基于能量信息耦合梯度調(diào)節(jié)機(jī)制的圖像修復(fù)算法設(shè)計與應(yīng)用

杜 媛

(西安職業(yè)技術(shù)學(xué)院 大數(shù)據(jù)應(yīng)用學(xué)院，西安 710072)

0 引言

在當(dāng)今人們越來越重視信息傳遞的環(huán)境下，得益于數(shù)字圖像的便捷性和易獲取性，數(shù)字圖像也得到了更為寬廣的使用，在航空航天、醫(yī)療診斷以及汽車制造等多個領(lǐng)域都可以看到數(shù)字圖像技術(shù)的使用[1]?，F(xiàn)代發(fā)達(dá)的科技，使得人們易于獲取與保存數(shù)字圖像。但在數(shù)字圖像的保存與使用等處理過程中，也會出現(xiàn)數(shù)字圖像損壞的情況，損壞的數(shù)字圖像不僅會降低數(shù)字圖像的觀賞性，甚至有時還會對傳送的圖像信息造成缺失，使得數(shù)據(jù)傳送出錯[2]。因此，對損壞圖像修復(fù)的方法進(jìn)行研究，就變得貼切于生活，成為了一項具有實際應(yīng)用價值的工作[3]。當(dāng)下圖像修復(fù)技術(shù)已在新聞傳媒、考古研究等領(lǐng)域得到了廣泛的應(yīng)用[4]。

為了修復(fù)損壞的數(shù)字圖像，人們對圖像修復(fù)算法進(jìn)行了研究，如Jia等人[5]在修復(fù)圖像的過程中，采用圖像的置信度信息與結(jié)構(gòu)信息相乘的方式，計算出優(yōu)先權(quán)值，進(jìn)而獲取優(yōu)先修復(fù)塊，接著計算基于IHS空間的圖像梯度，進(jìn)而完成圖像修復(fù)。該方法考慮了圖像的梯度特征，具有一定的修復(fù)效果，但由于該方法主要依靠圖像的置信度信息獲取優(yōu)先修復(fù)塊，忽略了圖像的能量信息，易造成優(yōu)先權(quán)值計算結(jié)果的誤差較大，選取的優(yōu)先修復(fù)塊準(zhǔn)確度不高，使得修復(fù)圖像中含有不連續(xù)現(xiàn)象。Wang等人[6]根據(jù)圖像的空間變化情況更新置信度，以改進(jìn)優(yōu)先權(quán)值的計算，接著通過結(jié)構(gòu)一致的計算方法，求取最優(yōu)補(bǔ)丁塊，以修復(fù)圖像。該方法能夠?qū)ζ茡p圖像進(jìn)行修復(fù)，且考慮了圖像中的結(jié)構(gòu)因素，使得修復(fù)圖像的結(jié)構(gòu)一致性較好，但由于該方法中優(yōu)先權(quán)值的計算是以置信度為主，沒有考慮圖像的能量信息，從而導(dǎo)致修復(fù)圖像中含有偽吉布斯效應(yīng)。Lu等人[7]采用梯度低秩逼近方法，在圖像的水平和垂直梯度上進(jìn)行低階約束，計算梯度相似的最小化，再利用導(dǎo)數(shù)的自適應(yīng)迭代奇異值閾值來修復(fù)圖像。該算法采用了自適應(yīng)的閾值確定方法來修復(fù)圖像，使得修復(fù)的圖像完整度較好，但由于該算法中梯度低秩逼近方法具有一定的逼近誤差，在迭代修復(fù)圖像的過程中，會由于誤差的疊加，使得逼近誤差不斷加大，進(jìn)而使得修復(fù)圖像中含有塊現(xiàn)象。Dong等人[8]提出了一種全廣義變分的圖像修復(fù)模型，引入多級緊幀分解系數(shù)的低階和高階導(dǎo)數(shù)，對圖像進(jìn)行約束，得到多尺度下多個不同方向的特征信息，采用分裂技術(shù)和原對偶算法相結(jié)合的優(yōu)化算法，實現(xiàn)圖像的修復(fù)。該算法利用對圖像信息求導(dǎo)數(shù)的方法，將圖像的特征信息融入到了圖像的修復(fù)過程，使得修復(fù)圖像的紋理等特征較為完善，但由于該算法中使用的廣義變分模型，忽略了像素點(diǎn)間的關(guān)聯(lián)性，使得修復(fù)圖像中含有振鈴效應(yīng)。

對此，本文提出了能量信息耦合梯度調(diào)節(jié)機(jī)制的方法，用于圖像修復(fù)。在置信度和數(shù)據(jù)項的基礎(chǔ)上，加入圖像的能量信息，構(gòu)造優(yōu)先權(quán)測量函數(shù)，以準(zhǔn)確的獲取優(yōu)先修復(fù)塊。利用圖像的梯度模值，建立梯度調(diào)節(jié)機(jī)制，獲取與圖像紋理相適宜的樣本塊大小。引入SSD(sum of squared difference)函數(shù)，搜尋最優(yōu)匹配塊。利用像素點(diǎn)的差值，對置信度進(jìn)行合理的更新。最后，測試了所提算法的修復(fù)性能，從SSIM(structural similarity index)和紋理連貫性兩方面來客觀評價。

1 本文圖像修復(fù)算法

本文算法的修復(fù)過程見圖1?？梢姡撍惴ㄓ汕笕?yōu)先修復(fù)塊、確定樣本塊大小、搜尋最優(yōu)匹配塊和更新置信度項四部分組成。

圖1 本文算法流程設(shè)計圖

1)求取優(yōu)先修復(fù)塊。借助區(qū)域能量函數(shù)，求取圖像的能量信息，將圖像的能量信息加入到待修復(fù)塊的優(yōu)先權(quán)值計算過程中，以克服待修復(fù)塊的置信度項在趨于0時，引起優(yōu)先權(quán)值計算出錯的弊端，從而準(zhǔn)確的獲取優(yōu)先修復(fù)塊。

首先，設(shè)置樣本塊初始化大小為k×k后，通過式(7)計算此時樣本塊的梯度模值GMi。接著將樣本塊大小擴(kuò)大至k=k+2，再次計算此時樣本塊的梯度模值GMi+1。然后，計算擴(kuò)大后樣本塊的梯度模值變化率：

基于以上數(shù)據(jù)可知，各地區(qū)尾水導(dǎo)流工程實際尾水導(dǎo)流量均未達(dá)到工程設(shè)計規(guī)模，各地區(qū)導(dǎo)流工程效益未完全發(fā)揮。而尾水導(dǎo)流規(guī)模未達(dá)到設(shè)計規(guī)模的原因主要在于各地區(qū)管網(wǎng)建設(shè)等配套設(shè)施未健全，部分污水未完全收集。隨著經(jīng)濟(jì)的發(fā)展，經(jīng)濟(jì)總量不斷上升，單位面積經(jīng)濟(jì)增量顯著增加導(dǎo)致的污染物持續(xù)增多，將對沿線生態(tài)環(huán)境產(chǎn)生較大的壓力。如果不能合理收集、處理污水，輸水干線水質(zhì)將受影響。

傳接球失誤是中國男籃失誤率最高的技術(shù)環(huán)節(jié)。一方面，當(dāng)對手突然采用全場緊逼，包夾、圍剿控球后衛(wèi)時，控球隊員未能在第一時間意識到對手的包夾，做出正確的處理決斷；另一方面，與運(yùn)球推進(jìn)過程中，場上隊員前后脫節(jié)，接應(yīng)不及時，接應(yīng)位置選擇欠佳，快速移動中傳接球能力較差有關(guān)。運(yùn)球失誤則主要是個人技術(shù)粗糙，心理壓力增加造成的。

3)搜尋最優(yōu)匹配塊。采用SSD函數(shù)，測量圖像塊間匹配度，搜尋最優(yōu)匹配塊，對待修復(fù)塊進(jìn)行修復(fù)。

利用式(9)求取Yp與已知區(qū)域中所有匹配塊的SSD值，當(dāng)SSD值最小時，說明此時的匹配塊與Yp的匹配度最高，將其作為最優(yōu)匹配塊。

1.1 求取優(yōu)先修復(fù)塊

對于待修復(fù)像素點(diǎn)p對應(yīng)的待修復(fù)塊Yp，置信度項C(p)和數(shù)據(jù)項D(p)分別表達(dá)了其已知信息以及結(jié)構(gòu)信息，其表述分別為[9]：

(1)

(2)

圖像的能量信息在一定程度上反映了圖像內(nèi)容的整體變化情況，圖像的能量信息可借助區(qū)域能量函數(shù)來獲取[12]：

通過C(p)和D(p)計算優(yōu)先權(quán)P(p)的過程為：

采取標(biāo)準(zhǔn)選取的方式篩選病人，選用隨機(jī)抽簽法進(jìn)行篩選。納入我院于2016年3月—2018年3月期間收治的胃腸道穿孔疾病患者中的100例，納入男性患者61例，女性患者39例，年齡為21.5至76歲，平均年齡為（43.2±8.2）歲，體重為（52.1±6.3）kg，病程時間為（7.9±1.8）h。

P(p)=C(p)D(p)

(3)

由于在迭代修復(fù)的過程中，C(p)值會驟降而趨于0，導(dǎo)致P(p)的計算出錯和不穩(wěn)定[10-11]。因此，本文引入圖像的能量信息，將其聯(lián)合C(p)和D(p)，構(gòu)造優(yōu)先權(quán)測量函數(shù)，以使得優(yōu)先權(quán)值的計算不會隨著C(p)值的驟降而出錯，提高了修復(fù)順序計算過程的穩(wěn)定性以及準(zhǔn)確性。

(4)

式中，M為Yp的大小。

通過C(p)和D(p)及EG(p)構(gòu)造的優(yōu)先權(quán)測量函數(shù)R(p)為：

R(p)=C(p)+D(p)+EG(p)

(5)

如式(5)所示，引入圖像的能量信息，可為優(yōu)先權(quán)的計算提供了更多的圖像特征作為參考內(nèi)容，有助于提高優(yōu)先權(quán)值計算的正確性。同時將式(3)中采用置信度項和數(shù)據(jù)項相乘的方式，改成式(5)中相加的形式，可以避免由于C(p)值的驟降而引起優(yōu)先權(quán)計算出錯，可以有效促進(jìn)圖像修復(fù)秩序合理、穩(wěn)定的進(jìn)行。

圖2展示了通過式(5)計算優(yōu)先修復(fù)塊的過程。在經(jīng)過對不同待修復(fù)塊優(yōu)先權(quán)值的計算后，確定了圖2(b)中箭頭指向的待修復(fù)塊Yp為求取的優(yōu)先修復(fù)塊。

圖2 求取優(yōu)先修復(fù)塊的過程

1.2 確定樣本塊大小

固定尺寸樣本塊難以適應(yīng)圖像紋理的多樣性。圖像的紋理結(jié)構(gòu)較為復(fù)雜時，可縮小其尺寸，以避免修復(fù)圖像出現(xiàn)畸變和紋理不連續(xù)等弊端[13-14]。圖像的紋理結(jié)構(gòu)較為簡單時，可擴(kuò)大其尺寸，以避免修復(fù)圖像出現(xiàn)塊效應(yīng)和拼接痕跡。圖像的紋理信息可通過像素點(diǎn)的梯度信息來反應(yīng)。本文將通過求取圖像的梯度模值，來作為樣本塊大小的選取依據(jù)，確定樣本塊大小。

現(xiàn)如今，市場競爭激烈，為了提高建筑企業(yè)的市場競爭力就要求建筑企業(yè)在保證工程質(zhì)量的同時也要做好工程施工的成本管理。房屋工程施工的成本管理是一項系統(tǒng)化的工作，并且滲透到了建筑施工的各個方面，主要是通過施工前要對施工中產(chǎn)生的費(fèi)用進(jìn)行預(yù)算，并根據(jù)實際情況進(jìn)行調(diào)整，編制計劃，最終進(jìn)行核算等。這樣做既能增強(qiáng)市場競爭力，還能夠有效的控制成本，從而大大提高建筑企業(yè)的經(jīng)濟(jì)效益和社會效益。因此，做好房屋建筑工程施工的成本管理是建筑企業(yè)的重要手段，建筑企業(yè)不僅要充分認(rèn)識到成本管理的重要性，而且還要學(xué)會合理的掌控，只有這樣才能夠使得企業(yè)立于不敗之地，長遠(yuǎn)的發(fā)展下去。

像素點(diǎn)p(x，y)的梯度模值為[15]：

Gp=((p(x+1，y)-p(x-1，y))2+

(p(x，y+1)-p(x，y-1))2)1/2

(6)

式中，k為Zqi和Ypi的大小。

(7)

式中，Zq為已知區(qū)域中的匹配塊，ax(x=R、G、B)與bx(x=R、G、B)分別為Yp和Zq中像素點(diǎn)對應(yīng)的R、G、B值。

2)確定樣本塊大小。通過計算圖像的梯度模值，建立梯度調(diào)節(jié)機(jī)制，考慮圖像的紋理變化情況，根據(jù)圖像中紋理的變化情況，動態(tài)的調(diào)節(jié)樣本塊的大小，進(jìn)而得出適宜的樣本塊大小，克服了采用固定樣本塊大小，引起的紋理不適應(yīng)性，避免了修復(fù)圖像出現(xiàn)紋理不連續(xù)性的弊端，增強(qiáng)算法的適應(yīng)能力。

(8)

最后，比較ΔGM與變化閾值η的大小。當(dāng)ΔGM≥η時，說明擴(kuò)大樣本塊大小后，樣本塊的梯度變化較大，紋理結(jié)構(gòu)變得較為復(fù)雜，樣本塊大小擴(kuò)大失敗，應(yīng)保持梯度模值GMi對應(yīng)的樣本塊大小。當(dāng)ΔGM<η時，說明擴(kuò)大樣本塊大小后，樣本塊的梯度變化不大，紋理結(jié)構(gòu)的復(fù)雜情況變化較小，樣本塊大小擴(kuò)大成功，此時應(yīng)將樣本塊大小繼續(xù)擴(kuò)大至k=k+2，并迭代該過程，直至ΔGM≥η為止。

梯度調(diào)節(jié)機(jī)制確定樣本塊大小的過程如圖3所示。圖3中樣本塊大小經(jīng)過了兩次調(diào)節(jié)，最后確定了實線框?qū)?yīng)的大小為樣本塊大小。

經(jīng)過考古數(shù)據(jù)的匯總，實物文本分析及比對，昂昂溪文化原始美術(shù)分布特點(diǎn)及整體的美術(shù)特征相關(guān)研究的結(jié)論如下：

喀什市色滿鄉(xiāng)缺少能夠長效增收、脫貧致富的特色產(chǎn)業(yè)，產(chǎn)業(yè)增收效益尚不明顯，帶動致富的能力不強(qiáng)；在精準(zhǔn)扶貧措施到戶過程中，由于貧困戶對產(chǎn)業(yè)發(fā)展需求不同，造成一些貧困戶對扶持項目不感興趣，浪費(fèi)了扶貧資金、扶貧項目。

圖3 確定樣本塊大小

1.3 搜尋最優(yōu)匹配塊

SSD函數(shù)是一種使用較多的最優(yōu)匹配塊搜索方法，其通過像素點(diǎn)的R、G、B值對待修復(fù)塊與匹配塊之間的匹配程度進(jìn)行測量，該過程如下[16]：

SSD(Yp，Zq)=

(9)

當(dāng)圖像的梯度模值較大時，說明圖像的紋理結(jié)構(gòu)較為復(fù)雜，反之說明圖像的紋理結(jié)構(gòu)較為簡單。因此，可利用GM建立梯度調(diào)節(jié)機(jī)制，以選擇樣本塊尺寸，其步驟如下。

4)更新置信度項。利用像素點(diǎn)間的差異性，構(gòu)造相似懲罰因子，更新置信度項，以提高被修復(fù)圖像塊邊緣與未破損圖像塊邊緣的銜接性，消除被修復(fù)圖像塊邊緣的像素畸變性，通過迭代該過程，實現(xiàn)圖像的修復(fù)。

常規(guī)研究比較傾向于院外各種形式，與患者緊密溝通，在患者出院后指導(dǎo)其正確護(hù)理、科學(xué)飲食，改善預(yù)后[8]。本文通過護(hù)理延伸服務(wù)，拓展院內(nèi)、院外的護(hù)理范圍和內(nèi)容，借鑒?？谱o(hù)理、優(yōu)質(zhì)護(hù)理的優(yōu)勢，為患者提供全面、高效、高質(zhì)量的護(hù)理。對于畏懼腫瘤且存在嚴(yán)重負(fù)性情緒的膀胱癌患者，再加上手術(shù)后并發(fā)癥、腹壁造瘺以及尿道改造等，嚴(yán)重影響著患者的日常生活質(zhì)量[9-10]。護(hù)理延伸服務(wù)特此針對該病群體，通過人性化、專業(yè)護(hù)理，加強(qiáng)患者院外健康指導(dǎo)、生活護(hù)理以及定期隨訪，明顯提高了患者生存質(zhì)量，并在一定程度上降低了疾病復(fù)發(fā)率[11-12]。

Zq=argminSSD(Yp，Zq)

(10)

采用SSD函數(shù)獲取最優(yōu)匹配塊的結(jié)果如圖4所示。通過SSD函數(shù)多次計算待修復(fù)塊Yp與匹配塊間的SSD后，確定了圖中箭頭所指實線框匹配塊Zq為最優(yōu)匹配塊。

圖4 最優(yōu)匹配塊的確定

1.4 更新置信度項

通過Zq對Yp進(jìn)行修復(fù)時，由于Zq和Yp中同一坐標(biāo)處的像素點(diǎn)具有差異性，因此對置信度更新時，不能直接將修復(fù)后Yp中像素點(diǎn)的置信度更新為1，以避免誤差的繁衍，造成塊現(xiàn)象的出現(xiàn)[17-18]。對此，本文利用Zq和Yp中像素點(diǎn)的差異性構(gòu)造了相似懲罰因子，用以更新置信度項。

Zq和Yp中像素點(diǎn)i的差異性可通過其像素值Zqi和Ypi得到：

(11)

利用式(6)求取大小為M×M圖像I(x，y)的梯度模值為：

利用DF構(gòu)造的相似懲罰因子為：

(12)

圖5為利用本文算法獲取的修復(fù)圖像。從圖5可見，修復(fù)圖像的紋理連續(xù)性較好，可視效果佳。

圖5 修復(fù)結(jié)果

3 實驗結(jié)果

在AMD3.6 GHz處理器、8 GB內(nèi)存的DELL計算機(jī)上，采用Matlab#7.10建立實驗環(huán)境，同時視文獻(xiàn)[19]、[20]算法為比對組。對本文算法和比對組進(jìn)行圖像修復(fù)測試。測試過程中，本文算法變化閾值η取值為0.5。

圖6為地毯劃痕破損圖像的修復(fù)結(jié)果。從圖6各算法的修復(fù)情況看，各算法都能對劃痕破損的圖像進(jìn)行修復(fù)，且修復(fù)圖像的效果都較好。但對比各算法修復(fù)區(qū)可以發(fā)現(xiàn)，圖6(d)中含有不連續(xù)和劃痕殘留現(xiàn)象。圖6(f)中含有振鈴現(xiàn)象和間斷現(xiàn)象。圖6(h)中的修復(fù)效果相對較好，沒有劃痕殘留和間斷現(xiàn)象，僅有一處輕微模糊現(xiàn)象。花瓶遮擋破損圖像的修復(fù)結(jié)果如圖7所示。通過仔細(xì)觀察各算法的修復(fù)結(jié)果可知，圖7(c)中具有不連續(xù)和偽吉布斯效應(yīng)，圖7(d)中具有塊現(xiàn)象和修復(fù)殘留現(xiàn)象，圖7(e)中僅存一處細(xì)小的振鈴現(xiàn)象。蘋果文字破損圖像的修復(fù)結(jié)果如圖8所示。通過比較各算法修復(fù)的圖像可見，圖8(c)中具有塊現(xiàn)象和間斷現(xiàn)象。圖8(d)中具有振鈴和文字殘留現(xiàn)象。圖8(e)中不具間斷和塊現(xiàn)象，僅具有些許修復(fù)不徹底現(xiàn)象。由此可見，本文算法的修復(fù)能力較強(qiáng)，修復(fù)的圖像紋理連接性較好，圖像的質(zhì)量較高。因為本文算法將圖像的能量信息引入到優(yōu)先權(quán)的計算過程，構(gòu)造了優(yōu)先權(quán)測量函數(shù)，有效避免了置信度項在趨于0時，對優(yōu)先權(quán)值計算造成的錯誤影響，穩(wěn)定、準(zhǔn)確地獲取了待修復(fù)塊的優(yōu)先權(quán)值。同時本文算法還通過SSD函數(shù)測量了圖像塊間的相似性，從已知區(qū)域中選取了與待修復(fù)塊相似性較佳的匹配塊以修復(fù)圖像，從而提高了本文算法的修復(fù)能力，使得本文算法修復(fù)的圖像具有更好的視覺效果和更高的質(zhì)量。

圖6 地毯劃痕破損圖像的修復(fù)結(jié)果

圖7 花瓶遮擋破損圖像修復(fù)結(jié)果

圖8 蘋果文字破損圖像的修復(fù)結(jié)果

SSIM常用于作為修復(fù)圖像的數(shù)值測試指標(biāo)，其值較大則說明圖像質(zhì)量較好[21]。在此，以圖9所示的完整圖像為對象，對其實施不同程度的損壞，得到破損圖像。再借助各算法對這些破損圖像進(jìn)行修復(fù)，并計算其對應(yīng)的SSIM值，以測試各算法的修復(fù)能力。

各算法修復(fù)圖像的SSIM值測試結(jié)果如圖10所示。通過圖10可知，本文算法修復(fù)圖像的SSIM值較比對組較好。通過比較52%破損度圖像的修復(fù)結(jié)果可知，本文算法修復(fù)結(jié)果的SSIM為0.878，文獻(xiàn)[19]修復(fù)結(jié)果的SSIM為0.756，文獻(xiàn)[20]修復(fù)結(jié)果的SSIM為0.808?？梢?，本文算法的修復(fù)能力強(qiáng)于比對組算法。因為本文算法通過圖像的梯度模值信息，建立了梯度調(diào)節(jié)機(jī)制，對樣本塊大小與圖像的紋理信息進(jìn)行了良好的匹配，根據(jù)圖像紋理的變化情況，選取了合適的樣本塊大小。另外，本文算法還通過像素點(diǎn)間的差異性，構(gòu)造了相似懲罰因子，對置信度項進(jìn)行了合理的更新，抵御了修復(fù)誤差的繁衍，從而提高了本文算法的修復(fù)能力。文獻(xiàn)[19]算法通過設(shè)定函數(shù)的方法，來抵御置信度值驟降引起的優(yōu)先權(quán)計算錯誤，并利用Census變換和SSD函數(shù)結(jié)合以獲取最優(yōu)匹配塊，完成圖像修復(fù)。由于該方法中計算優(yōu)先權(quán)值時沒有考慮圖像的能量信息，而且該方法采用的樣本塊為唯一大小，因此使得其修復(fù)能力不佳。文獻(xiàn)[20]算法在利用正則化方法的基礎(chǔ)上，對優(yōu)先權(quán)值的計算過程進(jìn)行修正，并將平方誤差函數(shù)和絕對差函數(shù)進(jìn)行結(jié)合，以求取最優(yōu)匹配塊。這種方法采用固定大小的樣本塊來獲取最優(yōu)匹配塊，無法滿足紋理變化的要求，而且這種方法直接采用置1的方法來更新置信度，使得修復(fù)誤差繁衍較為嚴(yán)重，從而降低了其修復(fù)能力。

在針對導(dǎo)致城市污染的各種問題進(jìn)行分析的時候，會發(fā)現(xiàn)導(dǎo)致城市出現(xiàn)污染的各個原因大不相同。其中通過對實際情況進(jìn)行分析，發(fā)現(xiàn)最嚴(yán)重的問題之一就是汽車的尾氣排放。在當(dāng)前人們的日常生活質(zhì)量和水平不斷提升，私家車的數(shù)量也在不斷增加，這樣就會導(dǎo)致石油的整個消耗量越來越大。汽車在日常行駛過程中，難免會出現(xiàn)嚴(yán)重的尾氣排放，尾氣的增多，勢必會直接導(dǎo)致生態(tài)環(huán)境遭受到嚴(yán)重的污染影響。

4 算法的應(yīng)用與分析

儀表盤圖像是設(shè)計師與客戶間進(jìn)行儀表盤選型的重要依據(jù)。由于設(shè)計師與客戶的空間關(guān)系，為了節(jié)約經(jīng)濟(jì)與時間成本，設(shè)計師和客戶需要通過網(wǎng)絡(luò)傳輸儀表盤圖像，以實現(xiàn)選型溝通。但是在網(wǎng)絡(luò)傳輸過程中，會由于網(wǎng)絡(luò)的質(zhì)量、圖像的壓縮以及接收方存儲介質(zhì)的質(zhì)量等問題，導(dǎo)致所獲取儀表盤圖像損壞，影響設(shè)計師與客戶間的選型交流，給產(chǎn)品的生產(chǎn)帶來質(zhì)量不佳及效率低下的隱患。

因此，為了驗證本文算法的實用性，采用工業(yè)相機(jī)，對汽車儀表盤進(jìn)行圖像采集，見圖11(a)，并在未知的網(wǎng)絡(luò)中，將其發(fā)送給用戶，在其傳輸期間，遭遇了(圖像數(shù)據(jù)丟失的)破壞，見圖11(b)。隨后，利用本文算法與其他兩種對照組技術(shù)實施復(fù)原，結(jié)果見圖11。觀察各算法的修復(fù)結(jié)果可見，圖11(c)中具有塊現(xiàn)象及不連續(xù)現(xiàn)象。圖11(d)中具有修復(fù)殘留及振鈴現(xiàn)象，而圖11(e)中僅具有一處輕微的塊現(xiàn)象。由此可見，本文算法對劃痕破損的儀表盤圖像具有較好的修復(fù)效果，修復(fù)的圖像視覺效果較好，有助于提高產(chǎn)品的生產(chǎn)質(zhì)量和效率。

事實上，在中國白酒國際化的進(jìn)程中，茅臺、五糧液等名優(yōu)酒企從未停止過開拓海外市場的步伐，也為此付出了巨大的努力。但從整體來看，白酒不管從銷量、宣傳、認(rèn)識度上都只占海外酒業(yè)市場上極其微小的一部分，以至于在海外酒業(yè)市場調(diào)查數(shù)據(jù)中有關(guān)中國白酒的數(shù)據(jù)和資料少之又少。這是因為即使有大企業(yè)去進(jìn)軍海外市場的行為，但由于海外市場推廣的花費(fèi)巨大，這些大企業(yè)充其量只是在海外宣傳了自身的品牌，讓海外酒業(yè)市場上多了自家產(chǎn)品的銷售，但并沒有真正將“中國白酒”這一品牌概念刻入海外消費(fèi)者心中，沒能實質(zhì)性地提高白酒的競爭力。綜上所述，大酒企并不能承擔(dān)起“大豬”這一角色。

糖果留在了姥姥家，我開始給一些報刊寫稿子，也參加一些女性論壇，參與一些公益活動。雙休日，我會跟偉翔去周邊的小鎮(zhèn)轉(zhuǎn)轉(zhuǎn)，過個浪漫的假日。

圖11 儀表盤劃痕破損圖像的修復(fù)結(jié)果

為了客觀評估所提算法在修復(fù)儀表盤圖像的優(yōu)勢，以圖11(a)為樣本，對其施加不同程度的破壞，從而形成10副損壞圖像。再借助3種修復(fù)技術(shù)對其復(fù)原，并統(tǒng)計復(fù)原前后目標(biāo)圖像的SSIM值，結(jié)果見表1。由表1發(fā)現(xiàn)，隨著損壞范圍增大，雖然三者修復(fù)圖像的SSIM值都處于逐步下降的情況，但是所提算法的穩(wěn)定性最好，修復(fù)圖像對應(yīng)的SSIM值也優(yōu)于文獻(xiàn)[19]算法和文獻(xiàn)[20]算法修復(fù)圖像對應(yīng)的SSIM值。即使對于大面積損壞(超過45%)的儀表盤圖像，利用3種修復(fù)技術(shù)對其修復(fù)后，所提算法的SSIM值仍可維持在0.85以上，遠(yuǎn)高于另外兩種技術(shù)。當(dāng)像素丟失比例達(dá)到50%時，所提算法的SSIM值為0.853，而文獻(xiàn)[20]的SSIM值為0.801，文獻(xiàn)[19]最低，僅為0.726。分析其原因為，所提算法在求取待修復(fù)塊的優(yōu)先權(quán)值時，不僅將圖像的能量信息引入到了優(yōu)先權(quán)值的計算過程中，使得優(yōu)先權(quán)值的計算綜合了更多的圖像特征作為參考內(nèi)容，而且還對優(yōu)先權(quán)值的計算方法進(jìn)行了改進(jìn)，避免了置信度項在趨于0時，引起優(yōu)先權(quán)值計算出錯的弊端，使得優(yōu)先權(quán)值的計算更為準(zhǔn)確，從而更為穩(wěn)定和合理的獲取了優(yōu)先修復(fù)塊。同時，為了適應(yīng)圖像紋理的多樣性，所提算法還利用了能度量圖像紋理信息的圖像梯度特征，求取了圖像的梯度模值，建立了梯度調(diào)節(jié)機(jī)制，根據(jù)圖像梯度的變化情況，動態(tài)的調(diào)節(jié)樣本塊的大小，以確保獲取到的樣本塊大小，能匹配當(dāng)下圖像紋理的特征，克服了修復(fù)過程中采用固定樣本塊大小，引起的紋理不適應(yīng)性，避免了修復(fù)圖像出現(xiàn)塊效應(yīng)和紋理間斷的問題。從而使得所提算法修復(fù)的圖像具有更好的視覺效果。另外，所提算法在采用了SSD函數(shù)，在圖像中全局搜索與待修復(fù)塊匹配度最高的圖像塊，用以作為最優(yōu)匹配塊，對待修復(fù)塊進(jìn)行修復(fù)，以避免修復(fù)圖像出現(xiàn)拼接痕跡和圖像內(nèi)容不連續(xù)的現(xiàn)象。為克服被修復(fù)圖像塊邊緣的像素畸變性，提高被修復(fù)圖像塊邊緣與未破損圖像塊邊緣的銜接性，所提算法還利用了像素點(diǎn)的像素值構(gòu)造了相似懲罰因子，用以降低像素點(diǎn)間的差異性，避免修復(fù)誤差的繁衍，增強(qiáng)了被修復(fù)塊與其相鄰塊連接處的光滑度，使得被修復(fù)圖像看起來更為自然，從而使得所提算法修復(fù)的圖像具有更高的SSIM值和質(zhì)量。文獻(xiàn)[19]算法通過對置信度項添加權(quán)重因子的方法，來改進(jìn)置信度項的計算過程，使得置信度項的計算值規(guī)避0值的出現(xiàn)，以此來抵御置信度值趨于0引起的優(yōu)先權(quán)計算錯誤，并利用Census變換和SSD函數(shù)結(jié)合以獲取最優(yōu)匹配塊，完成圖像修復(fù)。雖然該方法中改進(jìn)的置信度項計算方法能夠規(guī)避置信度值趨于0引起的優(yōu)先權(quán)計算錯誤，但由于該方法中計算優(yōu)先權(quán)值時沒有考慮圖像的能量信息，使得優(yōu)先權(quán)值的計算過程不能考慮圖像的整體特征，導(dǎo)致優(yōu)先權(quán)值的計算準(zhǔn)確性下降，且該方法未根據(jù)圖像的紋理特征調(diào)整樣本塊大小，使得該算法不能較好地適應(yīng)圖像紋理的變化，從而使得該算法修復(fù)圖像存在塊效應(yīng)和不連續(xù)效應(yīng)，導(dǎo)致該算法修復(fù)效果欠佳，修復(fù)圖像的SSIM值不高。文獻(xiàn)[20]算法引入正則化因子和自適應(yīng)系數(shù)，提出了一種改進(jìn)的優(yōu)先權(quán)值的計算方法，并采用平方誤差函數(shù)和絕對差函數(shù)求取待修復(fù)塊的匹配塊，最后利用優(yōu)選權(quán)值計算過程中產(chǎn)生的自適應(yīng)系數(shù)，來從所求取的匹配塊中篩選出最優(yōu)匹配塊，用以對待修復(fù)塊進(jìn)行修復(fù)。雖然該方法引入了正則化因子和自適應(yīng)系數(shù)對優(yōu)先權(quán)值的計算方法進(jìn)行改進(jìn)，但該方法在計算優(yōu)先權(quán)值時沒有考慮圖像的結(jié)構(gòu)和整體特征，不能較為準(zhǔn)確的獲取優(yōu)先修復(fù)塊，同時，這種方法雖然結(jié)合了自適應(yīng)系數(shù)來獲取最優(yōu)匹配塊，但在搜索待修復(fù)塊的匹配塊時，沒有根據(jù)圖像的紋理變化情況來調(diào)整樣本塊大小，使得修復(fù)圖像易出現(xiàn)畸變和紋理不連續(xù)等弊端。另外，該方法在更新置信度項時，沒有考慮像素點(diǎn)之間的差異性，使得修復(fù)誤差繁衍較為嚴(yán)重，易導(dǎo)致修復(fù)的圖像中出現(xiàn)振鈴效應(yīng)和修復(fù)殘留效應(yīng)，從而降低了修復(fù)圖像的SSIM值。

林露白也忘了郊區(qū)租好的那間小兩居，直到何文山打電話給她，說要給她換個窗簾，想要什么花色，有蘭花和梅花。

表1 3種算法修復(fù)儀表盤圖像的SSIM值統(tǒng)計結(jié)果

5 結(jié)束語

本文從求取優(yōu)先修復(fù)塊、確定樣本塊大小、搜尋最優(yōu)匹配塊和更新置信度項四部分出發(fā)，設(shè)計了能量信息耦合梯度調(diào)節(jié)機(jī)制的圖像修復(fù)算法。將能量信息與置信度和數(shù)據(jù)項組合，構(gòu)造了優(yōu)先權(quán)測量函數(shù)，抵御了由于置信度項趨于0而引起的優(yōu)先權(quán)值計算錯誤，提高了優(yōu)先權(quán)值計算的精準(zhǔn)度，準(zhǔn)確地獲取了優(yōu)先修復(fù)塊。利用圖像的梯度模值建立了梯度調(diào)節(jié)機(jī)制，根據(jù)圖像的紋理變化情況，動態(tài)的調(diào)整樣本塊的大小，最終篩選出了與紋理結(jié)構(gòu)相匹配的樣本塊大小。采用SSD函數(shù)搜尋了最優(yōu)匹配塊。在像素點(diǎn)間差異性的基礎(chǔ)上，構(gòu)造了相似懲罰因子，合理地更新了置信度項。通過實驗測試得知，本文算法修復(fù)的圖像不僅視覺效果較好，而且SSIM值較高，質(zhì)量較好。