An Image Inpainting Technique Based onthe Fast Marching Method论文阅读

这篇文章是opencv内inpaint函数(Telea)所对应的论文。在如今深度学习纵横的今天，传统方式在一定程度上依然还有一席之地。

1.算法流程

总所周知，待修复的图像往往会被分为完好的区域和待校正区域，我们记图片的所有区域为，待修复区域为，然后从待修复区域里取一条窄带。之后，图片就可以分为三个区域，分别是完好区域，待修复区域，和窄带区域。随后，我们从窄带中不断选点，并在该点临近的完好区域，修复，并慢慢将窄带往待修复区域内扩张。最终就可以修复所有的待修复区域里的点。

但是，我们是如何在窄带中选点修复的呢？

首先，我们会将三个区域（完好，窄带，待修复）上的点，到窄带和完好区域交界处的距离设为T,在初始化时，将在完好区域内的点的T设置为0，待修复区域内的点的T设置为正无穷(论文中实际代码设置为1e^6),而在窄带内区域的点的T则是需要不断计算更新的，我们每次选取在窄带中T值最小的点做修复。

点已经选好了，那么区域怎么找呢？在论文中，作者说，对于不是太“厚”的区域，我们可以取那个坏点附近完好区域内的6个像素点，如果是比较“厚”的区域，那么就需要取12个像素点。

现在万事俱备，就只剩修复了。我们先看在完好区域内一个点对待修复点的影响。

在这张图上，p是在窄带上待修复的点，q是p点附近完好区域的点，之后的操作如公式所示：

I q ( p ) = I ( q ) + ∇ I ( q )( p − q ) .，我们用了q点的灰度值，加上q点的灰度梯度方向乘以pq向量方向。

图像灰度梯度向量：

之后，再两个向量对应相乘。

这是对应一个点所需要的操作，下面让我们看看多个点时：

在修复完窄带上的点p后，我们需要更新p点的T，

对应伪代码如下：

而所对应的权重泽等于dir,dst,lev三者相乘

 

tips:实际实现时，d0和T0都为1.N(p)为q的灰度梯度法向单位向量。

单点修复的伪代码如下：