改進(jìn)的CDD圖像修復(fù)模型算法

李建民，汪 琦，林振榮+，袁 梁

(1.南昌大學(xué) 信息工程學(xué)院，江西 南昌 330031；2.新余學(xué)院 中興通訊信息學(xué)院，江西 新余 338004)

0 引 言

數(shù)字圖像修復(fù)技術(shù)[1](digital inpainting)是由Bertalmio等通過(guò)長(zhǎng)期的探索和實(shí)驗(yàn)，并建立數(shù)學(xué)模型而提出的概念。近些年，基于偏微分方程(PDE)的數(shù)字圖像修復(fù)技術(shù)一直是計(jì)算機(jī)視覺(jué)中的熱門(mén)話題之一。該技術(shù)時(shí)常用于對(duì)一些年代久遠(yuǎn)的照片和被噪聲污染的圖像進(jìn)行復(fù)原。主要有TV模型修復(fù)算法和CDD模型修復(fù)算法，它們?cè)诮鉀Q待修復(fù)區(qū)域較小的圖像上有很好的效果。TV模型是采用各向異性擴(kuò)散的形式對(duì)破損的邊緣區(qū)域來(lái)進(jìn)行修復(fù)的，然而該模型并不能較好達(dá)到連接斷裂邊緣區(qū)域的視覺(jué)連通性[2]要求，因此，CDD模型是在此基礎(chǔ)上引進(jìn)曲率驅(qū)動(dòng)而提出的高階偏微分方程模型[3]，然而CDD模型仍然存在收斂性差，修復(fù)時(shí)間長(zhǎng)，邊緣模糊等問(wèn)題，在近幾年的研究中，國(guó)內(nèi)外對(duì)CDD模型做了進(jìn)一步的研究與改進(jìn)，文獻(xiàn)[2]提出了一種自適應(yīng)的改進(jìn)算法，引入自適應(yīng)系數(shù)使得圖像在不同的曲率區(qū)域的擴(kuò)散方式不同來(lái)保證修復(fù)的效果，文獻(xiàn)[4]提出一種結(jié)合退化模型的改進(jìn)算法，通過(guò)對(duì)待修復(fù)像素點(diǎn)梯度和曲率進(jìn)行加權(quán)處理來(lái)保證邊緣連通性。

本文針對(duì)以上的研究，通過(guò)改變曲率，定義像素點(diǎn)灰度差值比率和引入權(quán)重平滑函數(shù)的方式改進(jìn)傳導(dǎo)系數(shù)來(lái)建立一種改進(jìn)的CDD模型算法。

1 CDD模型介紹

CDD模型是在TV模型的原理上引入了曲率項(xiàng)驅(qū)動(dòng)所提出的改進(jìn)模型。其中TV模型定義的能量函數(shù)為

(1)

并且滿足如下噪聲約束

(2)

上述公式中，ux,y表示圖像函數(shù)，u0x,y為受到噪聲影響的圖像函數(shù)，r為非負(fù)函數(shù)，ux,y為該函數(shù)的梯度，E為破損區(qū)域，D為破損區(qū)域周圍的鄰接區(qū)域,AE表示領(lǐng)域E的面積，σ為高斯噪聲的標(biāo)準(zhǔn)差，為了達(dá)到修復(fù)邊緣并盡可能平滑破損區(qū)域的要求，取ru=u，根據(jù)拉格朗日乘子法將有約束的式(1)和式(2)轉(zhuǎn)化為無(wú)約束的泛函，其代價(jià)函數(shù)為

(3)

式(3)中第一項(xiàng)為圖像的全變分，保證待修復(fù)區(qū)域的平滑性，第二項(xiàng)為保真項(xiàng)，盡可能保持去除噪聲后圖像的質(zhì)量。根據(jù)歐拉-拉格朗日方程可知，代價(jià)函數(shù)求得極值應(yīng)該滿足

·λu-u0=0

(4)

圖1 視覺(jué)上的連通原理

為了解決這個(gè)問(wèn)題，考慮到擴(kuò)散不僅僅依賴于梯度值還受到等照度線上的幾何信息影響，Chan等在TV模型原理上提出了CDD模型，用曲率來(lái)表示等照度線的幾何信息并將其作用到擴(kuò)散系數(shù)中，引入曲率函數(shù)gk，傳導(dǎo)系數(shù)修改為gku-1。函數(shù)gk的定義為

(5)

其中，k為曲率，k=·由于函數(shù)的遞增性，這樣可使圖像在曲率較大的區(qū)域擴(kuò)散強(qiáng)度變大，在曲率較小的區(qū)域擴(kuò)散強(qiáng)度逐漸消失。因此，CDD模型為

(6)

2 CDD模型的改進(jìn)與實(shí)現(xiàn)

2.1 改進(jìn)的CDD模型修復(fù)模型

由于圖像的像素點(diǎn)的灰度值基本是一種接近平滑的變化，所以像素點(diǎn)與領(lǐng)域內(nèi)灰度差值越大的區(qū)域一定是待修復(fù)區(qū)域，擴(kuò)散速度應(yīng)該變慢。反之，則是相對(duì)平坦的區(qū)域，擴(kuò)散速度應(yīng)該加快。

通過(guò)以上分析，先將曲率函數(shù)gk的參數(shù)重新定義為k=·u，由于k中舍去了，避免了u=0的奇異性，同時(shí)也有效減少數(shù)值運(yùn)算曲率過(guò)程中參考點(diǎn)的梯度模值的時(shí)間。由于梯度是矢量，為了方便數(shù)值計(jì)算分析，本文通過(guò)定義灰度差值比率[6]來(lái)描述梯度方向和大小變化的程度

(7)

2.2 數(shù)值計(jì)算

用半點(diǎn)中心差分法[7,8]對(duì)模型進(jìn)行離散化來(lái)求解偏微分方程，具體過(guò)程如下。

如圖2所示，O為待修復(fù)像素點(diǎn)，引入半鄰域像素是為了數(shù)值計(jì)算的穩(wěn)定和減少誤差。記Λ={E,N,W,S}，M={n,s,e,w}分別為鄰域像素點(diǎn)集合和半鄰域像素點(diǎn)的集合。

圖2 待修復(fù)像素點(diǎn)和鄰域

綜上所述，改進(jìn)的CDD模型為

(8)

改進(jìn)的CDD模型算法求解的歐拉-拉格朗日方程為

·gk·h(Tp)·u-λu-u0=0

(9)

令divv=v1,v2=gk·hT·u，對(duì)散度進(jìn)行中心差分方法可以近似離散化為

·≈

(10)

(11)

(12)

(13)

(14)

(15)

之后再計(jì)算出曲率函數(shù)參數(shù)kq的值(q為半像素點(diǎn)的集合)，設(shè)I=v1,v2=u，對(duì)散度進(jìn)行離散化處理后，可得

(16)

下面以像素e為例

·

(17)

為了計(jì)算對(duì)角領(lǐng)域上像素點(diǎn)的梯度，將領(lǐng)域范圍擴(kuò)展到5×5的大小來(lái)進(jìn)行計(jì)算，如圖3所示。

圖3 5×5鄰域

(18)

(19)

(20)

(21)

下標(biāo)O表示待修復(fù)像素點(diǎn)，u0為破損的像素點(diǎn)。為了簡(jiǎn)化計(jì)算，令

wq=gkq·hTq

(22)

(23)

(24)

將上述公式代入式(21)中可得

(25)

(26)

2.3 算法步驟

(1)讀入待修復(fù)圖像，對(duì)其進(jìn)行歸一化處理。

(2)選擇相應(yīng)的迭代次數(shù)，之后確定破損區(qū)域的掩膜信息。

(3)根據(jù)式(10)至式(20)，計(jì)算待修復(fù)區(qū)域每個(gè)像素點(diǎn)周圍領(lǐng)域指定點(diǎn)的擴(kuò)散系數(shù)。

(4)根據(jù)公式計(jì)算出新的像素值，替換原來(lái)的像素值并轉(zhuǎn)至第(3)步繼續(xù)執(zhí)行，直到迭代次數(shù)完成。

2.4 實(shí)驗(yàn)結(jié)果分析

在Matlab2014a上對(duì)TV模型、CDD模型、文獻(xiàn)[4]、本文改進(jìn)的模型進(jìn)行了大量的仿真實(shí)驗(yàn)。

如果圖像修復(fù)后的結(jié)果需要標(biāo)準(zhǔn)規(guī)范來(lái)衡量，通常分為主觀評(píng)價(jià)和客觀評(píng)價(jià)兩種方法來(lái)進(jìn)行評(píng)判。當(dāng)修復(fù)結(jié)果不能從評(píng)價(jià)者的視覺(jué)感官做出評(píng)判時(shí)，本文采用主觀與客觀相結(jié)合的方式進(jìn)行評(píng)判[9]，客觀評(píng)價(jià)標(biāo)準(zhǔn)中采用峰值信噪比[10](PSNR)和修復(fù)時(shí)間結(jié)合的方式作為圖像修復(fù)后的衡量標(biāo)準(zhǔn)，主觀評(píng)價(jià)標(biāo)準(zhǔn)中采用評(píng)判者對(duì)圖像的主觀感受來(lái)評(píng)判圖像修復(fù)后的效果。PSNR的計(jì)算公式如下

(27)

通過(guò)以下實(shí)驗(yàn)進(jìn)行仿真修復(fù)。迭代次數(shù)分別取n=30、50、100、200、500,ε=0.0001。

實(shí)驗(yàn)一：對(duì)容易造成視覺(jué)連通性問(wèn)題的圖4(203×40)進(jìn)行修復(fù)，以100次迭代后的結(jié)果作對(duì)比，實(shí)驗(yàn)效果如表1、表2、圖4所示。

實(shí)驗(yàn)一對(duì)比結(jié)果從主觀感受可以看出，圖4(c)中圖像的4個(gè)拐點(diǎn)沒(méi)有在梯度方向得到充分的擴(kuò)散，修復(fù)效果不佳。而圖4(d)～圖4(f)中邊緣信息得到了充分的擴(kuò)散，修復(fù)效果較好。因此，可以得出TV模型無(wú)法滿足連通性原理，而CDD模型、文獻(xiàn)[4]、本文改進(jìn)的模型都滿足連通性，且通過(guò)表1和表2的數(shù)據(jù)觀察，從客觀評(píng)價(jià)中可以得出CDD模型、文獻(xiàn)[4]、本文改進(jìn)的算法模型的迭代次數(shù)對(duì)峰值信噪比(PSNR)的影響不明顯。TV模型修復(fù)時(shí)間雖然快，但修復(fù)效果差，而本文改進(jìn)的算法模型在滿足視覺(jué)連通性的情況下修復(fù)時(shí)間明顯要快于CDD模型和文獻(xiàn)[4]。

圖4 實(shí)驗(yàn)一修復(fù)對(duì)比

迭代次數(shù)PSNR/dBTV模型CDD模型文獻(xiàn)[4]本文算法304.1413.7813.7813.78504.3213.7813.7813.781004.6013.7813.7813.782004.9113.7813.7813.785005.2513.7813.7813.78

表2 迭代次數(shù)與時(shí)間關(guān)系

實(shí)驗(yàn)二：對(duì)有小面積劃痕的child圖(355×256)進(jìn)行修復(fù)，以500次迭代后的結(jié)果作對(duì)比，實(shí)驗(yàn)效果如圖5、圖6和圖7所示。

圖5 實(shí)驗(yàn)二迭代次數(shù)與PSNR關(guān)系

圖6 實(shí)驗(yàn)二迭代次數(shù)與修復(fù)時(shí)間關(guān)系

圖7 實(shí)驗(yàn)二修復(fù)對(duì)比

實(shí)驗(yàn)二對(duì)比結(jié)果從主觀感受可以看出，圖7(d)中child圖的邊緣斷裂明顯，圖7(c)和圖7(e)中child圖左邊臉頰至下巴的破損區(qū)域過(guò)渡不自然，而圖7(f)中的修復(fù)效果則較為理想。CDD模型對(duì)較寬、較大的劃痕邊緣區(qū)域連接效果不好。通過(guò)圖5和圖6的數(shù)據(jù)，從客觀評(píng)價(jià)中不難得出，CDD模型隨著迭代次數(shù)的增長(zhǎng)，修復(fù)時(shí)間越長(zhǎng)，收斂性較差。文獻(xiàn)[4]的修峰值信噪比明顯優(yōu)于CDD模型，由于仍然沒(méi)有簡(jiǎn)化數(shù)值計(jì)算曲率的過(guò)程，所以修復(fù)時(shí)間并沒(méi)有減少，本文改進(jìn)的CDD模型算法在修復(fù)時(shí)間和PSNR的大小上要明顯優(yōu)于前面兩者。

實(shí)驗(yàn)三：對(duì)有大面積文字污染的vegetables圖(256×256)進(jìn)行修復(fù)，以500次迭代后的結(jié)果作對(duì)比，實(shí)驗(yàn)效果如圖8、圖9和圖10所示。

圖8 實(shí)驗(yàn)三迭代次數(shù)與PSNR關(guān)系

圖10 實(shí)驗(yàn)三修復(fù)對(duì)比

實(shí)驗(yàn)三結(jié)果從主觀感受可以看出，CDD模型對(duì)有大量文字的破損圖像的修復(fù)收斂性較差，文字區(qū)域在修復(fù)后仍然有少量細(xì)小斑點(diǎn)未連接起來(lái)。從圖8和圖9的數(shù)據(jù)來(lái)看，運(yùn)用客觀評(píng)價(jià)的方法可知文獻(xiàn)[4]和本文改進(jìn)的CDD模型能在迭代次數(shù)較少的情況下達(dá)到明顯的修復(fù)效果，PSNR較高。但是文獻(xiàn)[4]的修復(fù)時(shí)間仍然非常緩慢，本文改進(jìn)的CDD模型在收斂性、修復(fù)時(shí)間和修復(fù)效果都明顯優(yōu)于其它兩者。

3 結(jié)束語(yǔ)

本文首先介紹了TV模型和CDD模型的推導(dǎo)過(guò)程。之后，在CDD模型的基礎(chǔ)上通過(guò)簡(jiǎn)化曲率項(xiàng)運(yùn)算，引入像素點(diǎn)灰度差值比率和權(quán)重平滑函數(shù)建立了一種改進(jìn)的CDD圖像修復(fù)模型算法。從實(shí)驗(yàn)結(jié)果得出，本文改進(jìn)的修復(fù)算法不僅滿足了視覺(jué)的連通性原理，而且對(duì)小面積破損和大面積文字干擾的圖像都有較好的修復(fù)效果，能在迭代次數(shù)較少的情況下收斂，迭代次數(shù)相等的情況下，修復(fù)時(shí)間和峰值信噪比值明顯優(yōu)于CDD模型，并且同時(shí)與文獻(xiàn)[4]的對(duì)比也驗(yàn)證了本文修復(fù)模型算法在數(shù)字圖像修復(fù)方向的良好性與實(shí)用性。