摘  要： 利用灰度共生矩陣提取圖像紋理特征值，然后根據(jù)熵值的大小來實現(xiàn)模塊大小的選擇。另外，在尋找最佳匹配塊時，同時考慮了顏色信息的差異和空間距離的因素。最后，給出了客觀評價圖像修復(fù)質(zhì)量的PSNR度量。實驗表明，與Criminisi算法相比，該方法得到的修復(fù)效果更自然，更符合人的視覺感知。
關(guān)鍵詞： 圖像修復(fù)；紋理合成；灰度共生矩陣；熵；模塊大??；最佳匹配塊

　圖像修復(fù)是針對有信息缺損的圖像，利用圖像中已知區(qū)域的信息按照一定的規(guī)則填充缺損區(qū)域的過程，并使觀察者察覺不出圖像曾經(jīng)缺損或已被修復(fù)[1]。其對文物保護(hù)、影視特技制作、老照片修復(fù)、圖像中文本及障礙物的去除等都具有重要的應(yīng)用價值。
　在基于紋理合成的圖像修復(fù)算法中，具有代表性的是Criminisi算法[2]，它使用優(yōu)先權(quán)函數(shù)來確定待修復(fù)塊的填充順序，較好地修復(fù)了圖像的結(jié)構(gòu)和紋理信息，取得了不錯的效果。但無論圖像紋理是否復(fù)雜，其模塊大小始終為固定值，不能根據(jù)圖像的紋理是否復(fù)雜進(jìn)行合理的選擇，這對于某些圖像的修復(fù)，效果不佳。目前，對于Criminisi算法中存在的上述不足，已經(jīng)有不少學(xué)者對其進(jìn)行了各種改進(jìn)[3-8]，實現(xiàn)了模塊大小的自適應(yīng)選擇，得到了較好的修復(fù)結(jié)果。
　考慮到模塊大小的選擇跟紋理的復(fù)雜程度有關(guān)，本文首先利用灰度共生矩陣提取圖像紋理特征值，然后根據(jù)熵值的大小來實現(xiàn)模塊大小的選擇。另外，為了解決當(dāng)最佳匹配塊存在多個時，Criminisi算法可能由于選擇不當(dāng)而導(dǎo)致修復(fù)效果不佳的問題，本文在尋找最佳匹配塊的同時，考慮了顏色信息的差異和空間距離的因素。實驗結(jié)果表明，該算法合理有效，得到的修復(fù)效果更令人滿意。

2.3 改進(jìn)算法主要步驟
　初始時置i=0；
?。?）抽取用戶選定的待修復(fù)區(qū)域?贅（=?贅°）的邊界δ?贅（=δ?贅°）；
?。?）設(shè)Ng=8，d=5，夾角θ=0°，45°，90°，135°，計算圖像已知區(qū)域在4個方向上的Ng×Ng矩陣P1、P2、P3、P4，然后分別進(jìn)行歸一化；
?。?）分別計算4個矩陣的熵特征值，并進(jìn)行歸一化；
?。?）對步驟（3）中得到的4個值進(jìn)行加權(quán)平均，再根據(jù)如下對應(yīng)關(guān)系選擇模塊大小；

　從以上實驗對比中可以看出，相比于Criminisi算法，本文得到的修復(fù)結(jié)果更自然，更符合人的視覺感知。從圖3看到，雖然本文算法所選模塊大小與Criminisi算法一樣，但是本算法避免了最佳匹配塊的選擇不當(dāng)問題，因而得到的修復(fù)結(jié)果更理想。以圖4可以看到，本算法所選模塊較小，包含的紋理單元也較少，則較容易找到與之相似度高的匹配塊，從而增強(qiáng)了圖像的修復(fù)效果。在圖5與圖6中，本算法的模塊都較大，確保了紋理結(jié)構(gòu)的完整性。其中，圖5中得到的修復(fù)結(jié)果對三角形內(nèi)部修復(fù)得很好，不再出現(xiàn)白色區(qū)域，保證了三角形紋理結(jié)構(gòu)的完整性；圖6結(jié)果顯示本文對弧線結(jié)構(gòu)修復(fù)得更好，不存在斷裂的現(xiàn)象。通過以上的實驗分析，說明了本算法的可行性及有效性。
為進(jìn)一步分析本文算法的修復(fù)質(zhì)量，表1給出了利用峰值信噪比測度PSNR（Peak Signal to Noise Ratio）對　本文算法及Criminisi算法得到的修復(fù)結(jié)果進(jìn)行客觀評價。從表1可以看出，本算法修復(fù)結(jié)果的峰值信噪比比Criminisi算法來得高，即說明了本文修復(fù)的效果較好。
　通過圖7進(jìn)一步說明了本方法可避免當(dāng)最佳匹配塊存在多個時，由于選擇不當(dāng)而使修復(fù)效果不好的問題。其中，圖7（a）為原圖像；圖7（b）為待修復(fù)圖像；圖7（c）為Criminisi算法，winsize=4；圖7（d）為只采用本文中模塊大小的選擇的方法，winsize=9；圖7（e）為本算法，結(jié)合模塊大小的選擇及最佳匹配塊的選擇的方法，winsize=9，比較圖7（c）和圖7（d）發(fā)現(xiàn)，采用模塊大小的選擇的方法在一定程度上改善了圖像的修復(fù)質(zhì)量，但仍存在一定的缺陷；從圖7（e）相較于圖7（c）和圖7（d）容易發(fā)現(xiàn)，采用方法得到的修復(fù)效果最好。

　本文分析了Criminisi算法，并針對其存在的某些不足，提出了一種新的改進(jìn)方法。實驗表明，本算法可根據(jù)圖像的紋理是否復(fù)雜來靈活地選擇合適的模塊大小，同時可避免由于最佳匹配塊選擇不當(dāng)而使修復(fù)效果不好的問題。然而本算法給模塊大小winsize只提供了6個可選值，即winsize=2、3、4、5、7、9。雖然這幾個值在一般情況下能適用于大多數(shù)缺損圖像的修復(fù)，但是對于一些個別的圖像，其修復(fù)效果仍不夠理想，還需對其做進(jìn)一步的改進(jìn)。
參考文獻(xiàn)
[1] 張紅英，彭啟琮.數(shù)字圖像修復(fù)技術(shù)綜述[J].中國圖象圖形學(xué)報，2007，12（1）：1-10.
[2] CRIMINISI A， PEREZ P， TOYAMA K. Region filling and object removal by exemplar-based image inpainting[J]. IEEE Transactions on Image Processing， 2004，13（9）：1200-1212.
[3] 屈磊，韋穗，梁棟，等.快速自適應(yīng)模板圖像修復(fù)算法[M].中國圖象圖形學(xué)報，2008，13（1）：24-28.
[4] 楊秀紅，王慧琴，李蘇莉.基于自適應(yīng)模板和置信度更新的圖像修復(fù)算法[J].電子科技，2009，22（12）：69-72．
[5] 付紹春，樓順天.基于區(qū)域紋理合成的圖像修補(bǔ)算法[J].電子與信息學(xué)報，2009，31（6）：1319-1322．
[6] Zhou H L， Zheng J M. Adaptive patch size determination for patch-based image completion[C]. Proceedings of 2010 17th IEEE International Conference on Image Processing，2010：421-424．
[7] 孟春芝，何凱，焦青蘭.自適應(yīng)樣本塊大小的圖像修復(fù)方法[J].中國圖象圖形學(xué)報，2012，7（3）：337-341.
[8] 張偉偉，何凱，孟春芝.自適應(yīng)選取樣本塊大小的紋理合成方法.計算機(jī)工程與應(yīng)用，2012，48（17）：170-173．