基于几何距离的Criminisi图像修复算法[J].计算机工 程与设计，2015,36.)引入距离修正因子，将待修复块与目标块的几何距离引入到判断相似 性度量函数中，在搜索目标块时首先通过欧式距离相似性函数找出3个目标块，然后根据几 何距离修正因子来找到最佳匹配块。但是，上述修复方法在搜索最佳匹配块时，并没有考虑 到可能存在经过等距变换后的目标块与样本块的相似度更高的问题。
【发明内容】
[0013] 本发明的目的在于克服现有技术缺陷，给出一种结合自适应梯度分块和等距变换 的改进Criminisi图像修复方法，用于大样本缺失图像修复，相对于传统方法具有更高的方 法效率和更好的视觉质量。
[0014] 为实现上述目的，本发明采用以下技术方案：
[00?5]结合自适应梯度分块和等距变换的改进Criminis i图像修复方法，包括以下步骤：
[0016] 第1步:记6=^,」=-1)1^为待修复图像厶=^,」)11^11的梯度图，记〇为待修复区 域，由标记矩阵8=(13 1,」）^11中131^ = 0的元素进行标记，〇为已知区域；由标记矩阵8 = (b^)mXn中最开始b^ = l的元素进行标记W为已修复区域;初始化 待修复区域边界，对'，即bi,j = l中的元素，计算图像像素 ai,j对应的梯度值gi,j， 即 gi，j=Grad(ai，j，（i，j));
[0017] 第2步：对G中每个gu矣-1的元素按其对应的梯度值进行统计形成梯度直方图Hg = (hk)L，其中hk表示梯度值为k的G中元素发生次数，l为梯度直方图中梯度阶数；
[0018] 第3步:对梯度直方图中的每个梯度阶k = 0，l，'"，L-l，统计每个梯度值的发生概 率Pk，k = 0，1，…，L_1;
[0019] 第4步:将落入已修复区域Φ'中的每个像素划分成平滑、纹理和边缘区域像素；
[0020] 第5步:对V> e δΩ，计算p点对应的优先权pp;
[0021] 第6步：确定优先权？[)最大的点#，.自适应地确定当前待修复像素块￥纟的边长 *sv
[0022] 第7步：判断梯度项6>，的块类型，在图像已知区域Φ中寻找和Ψ#相匹配的 x $ %的最优目标块的位置$及其所对应的等距变换类型
[0023] 第8步:利用最优目标块％和最优目标块％所对应的等距变换类型f糌CV变换 为(^，并将当前待修复像素块Ψρ中被bu=o标记的像素由中的对应位置像素进行填 充，然后将所有当前待修复像素块被填充像素的标记值由bu = 0调整为b^ = l;
[0024] 第9步：反复执行第5步至第8步，直到图像中待修复区域Ω中所有像素点修复完 毕，即B=(bi,j)mXn中所有元素都调整成bi,j=l，修复结束。
[0025]进一步，第1步中计算图像像素 ai,j对应的梯度值gi,j，即gi,j = Grad(ai,j，（i，j))的 具体方法为使用式(1):
[0026]
(1)
[0027]式(1)中，gx和gy是像素 ai, j的X方向和y方向梯度，分别按式(2)和式(3)进行计算：
[0028] gx=ai, j+i-ai, j-ι (2)
[0029] gy = ai+i，j-ai-i，j (3)
[0030] 式（2)和式（3)中，若3气e -1.，％--且ax,ye Ω，即bx,y=0则用ai, j 替代ax,y，从而保证每个落入已修补区域的元素在G中都有对应的梯度值。
[0031] 进一步，第3步中统计每个梯度值的发生概率Pk，k = 0，1，…，L-1的具体方法为式 (4)：
[0032] Pk = hk/Nc〇unt (4)
[0033] 式(4)中，N_nt是梯度直方图中所有梯度值的总数，按式(5)进行计算；
[0034]
(5) K--U
[0035] 第4步中将落入Φ'中的每个像素划分成平滑、纹理和边缘区域像素的具体方法为 式(6):
[0036] (6)
[0037] 式(6)中心是平滑和非平滑区域分割阈值，\2是将非平滑区域细分为纹理和边缘区 域的分割阈值且满足〇 < h < λ〗< L-1。
[0038] 进一步，第4步式(6)分割阈值心和\2的具体确定方法为式(7):
[0039]
(7)
[0040] 即对区间范围内的λ e [ Abegin，Aend ]，求解使目标式δ最大化的λ，即λ，式（7)中 Upartl，Upart2，Utotal可分别按式(8 )、式(9 )和式（10 )进行计算：
[0041] (B)
[0042] (9)
[0043] (10)
[0044] 将Abegin = 0，Aend = L-1 代入式(7)，可确定分害1| 阈值λχ，将Abegin = λχ +1，Aend = L-1 代 入式(7)，可确定分割阈值λ2。
[0045] 进一步，第5步对￥|?€3Ω，计算ρ点对应的优先权匕的具体方法为式(11):
[0046] Pp = CP · 1+GP · (1-1) (11)
[0047] 式（11)中，CP为置信项，GPS梯度项，权重1 e [0，1 ]的取值按式（12)确定，即按p点 所属的边缘、平滑和纹理区域进行自适应地调整；
[0048]
(12)
[0049] 式(12)中，参数ae[0，l]范围内的随机数且满足α+β=1。
[0050] 进一步，第5步式（11)中，置信项〇>，梯度项心的具体计算方法如式（13)和式（14)所 示：
[0051] κ ￥严 (13)
[0052] 式（13)中，ΦΡ为以ρ为中心的矩阵小块，是ΦΡ中的元素数量，为V落入已 修补区城由的元素教量，
[0053]
(丨4)
[0054] 式(14)中，q为！ν落入已修补区域Φ1勺坐标，aq为Α中对应的像素。
[0055] 进一步，第6步中确定优先权Pp最大的点声的具体方法为式(15):
[0056]
(15)
[0057] 第6步中自适应地确定当前待修复像素块的边长5^#的具体方法为式(16):
[0058]
(16)
[0059] 进一步，第7步中判断<^的块类型的具体方法为式(6):
[006(
(6)
[0061] 第7步中在图像已知区域Φ中寻找和Ψ#相匹配的的最优目标块％的 位置#及其所对应的等距变换类型f的具体方法为对Vi/ e Φ且) = )，按 式(17)在图像已知区域Φ中寻找和相匹配的&的最优目标块的位置|及其所对 应的等距变换类型
[0062]
(17)
[0063] 式（17)中d()为欧氏距离表示样本块Ψ彡中已知像素和目标块T(?q，t)中对应位 置像素差的平方和，T()等距变换函数，记? q所对应的原子块子块旋转90度、180度、270度 对应子块以及这些子块的水平翻转子块分别为，…,?1，则T()执行的功能为式 (18)：
[0064] (18)
[0065] 式（18)中，=0^，即?q与它的原子块等价。
[0066] 同现有技术不同，本发明的优点主要体现在：
[0067] ①在同一幅图像中存在着平滑、边缘和纹理区域，不同区域所包含的图像信息量 不同，传统Criminisi图像修复方法未对图像进行分类，导致在所有区域进行匹配搜索时代 价较大，而本发明将图像已知区域划分为平滑区域、纹理区域和边缘区域，只在特定的区域 进行搜索匹配，从而降低了匹配搜索代价，同时也减少了对纹理和边缘区域的误判，从而提 高了修复精度。在修复过程中，本发明根据梯度项预估待修复像素点属于哪一类图像区域， 自适应选择不同大小图像块。
[0068] ②Criminisi修复方法的优先权模型被设计为置信项和数据项的乘积，随着修补 填充的不断进行，待修补块中已知信息的可靠性迅速下降导致代表纹理信息的置信项值迅 速下降，置信项在迭代多次后急剧下降且趋于零值，但是数据项保持平稳变化，这就导致数 据项受制于趋于零值的置信项，使得优先权计算变得不可靠，因此导致错误的填充顺序，从 而影响图像修复质量，针对此，本发明将优先权模型设计为加权的置信项与梯度项之和并 采用优先权系数加权自适应策略，在计算完待修复区域边界像素点的优先权顺序后，根据 梯度项的值结合图像分类的阈值来自适应改变加权系数，达到在修复过程中自适应根据像 素点的信息来进行修复。
[0069] ③Criminisi修复方法在整个图像已知信息的所有区域寻找合适的匹配块，而忽 视自然图像自身的局部自相似性，这将带来高昂的计算代价，但是简单的减少搜索空间有 可能导致合理匹配块的丢失。本发明结合分类策略，在匹配样本块与目标块时，根据样本块 的已知信息判断其属于平滑、边缘和纹理的类型在对应的图像区域类型进行搜索，在减少 搜索时间的同时又能避免合理匹配块的丢失。
[0070] ④Criminisi修复方法在搜索匹配块时，仅从已知区域中搜索，但是有可能样本块 与目标块等距变换后的像素块更为相近，同时传统Criminisi方法采用边修复边更新已知 区域