【图像修复】FMM+Criminisi算法彩色图像修复【含GUI Matlab源码 1507期】

最新推荐文章于 2024-09-11 00:19:50 发布

Matlab武动乾坤

最新推荐文章于 2024-09-11 00:19:50 发布

阅读量979

点赞数 21

分类专栏： Matlab图像处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/135500417

版权

Matlab图像处理（进阶版）专栏收录该内容

870 篇文章 19 订阅

订阅专栏

本文介绍了FMM算法和Criminisi算法在Matlab中的应用，涉及图像修复过程中的邻域处理、权重函数和修复顺序策略，以及使用Matlab2014a进行的具体示例。同时，文章提到了两种算法在图像修复中的优势和相关参考资料。

摘要由CSDN通过智能技术生成

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

一、FMM+Criminisi算法简介

1 FMM算法
FMM算法是由Telea在2004年提出的，主要思想是先处理待修复区域边缘的像素，然后逐步向内推进，直到所有空洞点修复完毕。设Λ为待修复区域，Λ为区域Λ的边界，p为区域Λ的任意一点，在点p周围已知图像内选择一邻域U(p）。为了填充更加精确，增加已知像素点q对待填充空洞点p的影响，添加一个权重函数w(p,q），在邻域U(p）尺度较小时，对点p一阶估计：
在这里插入图片描述
其中I位像素值，I(q）为q点的梯度，w(p,q)=dir(p,q)dst(p,q)lev(p,q),dit(p,q）为距离因子，反映了已知像素q对待填充空洞点p的距离影响；lev(p,q）为水平集因子，反映了到达时间的影响；dir(p,q）为方向因子，反映了已知像素q对待填充空洞点p的纹理相关性的影响。对边界填充完后，需要不断迭代上述步骤，逐渐收缩边界直至空洞区域修复完毕。

2 Criminisi 算法
Criminisi 算法将图像结构信息作为图像修复顺序参考，在修复过程中能根据图像信息合理安排修复顺序。Criminisi 算法除了对大区域破损图像的修复有较好效果，其执行效率也有明显优势。

2.1 Criminisi 算法原理
在这里插入图片描述
2.2 算法流程
Criminisi 算法流程关键在于破损区域的填补顺序。实现步骤为：

二、部分源代码

function varargout = mygui(varargin)
% MYGUI MATLAB code for mygui.fig
%      MYGUI, by itself, creates a new MYGUI or raises the existing
%      singleton*.
%
%      H = MYGUI returns the handle to a new MYGUI or the handle to
%      the existing singleton*.
%
%      MYGUI('CALLBACK',hObject,eventData,handles,...) calls the local
%      function named CALLBACK in MYGUI.M with the given input arguments.
%
%      MYGUI('Property','Value',...) creates a new MYGUI or raises the
%      existing singleton*.  Starting from the left, property value pairs are
%      applied to the GUI before mygui_OpeningFcn gets called.  An
%      unrecognized property name or invalid value makes property application
%      stop.  All inputs are passed to mygui_OpeningFcn via varargin.
%
%      *See GUI Options on GUIDE's Tools menu.  Choose "GUI allows only one
%      instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help mygui

% Last Modified by GUIDE v2.5 25-Nov-2021 09:35:16

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name',       mfilename, ...
                   'gui_Singleton',  gui_Singleton, ...
                   'gui_OpeningFcn', @mygui_OpeningFcn, ...
                   'gui_OutputFcn',  @mygui_OutputFcn, ...
                   'gui_LayoutFcn',  [] , ...
                   'gui_Callback',   []);
if nargin && ischar(varargin{1})
    gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
    [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
    gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT


% --- Executes just before mygui is made visible.
function mygui_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject    handle to figure
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
% varargin   command line arguments to mygui (see VARARGIN)

% Choose default command line output for mygui
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);

% UIWAIT makes mygui wait for user response (see UIRESUME)
% uiwait(handles.figure1);
addpath(genpath('FFM_inpaint'));
addpath(genpath('get_mask'));
addpath(genpath('criminisi_inpaint'));

set(figure,'Visible','off');

global I1_g I2_g I1_mask I2_mask;
I1_mask=[];
I2_mask=[];
img1 = imread('img1.JPG');
img1 = imresize(img1, 0.4); %为了提高运算速度，缩小图片
I1_g = img1;

img2 = imread('img2.JPG');
img2 = imresize(img2, 0.2); %缩小图片
I2_g = img2;

axes(handles.axes1);
imshow(img1);

% --- Outputs from this function are returned to the command line.
function varargout = mygui_OutputFcn(hObject, eventdata, handles) 
% varargout  cell array for returning output args (see VARARGOUT);
% hObject    handle to figure
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;


% --- Executes on selection change in popupmenu1.
function popupmenu1_Callback(hObject, eventdata, handles)
% hObject    handle to popupmenu1 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)

% Hints: contents = cellstr(get(hObject,'String')) returns popupmenu1 contents as cell array
%        contents{get(hObject,'Value')} returns selected item from popupmenu1
global I1_g I2_g;
pic_num=get(hObject,'Value');
if pic_num==1
    img = I1_g;
else
    img = I2_g;
end
axes(handles.axes1);
imshow(img);


% --- Executes during object creation, after setting all properties.
function popupmenu1_CreateFcn(hObject, eventdata, handles)
% hObject    handle to popupmenu1 (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    empty - handles not created until after all CreateFcns called

% Hint: popupmenu controls usually have a white background on Windows.
%       See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
    set(hObject,'BackgroundColor','white');
end


% --- Executes on button press in pushbutton_mask.
function pushbutton_mask_Callback(hObject, eventdata, handles)
% hObject    handle to pushbutton_mask (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
global I1_g I2_g I1_mask I2_mask line2_thick_mask;
pic_num=get(handles.popupmenu1,'Value');
if pic_num==1
   I1_gray = rgb2gray(I1_g);
   I1_mask = get_mask_1(I1_gray, floor(509*size(I1_gray,1)/719)); 
   
else
  
    
end
function BW = imbinarize(I,varargin) %#codegen
%imbinarize Binarize image by thresholding.

%   

%   Syntax
%   ------
%
%       BW = imbinarize(I)
%       BW = imbinarize(I,method)
%       BW = imbinarize(I,'adaptive',Param,Value,...)
%       BW = imbinarize(I,t)
%
%   Input Specs
%   -----------
%
%      I:
%        real
%        non-sparse
%        2d
%        uint8, uint16, uint32, int8, int16, int32, single or double
%
%      method:
%        string with value: 'global' or 'adaptive'
%        default: 'global'
%
%      Sensitivity:
%        numeric
%        real
%        non-sparse
%        scalar
%        non-negative
%        <= 1
%        default: 0.5
%        converted to double
%
%      ForegroundPolarity:
%        string with value either 'bright' or 'dark'
%        default: 'bright'
%
%      t:
%        numeric
%        real
%        non-sparse
%        2d
%        either scalar or matrix of the same size as I
%
%   Output Specs
%   ------------
%
%     BW:
%       logical
%       2D matrix
%       same size as I
%

% Validate the input image
validateImage(I);

% Parse and validate optional inputs
[isNumericThreshold,options] = parseOptionalInputs(I,varargin{:});
coder.internal.prefer_const(isNumericThreshold,options);

if isNumericThreshold
    % BW = imbinarize(I,t)
    BW = binarize(I,options.t);
else
    if strcmp(options.method,'global')
        % BW = imbinarize(I,'global')
        t = computeGlobalThreshold(I);
    else
        % BW = imbinarize(I,'adaptive',...)
        t = adaptthresh(I,options.sensitivity,'ForegroundPolarity',options.polarity);
    end
    BW = binarize(I,t);
end

三、运行结果

在这里插入图片描述

四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社，2015.
[5]张汝峰,项璟,陈鹏,张亚娟,张喜英,薛瑞.基于FMM算法的深度图像修复研究[J].湖北农机化. 2020,(01)
[6]齐玲,王锦.一种基于Criminisi算法改进的图像修复技术[J].软件导刊. 2019,18(04)

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]何埜,李光耀,肖莽,谢力,彭磊,唐可.基于深度信息的图像修复算法[J].计算机应用. 2015,35(10)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合