前言:图像修复是一项非常有意义的研究工作,比如我们生活中的照片被污染,再比如名贵字画、国家文物壁画等珍贵物品被破坏,这些都需要图像修复工作来完成。
简介:整体变分(Total Variation)的方法最早是用来对受到噪声污染的图像进行降噪的,在这方面的应用最早是由L.Rudin和S.Osher等人在1992年提出的,2002年Chan等人把TV模型推广到图像修补中,并提出了基于TV模型的图像修补方法,同时说明了TV修补模型的缺点,进一步提出了CDD修补模型(curvature driven diffusions),此修补模型改正了TV修补模型的缺陷,对图像的修补具有很好的效果。
一、TV模型介绍
如图所示:D区域是被污染区(待修复),E是D的邻域
下面直接给出TV模型的数学公式:
①
其中:u是图像中的像素点,λ为设定的参数
在该模型基础上,考虑到噪声的影响,边界E区域产生的噪声不能超过一定的范围;根据最佳猜测和贝叶斯理论,要求图像u在满足约束条件下使它的能量泛函最小,因此约束条件记做:公式②。根据拉格朗日乘数法,将①②方程转化成为一个求极值的方程,对其求导数并令其等于0,可得到如下方程:
其中:div代表散度(关于图像中的散度解释,可见此处:在图像处理中,散度 div 具体的作用是什么?)
由于图像是离散的数值,故可看做如下构成。其中:O为污染点,邻域B=(N,S,W,E),半像素邻域B' =(n,s,w,e)。
因此,离散化后可得到表达式:
化简得到最终的表达式:
其中:λe(O)为中心O处的λ参数,与上λe一致;uo为O点修复后的像素,另一个为O点修复前的原始像素。将上式迭代,知道达到较好的修复效果。
到此,TV模型的理论推导已完成。接下来就是要编程实现其功能。
matlab源码实现:
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,[]); %合成的需要修复的图像
lambda=0.2;
a=0.5;%避免分母为0
imgn=img;
for l=1:1500 %迭代次数
for i=2:m-1
for j=2:n-1
if mask(i,j)==0 %如果当前像素是被污染的像素,则进行处理
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源码实现:
#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)
{
//读取原始图像及掩模图像
IplImage *src_uint8 = cvLoadImage("src.jpg", CV_LOAD_IMAGE_GRAYSCALE);
IplImage *mask = cvLoadImage("mask.jpg", CV_LOAD_IMAGE_GRAYSCALE);
//合成需要修复的图像
int M = mask->height;
int N = mask->width;
int i, j;
CvMat *src = cvCreateMat(M, N, CV_32FC1);//存放浮点图像
cvConvert(src_uint8, src);
for (i = 0; i < M; i++)
{
for (j = 0; j < N; j++)
{
if ((mask->imageData + i * mask->widthStep)[j] < 0)//理解此处判别条件,根据情况自行更改
{
((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("需要修复的图像", src_uint8);
cvWaitKey(0);
double t = getTickCount();//当前滴答数
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)//坏损区
{
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("算法用时:%f秒\n", t);
cvShowImage("修复结果", src_uint8);
cvWaitKey(0);
}
由于迭代次数和浮点数的运算,使得算法时间较长,效果如下,仔细观察可以看出仍有细节处修复效果不是很理想。在TV模型之后,又出现了许多改进的TV模型,在速度和效果上都比理想,此处不深入探讨。
本文所需的实验材料都已打包上传,点击此处下载:http://download.csdn.net/detail/hujingshuang/8500553
如有疑问请加群:数字图像处理群:389011389
特别注意:
1、本博客例程仅做学习交流用,切勿用于商业用途。
2、欢迎交流,转载请注明出处:http://blog.csdn.net/hujingshuang/article/details/44257179