前言:圖像修複是一項非常有意義的研究工作,比如我們生活中的照片被污染,再比如名貴字畫、國家文物壁畫等珍貴物品被破壞,這些都需要圖像修複工作來完成。
簡介:整體變分(Total Variation)的方法最早是用來對受到噪聲污染的圖像進行降噪的,在這方面的應用最早是由L.Rudin和S.Osher等人在1992年提出的,2002年Chan等人把TV模型推廣到圖像修補中,并提出了基于TV模型的圖像修補方法,同時說明了TV修補模型的缺點,進一步提出了CDD修補模型(curvature driven diffusions),此修補模型改正了TV修補模型的缺陷,對圖像的修補具有很好的效果。
一、TV模型介紹
如圖所示:D區域是被污染區(待修複),E是D的鄰域
下面直接給出TV模型的數學公式:
①
其中:u是圖像中的像素點,λ為設定的參數
在該模型基礎上,考慮到噪聲的影響,邊界E區域産生的噪聲不能超過一定的範圍;根據最佳猜測和貝葉斯理論,要求圖像u在滿足限制條件下使它的能量泛函最小,是以限制條件記做:公式②。根據拉格朗日乘數法,将①②方程轉化成為一個求極值的方程,對其求導數并令其等于0,可得到如下方程:
其中:div代表散度(關于圖像中的散度解釋,可見此處:在圖像進行中,散度 div 具體的作用是什麼?)
由于圖像是離散的數值,故可看做如下構成。其中:O為污染點,鄰域B=(N,S,W,E),半像素鄰域B' =(n,s,w,e)。
是以,離散化後可得到表達式:
化簡得到最終的表達式:
其中:λe(O)為中心O處的λ參數,與上λe一緻;uo為O點修複後的像素,另一個為O點修複前的原始像素。将上式疊代,知道達到較好的修複效果。
到此,TV模型的理論推導已完成。接下來就是要程式設計實作其功能。
matlab源碼實作:
img=double(imread('lena.jpg'));
mask=imread('mask.jpg');
a1=find(mask>127);
b1=find(mask<=127);
mask(a1)=0;
mask(b1)=255;
[m n]=size(img);
for i=1:m
for j=1:n
if mask(i,j)==0
img(i,j)=0;
end
end
end
imshow(img,[]); %合成的需要修複的圖像
lambda=0.2;
a=0.5;%避免分母為0
imgn=img;
for l=1:1500 %疊代次數
for i=2:m-1
for j=2:n-1
if mask(i,j)==0 %如果目前像素是被污染的像素,則進行處理
Un=sqrt((img(i,j)-img(i-1,j))^2+((img(i-1,j-1)-img(i-1,j+1))/2)^2);
Ue=sqrt((img(i,j)-img(i,j+1))^2+((img(i-1,j+1)-img(i+1,j+1))/2)^2);
Uw=sqrt((img(i,j)-img(i,j-1))^2+((img(i-1,j-1)-img(i+1,j-1))/2)^2);
Us=sqrt((img(i,j)-img(i+1,j))^2+((img(i+1,j-1)-img(i+1,j+1))/2)^2);
Wn=1/sqrt(Un^2+a^2);
We=1/sqrt(Ue^2+a^2);
Ww=1/sqrt(Uw^2+a^2);
Ws=1/sqrt(Us^2+a^2);
Hon=Wn/((Wn+We+Ww+Ws)+lambda);
Hoe=We/((Wn+We+Ww+Ws)+lambda);
How=Ww/((Wn+We+Ww+Ws)+lambda);
Hos=Ws/((Wn+We+Ww+Ws)+lambda);
Hoo=lambda/((Wn+We+Ww+Ws)+lambda);
value = Hon*img(i-1,j)+Hoe*img(i,j+1)+How*img(i,j-1)+Hos*img(i+1,j)+Hoo*img(i,j);
imgn(i,j)= value;
end
end
end
img=imgn;
end
figure;
imshow(img)
opencv源碼實作:
#include <iostream>
#include <stdlib.h>
#include <cv.h>
#include <math.h>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/imgproc/imgproc.hpp>
using namespace cv;
int main(void)
{
//讀取原始圖像及掩模圖像
IplImage *src_uint8 = cvLoadImage("src.jpg", CV_LOAD_IMAGE_GRAYSCALE);
IplImage *mask = cvLoadImage("mask.jpg", CV_LOAD_IMAGE_GRAYSCALE);
//合成需要修複的圖像
int M = mask->height;
int N = mask->width;
int i, j;
CvMat *src = cvCreateMat(M, N, CV_32FC1);//存放浮點圖像
cvConvert(src_uint8, src);
for (i = 0; i < M; i++)
{
for (j = 0; j < N; j++)
{
if ((mask->imageData + i * mask->widthStep)[j] < 0)//了解此處判别條件,根據情況自行更改
{
((float*)(void*)(src->data.ptr + (size_t)src->step*i))[j] = 0.0;
}
if (((float*)(void*)(src->data.ptr + (size_t)src->step*i))[j] < 0)
{
((float*)(void*)(src->data.ptr + (size_t)src->step*i))[j] += 256.0;
}
}
}
cvConvert(src, src_uint8);
cvShowImage("需要修複的圖像", src_uint8);
cvWaitKey(0);
double t = getTickCount();//目前滴答數
float lambda = 0.2;
float delta = 0.5;
float UO, UN, UW, US, UE, UNE, UNW, USW, USE;
float Un, Ue, Uw, Us;
float Wn, We, Ww, Ws;
float Hon, Hoe, How, Hos;
float Hoo;
int iteration = 500;
while(iteration)
{
for (i = 1; i < M - 1; i++)
{
for (j = 1; j < N - 1; j++)
{
if (((char *)(mask->imageData + i * mask->widthStep))[j] < 0)//壞損區
{
UO = ((float*)(void*)(src->data.ptr + (size_t)src->step*i))[j];
UN = ((float*)(void*)(src->data.ptr + (size_t)src->step*(i-1)))[j];
US = ((float*)(void*)(src->data.ptr + (size_t)src->step*(i+1)))[j];
UE = ((float*)(void*)(src->data.ptr + (size_t)src->step*i))[j+1];
UW = ((float*)(void*)(src->data.ptr + (size_t)src->step*i))[j-1];
UNE = ((float*)(void*)(src->data.ptr + (size_t)src->step*(i-1)))[j+1];
UNW = ((float*)(void*)(src->data.ptr + (size_t)src->step*(i-1)))[j-1];
USE = ((float*)(void*)(src->data.ptr + (size_t)src->step*(i+1)))[j+1];
USW = ((float*)(void*)(src->data.ptr + (size_t)src->step*(i+1)))[j-1];
Un = sqrt((UO - UN) * (UO - UN) + ((UNW - UNE) / 2.0) * ((UNW - UNE) / 2.0));
Ue = sqrt((UO - UE) * (UO - UE) + ((UNE - USE) / 2.0) * ((UNE - USE) / 2.0));
Uw = sqrt((UO - UW) * (UO - UW) + ((UNW - USW) / 2.0) * ((UNW - USW) / 2.0));
Us = sqrt((UO - US) * (UO - US) + ((USW - USE) / 2.0) * ((USW - USE) / 2.0));
Wn = 1.0/sqrt(Un * Un + delta * delta);
We = 1.0/sqrt(Ue * Ue + delta * delta);
Ww = 1.0/sqrt(Uw * Uw + delta * delta);
Ws = 1.0/sqrt(Us * Us + delta * delta);
Hon = Wn/(Wn+We+Ww+Ws+lambda);
Hoe = We/(Wn+We+Ww+Ws+lambda);
How = Ww/(Wn+We+Ww+Ws+lambda);
Hos = Ws/(Wn+We+Ww+Ws+lambda);
Hoo = lambda/(Wn+We+Ww+Ws+lambda);
((float*)(void*)(src->data.ptr + (size_t)src->step*i))[j]=(Hon*UN+Hoe*UE+How*UW+Hos*US+Hoo*UO);
}
}
}
iteration--;
}
cvConvert(src, src_uint8);
t = ((double)getTickCount() - t)/getTickFrequency();
printf("算法用時:%f秒\n", t);
cvShowImage("修複結果", src_uint8);
cvWaitKey(0);
}
由于疊代次數和浮點數的運算,使得算法時間較長,效果如下,仔細觀察可以看出仍有細節處修複效果不是很理想。在TV模型之後,又出現了許多改進的TV模型,在速度和效果上都比理想,此處不深入探讨。
本文所需的實驗材料都已打包上傳,點選此處下載下傳:http://download.csdn.net/detail/hujingshuang/8500553
如有疑問請加群:數字圖像處理群:389011389
特别注意:
1、本部落格例程僅做學習交流用,切勿用于商業用途。
2、歡迎交流,轉載請注明出處:http://blog.csdn.net/hujingshuang/article/details/44257179