是非纹理图像修复技术即基于偏微分数理方程(PDE)修复算法，PDE算法的图像修复是一个非适定(病态)问题[5]。

为使修复后的图像人眼看起来“自然”，文献[6]中，提出了PDE图像修复算法的3准则：局域性、边缘连通性和去噪的鲁棒性。

具有代表性的偏微分图像修复算法有曲率驱动扩散(CDD)修复算法[7-8]、BSBC修复算法[9]、全变分(TV)修复算法[10]。

这类算法将PDE进行数值化并进行差分转换，最后通过迭代求解偏微分方程。

Chan[6]等将TV去噪复原算法进行扩展，将TV算法运用到图像修复中。

因此基于TV模型的图像修复算法成为近年来研究的热点。

由于算法对参数的敏感和运算量较大，提出了一个针对参数的自适应迭代函数，并结合了非线性的思想，使得改进后的算法加快了图像的修复速度并具有良好的鲁棒性。

改进的TV-Stokes图像修复模型及其算法许建楼;冯象初;郝岩【摘要】In this paper, an improved TV-Stokes image inpainting model is proposed based on the study of image inpainting. By analysing the properties of new model, an efficient and fast numerical algorithm is introduced. There are two variables in the new model, so it is firstly turned into two simple submodels by using alternating iteration method in the new algorithm, and then the two subproblems are solved using dual formulation and split Bregman method respectively. Experimental results show the new algorithm can not only get the better inpainting effect, but also improve the inpainting speed.%该文在研究图像修复的基础上,提出了一种改进的TV-Stokes图像修复模型.通过分析新模型的性质,给出一种高效且快速的数值算法.由于新模型耦合了两个变量,因此新算法首先采用交替迭代策略化原问题为两个去耦的次问题,然后再对两个次问题分别利用对偶方法和分裂Bregman方法进行数值求解.实验结果表明该文所提出的算法不但修复图像的效果较好,而且修复的速度较快.【期刊名称】《电子与信息学报》【年(卷),期】2012(034)005【总页数】6页(P1142-1147)【关键词】图像修复;TV-Stokes模型;对偶方法;分裂Bregman【作者】许建楼;冯象初;郝岩【作者单位】西安电子科技大学理学院西安710071;河南科技大学数学与统计学院洛阳471003;西安电子科技大学理学院西安710071;西安电子科技大学理学院西安710071【正文语种】中文【中图分类】TP3911 引言图像修复是当前数字图像处理和计算机图像学中的一个热点问题，其在文物保护、剔除图像或视频中的一些文字、修复网络传输中丢失或损坏的视频信息以及影视特效制作等方面都有很高的应用价值。

图像修复的方向梯度TV模型研究王相海;王爽;方玲玲【摘要】基于PDE（Partial Differential Equation）的图像修复因其所具有的局部自适应特性、形式上的规范性和模型建立的灵活性而受到关注,而如何在有效的进行修复受损图像的同时很好的保留图像的细节信息成为图像修复所追求的目标.本文首先对TV（total variation）模型进行了分析和讨论,针对TV模型在图像修复时会对图像过度平滑、容易丢失细节信息等问题提出了一种改进模型,该模型通过对非线性扩散项引入方向梯度和边缘引导函数,自适应的调整了模型在图像边缘和区域信息丰富区域的平滑力度;通过计算每一次迭代时待修复点33邻域内的各向灰度差分,确定最小灰度差分的方向,从而确定了该点邻域内的图像纹理走向.本文模型克服了TV模型的弱点,在有效进行破损图像修复的同时,很好的保持了边缘和纹理细节信息.通过峰值信噪比和归一化均方误差的统计结果验证了所提模型的稳定性和有效性.%Image Inpainting based on the partial differential equation （PDE） has received considerable attention because it has the local self-adapting characteristics,formal normalization,and modelingflexibility.However,how to effectively repair the image as well as keep details of image is the pursued goal of image inpainting.In this paper,we firstly analyzes and discusses the TV-model,on this basic,proposes an improved model,which introduces direction gradient and guide-function of edge into the non-linear diffusion parts and adaptively adjusts the smooth intensity of the model in edge and texture information-rich regions of images;by calculating the gray level difference of the repaired point in the 33 neighborhood by each iteration to determine the directionof the smallest gray difference,so we can determine the direction of the image texture point in the neighborhood.This model not only overcomes over smoothness produced in the TV-model,but also avoids losing details and information,and greatly maintain a good image of the edge and texture details.Experimental results illustrate the effectiveness and stability of the proposed model by PSNR and NMSE.【期刊名称】《吉林师范大学学报（自然科学版）》【年(卷),期】2012(033)002【总页数】7页(P1-7)【关键词】图像修复;变分模型;方向梯度;边缘引导函数;灰度差分【作者】王相海;王爽;方玲玲【作者单位】辽宁师范大学计算机与信息技术学院,辽宁大连116029／苏州大学江苏省计算机信息处理技术重点实验室,江苏苏州215006;辽宁师范大学计算机与信息技术学院,辽宁大连116029;苏州大学江苏省计算机信息处理技术重点实验室,江苏苏州215006／苏州大学计算机科学与技术学院,江苏苏州215006【正文语种】中文【中图分类】TP391多媒体技术的快速发展使图像的存储和使用更加灵活方便，但同时也会因网络传输和使用不当等带来图像质量下降和局部信息的缺失等问题［1］．近年来图像修复（Image Inpainting）作为一种修复图像丢失或破坏的信息技术成为一个新的研究领域，特别是在去除图像的划痕或破损以及修补图像处理过程中因目标物体或文字的移走而出现的信息空白区等问题成为当前亟待解决的热点问题．基于偏微分方程的全变分图像处理方法近年因其所具有的良好的边缘保持特性而受到越来越多人的关注．基于偏微分方程（PDE，Partial Differential Equation）的图像修复对于修复小尺度的图像受损区域取得了很好的效果，它主要是利用物理学中热扩散方法将待修复信息周围的原有效信息延伸到待修复区域，把修复问题转化为能量泛函的建立问题，通过求解最小平方能量泛函，获得图像的近似解，以达到图像修复效果［2］．基于PDE的图像修复技术最早是由Bertalmio和Sapiro等人提出的（简称BSCB方法）［3］，它是利用待修补区域的边缘信息，采用一种由粗到精的方法来估计等照度线（isophote）的方向，通过传播机制将信息传播到待修补的区域内，以便得到较好的修补效果．考虑到应用于图像修复的偏微分方程中边缘信息的重要性，Rudin等在文献［4］中提出的变分极小化模型（TV，Total Variation）作为一个经典模型，在去噪的同时能够很好的保护影像边缘；进一步Osher等人提出了基于该模型的图像修复算法，能在大量噪声情况下有效的对图像进行修复，但在图像细节的保持上有一定的欠缺，而且不完全符合图像处理的形态学原则［5，6］．此外，针对TV模型在恢复图像中会产生阶梯效应，文献［7］给出了一种基于四阶偏微分方程的盲图像恢复模型，用四阶范数来代替TV范数，构造了一种新的能量泛函，用分片平面图像来近似边界，从而消除了二阶非线性扩散所造成的阶梯效应，同时也能取得较好的图像恢复效果，但该模型在图像细节的恢复上仍不能令人满意．针对这一问题，文献［8］提出了一个非局部算子，将其与TV模型相结合，根据非局部泛函，通过基于块距离的度量，在全局搜索与之最相似的点，使得丢失信息能正确填充，修复效果得到改善．但算法需要全局搜索，计算复杂度很高，而且对于计算的权重大小很难把握．本文针对TV修复模型的不足，构建了一个基于方向梯度的自适应扩散函数，进而提出一种具有边缘引导特性的变分模型，并对其离散化过程进行了研究．该模型在有效进行图像修复的同时，能很好的保留图像边缘和纹理细节信息．此外，在峰值信噪比和归一化均方误差上，模型都表现出很好的特性，仿真实验结果验证了模型的有效性．记D为待修补区域，E为待修补区域的外邻域（见图1）．记修复后E∪D区域内的图像值为u，定义代价函数为：满足如下噪声约束条件：其中A（E）为区域E的面积，E内的初始图像值u0包含方差为σ的高斯白噪声．采用Lagrange乘子法将有约束条件的极值问题转化为无约束条件的极值问题，得到下列新的代价函数：由计算函数极值的变分方法可知，若计算如（2）式所示的二维最简泛函的极值时，函数F应满足（3）式：这样式⑴中的第一项可以表示为：其中，φ（·）为一个非负递减的严格凸函数，并且满足φ（0）=0和因此可得总变分模型的一般形式为：（4）式对应的Euler-Lagrange方程为：进一步，对模型进行变分最小化［9］．在式（4）中，令φ（|▽u|）=|▽u|，得到如下的最小化能量函数：其中，∫E∪D|▽u|dxdy为正则项，表示图像u的总变分范数（TV范数），该项主要是对能量进行估计，起到平滑图像、消除噪声和保留边缘的作用，它可以使图像中出现不连续的部分，但不允许存在震荡，因此，可用来去除噪声；∫E（u－u0）2dxdy反映了被恢复图像u与原图像u0之间的差别，称其为逼近项．λ（λ＞0）为均衡系数，用来平衡正则项和逼近项．式（5）对应的Euler-Lagrange方程时间演化形式为：其中．由于待修复的区域内信息已丢失，所以在修复区域内部无法做去噪操作，但在待修复区域外部，模型可以进行该操作．若不考虑去噪问题，可取λ=0，即：为了满足能量函数达到最小值，应满足假设v=（V（1），V（2））=▽u/|▽u|，点O为待修复点，其对应八邻域点分别为WN、W、WS、S、ES、E、EN和N（参见图2）．首先，计算待修复点O和周围四邻域点N、W、S、E的中间位置点n、w、s、e，进一步计算对应的，具体计算过程如下（以点e为例）：综上，基于TV模型的修复方法本质上是一种各向异性的扩散算法，其各向异性权重与当前的梯度绝对值呈反比，用来保证修复结果与原图的相似性，以免产生过度平滑．基于该原理，在图像边缘处，边缘两边的值并不会彼此扩散，而是沿着边缘的法线进行扩散，从而实现修复的效果．但由于该种分析方法考虑邻域信息时，只是使用待修复区域外围的环状区域，因此着眼点过于局部，整体的修复效果得不到保证，图像细节保持上有一定的欠缺．针对TV模型应用于图像修复时丢失图像细节等情况，本文在模型的扩散项中添加了上、下、左、右四个方向的梯度，同时增加了用以调节各向异性的扩散系数λ：其中，σ为大于0的极小参数，主要用来防止|▽uα|为0时，1/|▽uα|没有意义的情况；|▽uα|分别包括|▽uE|，|▽uW|，|▽uN|和|▽uS|，对于图2中的E、W、N和S 点，有：其中，uEx、uWx、uNx和uSx分别表示对应点在x方向上的偏导数，而uEy、uWy、uNy和uSy则为对应点在y方向上的偏导数．这样，新模型在进行图像修复时，可在|▽u|取值较大的地方，即图像的边缘方向上尽可能不进行平滑，而在图像的平坦区域，即垂直于梯度的方向上（边缘的切线方向），则尽可能的进行大范围的平滑处理．调节各向异性扩散程度的参数是根据待修复图像点的3×3邻域内的各方向的像素灰度差分决定的．例如在X方向上，像素点间的灰度差分越小，说明受到这一方向的像素点的相关度就越大，对应的参数值λ就越大，这样就会更好地保持图像细节．在PM模型［11］中，传导系数g（|▽u|）能够在平滑过程中根据图像的局部特征而自适应的进行调整：在图像比较平坦的区域，传导系数会自动增大，从而能够平滑平坦区域中的不规则的、较小的噪声；而在图像的边缘附近区域，传导系数会自动减小，从而保留了边缘的局部信息．本文在所提出的模型中增加了相其中median为取中值操作．当|▽u|＜K时，表明为图像的灰度变化平缓的区域，而当|▽u|≥K时，则认为是图像的边缘区域［11］．边缘引导函数g（|▽u|）的引入，使该修复模型在图像灰度缓变的区域进行较多的扩散，而在图像的边缘则不再扩散，使其沿着图像边缘扩散到待修复区域内．从而在修复图像内容同时，可以较好的保持图像的边缘．在模型的离散化过程中，通过计算每一次迭代时待修复点3*3邻域内的各向灰度差分来确定最小灰度差分的方向，从而确定该点邻域内的图像纹理走向．具体过程如下：首先，采用图2的结构和半点格式对模型进行离散化，参见公式（6）～（8）．其次，设E点坐标为（i，j）（参见图3），由（9）式可得：最后，计算待修复点O的附近邻域内各向灰度差分：其中，L、H、HL和LH是待修复点O的水平方向、竖直方向和对角线方向上的灰度差分值．取min（L，H，LH，HL），并在最小灰度差分值方向上乘以调解系数λ，其中λ是大于1的阈值（本文中实验中取值为3）．为了避免在图像的平坦区|▽u|的值为零所导致的div（▽u/▽u|）运算无意义，在实际计算中，采用了如下正则化梯度：上述离散化模型算法实现的具体步骤如下：Step1初始：设待修复图像I的范围为I0～In，选取空间步长h、时间步长Δt和扩散调解系数λ．Step2由式（12）计算边缘检测阈值K．判断图像范围内某一像素Ix（初始时：Ix=I0）是否位于修补区域内，若不是，转向Step2．4，否则，执行如下过程：Step2．1由式（6）（7）计算待修复点与邻域点的中间位置梯度模值|▽u|和一阶导数值V（1），V（2），并利用式（8）和（11）分别计算待修复点的上、下、左、右四方向的梯度和传导函数g（|▽u|）．Step2．2由式（13）计算待修复点的四个方向上的灰度差分值，并确定差分值最小值的主方向．Step2．3利用式（14）对像素值进行更新．Step2．4若Ix=In，表明已处理完整个图像，转向Step3，否则置Ix=Ix+1，返回执行Step2．1．Step3．结束本文的仿真实验是在MATLAB R2007b下进行的．为了验证算法的有效性，我们对TV基本模型和本文提出模型的图像修复结果进行了比较．实验中对三幅不同大小的图像分别进行了不同程度的破坏，其中，图像A主要进行了划痕破坏；图像B主要进行了任意涂鸦的破坏；图像C主要进行了图像上已存在文字的破坏；然后采用两种模型对每幅待修复图像进行修复处理，如图4～6所示．从图中可以看出，采用TV模型处理后的图像，虽然较好的保持了边缘，但图像表面仍残留着部分难以去除的破坏部分，一定程度上影响了视觉效果．而采用本文提出的模型，不但很好去除图像中的破坏部分，而且使原图像中的大量细节和边缘信息得以保留．更进一步地，我们随机选取图像A修复效果放大效果图与TV模型进行对比，不难看出本文改进模型在保持图像细节和边缘上均具有较好的效果，如图7所示．另外，考虑到图像中没有足够的信息来保证修复的唯一正确性，这样对修复结果的判断就会带有很多主观因素，当然也就没有唯一完全正确的评价标准．本文采用图像的峰值信噪比（PSNR）和归一化均方误差（NMSE）进行图像修复后的统计结果（参见表1），PSNR和NSME的计算公式如下： NMSE=其中u'（i，j）是修复后的影像，u（i，j）是原始图像；m和n为图像的长和宽．从统计结果可以看出，本文提出模型修复后的图像与原图像（受损图像）相比会得到失真更少、修复效果更好的图像．本文针对TV修复模型在图像修复时存在的细节保留不足和边缘断裂的缺陷，通过对非线性扩散项的改造，引入了方向梯度和边缘引导函数，提出了基于方向梯度的具有边缘检测的变分模型．在模型的离散化过程中，采用灰度差分方法进行待修复点图像纹理走向的确定．克服了TV修复模型容易产生的小块局部修复效果和丢失细小纹理边缘信息的弱点，在有效的修复破损图像的同时，边缘和细节都很好的予以保持，在峰值信噪比上也均有提高．【相关文献】［1］张红英，彭启琮．数字图像修复技术综述［J］．中国图像图形学报，2007，12（1）：1～10．［2］DING H Y，BIAN Z F．Remote Sensing Image Restoration Based on TV Regularization and Local Constraints［J］．Acta Photonica Sinica．2009，6 （38）：1577～1580．［3］BERTALMIO M，BERTOZZI A L，SAPIRO G，et al．Fluid Dynamics，and Image and Video Inpainting［C］．Proc．IEEE CVPR＇01，2001，1：355～362．［4］RUDIN L I，OSHER S，FATEMI E．Nonlinear total variation based noise removal algorithms［J］．Physica D，1992，60：259～268．［5］OSHER S，FEDIKIW R．Level set methods and dynamic implicit surfaces［M］．New York：Springer，2003．［6］MARQUINA A，OSHER S．Explicit algorithm for a new time dependent model based on level set motion for nonlinear deblurring and noise removal［J］．SIAM Journal on Scientific Computing．2000，22：387～405．［7］马少贤，江成顺．基于四阶偏微分方程的盲图像修复模型［J］．中国图象图形学报，2010，15（1）：26～30．［8］李莉，王卫卫．基于偏微分方程的图像修复（硕士学位论文）．西安电子科技大学，西安，2010．［9］LEONID I R，STANLEY O，EMAD F．Nonlinear total variation based noise removal algorithms［J］．Physica D：Nonlinear Phenomena，1992，60（1-4）：259～268．［10］PERONA P，MALIK J．Scale-space and edge detection using anisotropic diffusion ［J］．IEEE Transaction on Pattern Anal Machine Intell，1990，12 （7）：629～639．［11］SAPIRO G．Geometric Partial Differential Equations and Image Analysis ［M］．Cambridge University Press，2001．。

采用TV及纹理合成技术的分层图像修复周姗姗;赵知劲;叶学义【摘要】整体变分(TV)模型在图像修复中能够保持图像的边缘且数值实现方便,但在图像修复中对于人类视觉连通性的处理还有所不足.根据图像遗失或者损坏的不同类型,针对TV、CDD模型在图像修复中存在的问题,提出了一种结合TV、CDD 模型及基于块的纹理合成算法的分层图像修复算法.实验结果表明,这种分层修复的方法在图像的结构修复和纹理修复两方面实现了较好的统一,而且在较大区域图像修复上表现出良好的效果.%Although the Total Variation (TV) model is good at maintaining the edge of damaged images and reducing numerical calculation in image inpainting, it needs more improvement in the vision connectivity.A new image multi-level-inpainting method based on TV model and texture synthesis is proposed.The TV model is used to restore the shape information of missing area in an image.The inpainting result visual connectivity is improved by the CDD model.To the large texture area of the inpainted image,the patch based texture restoration model is used to process the obvious trace insulted from two previous levels inpainting. Experimental results show that the inpainting performance is better both in the structure and the texture.Moreover, the approach can be used in the image inpainting with bigger damaged area.【期刊名称】《计算机工程与应用》【年(卷),期】2011(047)023【总页数】4页(P201-203,211)【关键词】图像修复;整体变分(TV);曲率驱动扩散(CDD)模型;分层修复算法;纹理合成;最小均方误差(MSE)【作者】周姗姗;赵知劲;叶学义【作者单位】杭州电子科技大学通信工程学院,杭州310037;杭州电子科技大学通信工程学院,杭州310037;杭州电子科技大学通信工程学院,杭州310037【正文语种】中文【中图分类】TP391ZHOU Shanshan，ZHAO Zhijin，YE Xueyi.Total variation and texture synthesis applied to multi-level image puter Engineering and Applications，2011，47(23)：201-203.图像修复技术是指针对图像中遗失或者损坏的部分，根据其周围未被损坏的有效信息，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。

使用计算机视觉技术进行图像修复的技巧图像修复是一项重要而有挑战性的任务，在数字化时代，我们经常遇到老照片、古画和文化遗产的修复需求。

计算机视觉技术的发展为图像修复提供了一种新的解决方案。

本文将介绍使用计算机视觉技术进行图像修复的一些关键技巧和方法。

首先，了解图像复原的基本原理是图像修复的关键。

图像修复的目标是将损坏、模糊、噪声等因素导致的图像缺陷修复为原始图像的样子。

这一过程涉及到如何准确地估计缺失的信息和纠正损坏的区域。

计算机视觉中的图像复原技术主要基于两种方法：基于模型的方法和基于学习的方法。

基于模型的方法是指利用数学模型来描述和估计图像中的像素信息。

这些模型可以是基于图像复原领域的统计规律。

例如，常见的模型包括Total Variation (TV) 模型和稀疏表示模型。

TV模型通过最小化图像的总变分来恢复图像的平滑性和纹理信息。

稀疏表示模型则利用图像的稀疏性来恢复缺失的信息。

这些模型需要通过优化算法来求解，并具有一定的计算复杂度。

基于学习的方法是指利用机器学习算法从训练集中学习图像的修复规律，并将这些规律应用于新的图像修复问题。

常用的学习方法包括生成对抗网络 (GANs) 和卷积神经网络 (CNN)。

GANs通过建立生成器和判别器的博弈过程来逐渐优化图像修复的质量。

CNN则利用其卷积层和池化层来提取图像的特征并进行修复。

这些学习方法需要足够多的训练样本来获得准确的修复结果。

其次，图像修复中的关键步骤是图像恢复和图像修复评估。

图像恢复是指根据损坏的图像和修复算法，恢复原始的图像信息。

在这一步骤中，我们需要选择合适的图像修复方法，并调整参数来获得最佳的修复结果。

常见的图像恢复算法包括最小二乘法、卷积、插值和线性滤波等。

图像修复评估则是针对恢复图像的质量进行定量评估。

常用的评估指标包括峰值信噪比 (PSNR) 和结构相似性 (SSIM)。

这些评估指标能够量化图像修复的效果，并帮助我们调整算法参数。