[发明专利]基于图像梯度先验模型实现大尺度图像修复的方法

说明书

技术领域

本发明涉及图像处理领域，尤其涉及大尺度图像修复领域，具体是指一种基于图像梯度先验模型实现大尺度图像修复的方法。

背景技术

图像修复是对破损图像进行修复的处理过程。随着数字技术的发展，越来越多的图像资料采用数字化方式进行采集、存储和处理。在数字图像使用过程中，常会遇到数字图像局部信息缺损的情况,如老电影胶片在数字化后，图像中往往存在划痕，斑块等损伤等，在数字图像中出现了一些数据的丢失。在图像编辑时，去除或移动图像中的文字和物体时，会造成图像空白区，在图像中原本的人物被去除后，留下大块的图像数据空白。这些信息的缺失大大的降低了图像质量。基于计算机处理的图像修复方法通常分为：基于空间模型的方法和基于样例图像的方法。前者在充分利用了图像在空间上的相关性。而后者则是通过样例图像的信息来修复当前图像的破损信息。现有的图像修复方法，一般都是基于空间像素块匹配策略，在纹理复杂的情况下，修复区域往往不能获得较好的视觉效果。

经过对现有技术的文献检索发现，基于空间模型和样例图像的图像修复方法所采用的算法主要是利用图像数据在空间和样本空间上的冗余信息，如Criminisi,Antonio，Patrick Perez，and Kentaro Toyama在《IEEE Transactions on Image Processing》（IEEE图像处理期刊）第13卷，第9期，第1200页到1212页发表的“Region filling and object removal by exemplar-based image inpainting”（基于空间解析模型的目标去除和区域填充方法）一文中提出基于像素块的优先级计算的图像修复方法。Hays，James，and Alexei A.Efros在《ACM Transactions on Graphics》（ACM计算机图形学期刊）第26卷，第3期，第4页发表的“Scene completion using millions of photographs”（基于多样本空间的场景恢复）一文中提出基于样本空间的特征匹配和学习的图像修复方法。上述方法是通过本地图像空间或样本图像空间的冗余信息来修复缺损图像信息。然而，这些方法最大的缺点是未能考虑到修复区域与已知区域的纹理一致性，在块匹配优先级计算过程中获得的最优匹配块往往无法获得较好的视觉效果，即边界的连贯性。对基于样例空间的修复方法，如何获取合适的匹配样例依然是亟待解决的问题。

发明内容

本发明的目的是克服了上述现有技术的缺点，提供了一种能够实现克服图像修复过程中的纹理和边界约束一致性问题、对大尺度破损图像信息有效恢复、使用方便、具有更广泛应用范围的基于图像梯度先验模型实现大尺度图像修复的方法。

为了实现上述目的，本发明的基于图像梯度先验模型实现大尺度图像修复的方法具有如下构成：

该基于图像梯度先验模型实现大尺度图像修复的方法，其主要特点是，所述的方法包括以下步骤：

（1）读入待修复图像信息；

（2）建立图像噪声模型并计算图像噪声概率分布值；

（3）建立非局部均值的空间域概率模型并计算非局部均值的空间域概率分布值；

（4）建立图像梯度先验概率模型并计算图像梯度先验概率分布值；

（5）建立贝叶斯后验概率模型并计算后验概率估计值；

（6）根据所述的后验概率估计值确认当前像素点的值并保存。

较佳地，所述的步骤（1）和步骤（2）之间，还包括以下步骤：

（11）判断所述的待修复图像是否处理完成，如果否，则继续步骤（2），如果是，则结束退出。

更佳地，所述的步骤（5）和步骤（6）之间，还包括以下步骤：

（51）判断所述的后验概率估计值是否为局部最大值，如果是，则继续步骤（6），如果否，则继续步骤（11）。

较佳地，所述的建立图像噪声模型并计算图像噪声概率分布值，具体为：

根据所述的待修复图像信息，建立图像噪声模型并计算图像噪声概率分布值，所述的图像噪声模型公式如下：

P(Δ_n|s)∝N(Δ_n|μ,σ)；

其中，P(Δ_n|s)为所述的图像噪声模型，σ为高斯分布的方差，μ为高斯分布的均值，Δ_n为当前像素点的相邻像素。

更佳地，所述的高斯分布的方差值为0.5，所述的高斯分布的均值为0.7。