ｃｏ唧眦ｒ西画，ｌｅＰ一昭埘证Ａ即如嘭如ｗ计算机工程与应用
２００８，４４（２２）
１９５
基于修复顺序的图像修复算法
张伟彬
ＺＨＡＮＧＷｅｉ—ｂｉｎ
信息产业部电信科学技术第一ｊ开究所，上海２０００３２
Ｔｈｅ
Ｆｉ硌ｔＲｅｓｅａｒｃｈｌｎＢｔｉｔｕｔｅｏｆＴｅｌｅｃｏｍｏｆＭｉｎｉｓｎｙｏｆ
Ｉｎｆｏｒ啪ｔｉ伽ＩＩＩｄｕｓ町，ｓｈａｎｇｌ憾ｉ
２０００３２，Ｃｈｉ∞
Ｅ—ｍｉｌ：ｚｈａｎｇｗｅｉｂｉｎ＠ｄａｔａＩＩｇｍｏｂｉｌｅ．ｃｎ
ＺＨＡＮＧ
Ｗｅ｝－ｂｉｎ．ｈ啮龄ｍｐａｉｒ
ｐａｐｅｒ
ｏｎ
ｂａｓｅｄ帆ｍｐａｉｒｉ呜∞ｑｕ明髓．Ｃ啪胛ｔｅｒ
Ｅ嘴ｉｎｅｅｒｉ赡ａｎｄＡｐｐＵ∞廿。璐，２０鸺．４４（２２）：１９５－１９丘
ａ
Ａｂｓｔ髓ｃｔ：ｎｉｓ
ｓｔｒａｔｅｇｙ
ｐｍｐｏ∞ｓ明ａｌｇｏｒｉｔｈｍｆ打ｉｍａｇｅ陀ｐａｉｒ．１１ｌｉｓａｌｇｏｒｉｔｌｌｍｐｅ而咖ｓｔｈｅｔａｓｋｔ｝ＩｍｕｇｌＩ
ｂｅｓｌ面璐ｔ
ｂｉａｓｅｄ
ｒｅｐａｉｒｉＩｌｇ
ｂａｓｅｄｔｌｌｅ
ｐｒｉｏｒｉｔｙ鹳￥ｉｇｒ州ｔｏｅａｃｈｐａｔｃｈ鲫ｔｌｌｅｒｅｐａｉｄｎｇ
ｆ｝ｏｎｔ．Ｔｈｅ
ｐｄｏｒｉｔｙｃｏｍｐｕｔ８ｔｉｏｎ
ｔｈｅ
ｉｓｔｏｗａｒｄｔｈｏ鸵
ｐａｔｃｈ鹪诵ｔｌｌｇｔｎＩｃｔＩｌ咒ｉｎｆｏ珊觚∞锄ｄ鲫ｒｒｏｕｎｄｅｄｂｙＴｈｉｓａ１９０ｒｉｔｈｍ
ｔｈｉｓｔＩＩｅ
ｈｉｇｈ＿ｃｏ娟ｄｅｎｃｅｐｉｘｅｌｓ，∞ｔｈａｔｔｅｘｔＩｌ陀ｓｙｎｔｌｌｅｓｉｓ
ｉｓ
ｐｅ而咖ｅｄ
ｏＩｄｅｄｙ．
ｃ粕ｎｏｔｏＩｌＩｙｓｙｎｔｌｌ髓ｉ琵ｔｅｘｔＩｌｒｅｂｕｔａｌ∞ｓｔｎｌｃｔｕ陀ｉＩｌｆｂｍａｔｉ∞．Ａｆｔｅｒｔｌｌｅｏｂｊｅｃｔａ陀ａｈ鹅ｂｅｅｎ驼ｌｅｃｔｅｄｂｙｔｌＩｅｕ∞ｒ，
ａｌｇｏｒｉｔＩＩｍｗｉｌｌｐｅ面哪弛叫ｒｉｎｇｔｏｔ习Ｌｌｌｙａｕｔｏｍａｔｉｃａｌｌｙ．Ｅｘｐｅｒｉ眦ｎｔ嘲ｕｌｔ８ｓｈｏｗｔｌｌａｔｔＩｌｉｓａｌｇｏｒｉｔｈｍｉ８白ｓｔ锄ｄｐｅ血ｃｔｅｖｅｎｉｆ
ａｍａｉｓ
ｏｂｊｅｃｔｂｉｇ．
Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅ聆ｐａｉｒ；ｔｅｘｔｕｒｅｓｙｎｔｌｌｅｓｉｓ；ｔｅｘｔｕｒｅ；ｓｔｒｕｃｔｕｒｅ
摘要：提出一个用于图像修复的算法。首先计算修复前沿每个待修复小片的优先级，然后优先修复具有最高优先级的小片。优先级计算方法能体现每个小片具有的结构信息以及已有颜色的可信度，使得基于小片的纹理综合方法有序进行，同时修复目标区域中的纹理和结构信息。用户选择一个目标区域后，算法就根据选择区域周围的信息自动地修复目标区域。实验证明该算法不仅快速且修复的效果非常好，且目标区域较大时也能达到很好效果。关键词：图像修复；纹理综合；纹理；结构
ＤｏＩ：１０．３７７８，ｉ．ｉｓｓｎ．１００２—８３３１．２００８．２２．０５８
文章编号：１００２—８３３ｌ（２００８）２２一０１９５—０２文献标识码：Ａ中图分类号：１粥９ｌ
ｌ引言
图像修复是当今数字图像处理和计算机视觉的一个热门话题。其应用范围十分广泛，包括：古老的珍贵的破损的图片或照片的修复ｌ－１；图像中多余的物体的移去。特别是ｓｈ明ｔａｎｕ．Ｄ．Ｒａｎｅ等人在文献ｆ２１中还提出了这种技术在无线传输与图像压缩的作用。其基本思想是把图片分成８×８的数据块。当这些数据块通过有衰落的有噪声的无线信道传输时有可能丢失或出错，此时可以利用丢失块周围的信息来修复丢失或出错块。而不是用传统的纠错检错方法，如ＦＥＣ、ＡＲＱ等。从而可大大提高传输带宽利用率。甚至也可以在发送端故意地有选择地不发送一些数据块而在接收端使用修复的方法修复。在数据压缩时可人为的有选择性地去掉数据块然后在解压缩的时候再进行修复。这样可大大提高压缩效率。
在过去。图像修复的方法主要分为两类：（１）纹理综合技术对具有纹理特征的图片比较合适，所谓的纹理是指在二维空问带有某种随机性的重复的图型，这种方法对填充区域的大小没有太大的要求，即它对比较大的填充区域也能获得比较好的结
本文在文献ｆ３１的基础上提出一种新的优先级计算方法，能
够同时修复纹理和线性结构。
２算法介绍
文献【３鼹出一种优先级算法来确定修复的顺序，这种优先
级算法比较复杂。本文提出—个新的优先级计算方法，通过这种基于优先级修复顺序的算法能够有效地修复待修复区域中的纹理和结构信息。
２．１
基ｆ小片的纹理综合技术
本算法专注于基于小片的填充方法（以区别与于基于点的
填充方法Ｈ）。因为这种方法能提高执行的速度。更主要的是基于小片的填充方法能更准确地修复图片的结构。这里以图示来
说明了这一点。图“ａ）中需要修复的区域，也就是目标区域记
为Ｑ，其轮廓线ｉ己为６Ｑ。轮廓线也称为修复前沿。剩下的区域颜色值已经确定．称其为源区域中，在修复过程中源区域中提供了样本，且不断扩大，而目标区域Ｑ不断变小。图ｌ（ｂ）中假设以Ｐ点为中心的正方形小片眵。即将被修复。从图中可清楚地看到：如果砂。位于图片中一条边缘的延伸部分。最可能的最
果。（２）重绘（ｉｎｐａｉｎｔｉｎｇ）技术对具有结构特征的图片比较合适，
结构能够被抽象成一维的模型，如线条或者物体的轮廓，然而这种技术比较适合对小区域的修复，对于比较大的区域，它会产生模糊的效果．而且很明显。
匹配的样本同样位于同一条边缘ｔ（如图ｌ（ｃ）中帆或“）。因为饥中已确定颜色值的部分与帆或岍中对应的部分最相似，
为了保持等照度线不变，只需要简单地用最匹配的源区域中的
作者简介：张伟彬（１９８３一），男，硕士研究生，主要研究方向为图像与视频处理。收稿川胡：２００７一ｌｏ－ｌｌ
修刨日期：２００８＿ｏｌ—１６
万方数据
１９６
２００８，４４（２２）
ｃｏｍｐｍｒ西柳，ｌｅｅ＾昭帆ｄ
Ａｐｐ如砒珊计算机工程与应用
小片（如机．）中的颜色值来填充以中未确定颜色值的点。注意到通过这种做法，等照度线被自动地延伸了（如图ｌ（ｄ））。
（ｂ）
（ｃ）
（ｄ）
图ｌ基ｆ小片的修复方法
尽管基于小片的修复方法能很好地延伸纹理和结构，但是输出图片的效果很大程度上受到填充顺序的影响。图２把两种不同的修复方式作—个比较。图２（ａ）～图２（ｃ）展示了使用逆时钟的洋葱修复方式修复—个凹的目标区域时的修复过程，结果背景图片中原本为水平的一条边界线被重新构造成一条曲线。理想的修复算法应该能够给位于图片中结构的延伸部分的目标区域更大的修复优先级。正如图２（ｄ）～图２（ｆ），正确地延伸线性结构的特性，而且这种算法对于目标区域形状变化时有更好的健壮性。由此可见修复Ｊｌ颐序的重要性，接下来介绍本算法中优先级的计算方法。
图２两种不同修复方式的比较
２．２优先级的计算方法
算法首先确定修复前沿每个待修复小片的优先级，然后修
复具有最高优先级的小片。这里介绍一种不同于文献ｆ３ｍ优先
级计算方法，这种优先级计算方法不仅简单，而且能达到理想
的效果。给定—个以．Ｐ（ＰＥ６Ｑ）点为中心的待修复小片嘭，其
优先级由两部分组成：
尸（ｐ）＝Ｃ（ｐ）Ｄ（ｐ）（１）
其中Ｃ（ｐ）为可信度因子，Ｄ（ｐ）为数据因子。Ｇ（ｐ）的计算方式
如下：
ｃ（ｐ）＝韭霉知
∑ｃ（口）
（２）‘
ＩＹ■
式中Ｉ叱ｌ是叱的面积，初始化时，在目标区域，令ｃ（ｐ）＝０；在源
区域，令Ｃ（ｐ）＝ｌ。Ｃ（ｐ）可认为是Ｐ点周围有效信息的度量，即ｐ点周围有多少有效数据。Ｃ（Ｐ）越大，说明ｐ点周围有更多的
点已经被填充，显然从ｐ点开始填充可以有效地减少误差。引
进这个因子的意图就是首先填充那些周围已经有比较多的已经确定颜色值的小块。这个因子也能给那些总是没有被选到的区域比较高的优先级，这通过更新修复小片中属于目标区域的像素点的可信度值来得到。一旦—个小片蛾里面未确定颜色值的像素点被修复以后，其可信度值也要随着改变。使用下面的方法改变这些点对应的“可信度”Ｃ（ｐ）：
Ｃ（口）；Ｃ（ｐ）Ｖｑ∈叱ｎＱ
（３）
万
方数据这种更新方式能够估计填充前沿不同小片的相对可信度值，而不用根据不同的图片采用不同的参数。随着修复的进行，可信度递减，意味着更不能确定目标区域中心的像素点颜色值的真实性。式（１）中Ｄ（ｐ）的计算方式如下：
Ｄ（ｐ）＝ｍａｘＩＶ纠ＶｇＥ叱ｎＱ
（４）
式中Ｖ‘表示在ｇ点的颜色值的梯度。用这个简单的表达式来
表示ｐ点周围的结构信息，从而使修复算法能够偏向于优先修
复具有结构信息的目标区域。这是本算法跟文献１３所提出的算
法最大不同的地方，实验证明采用此方法也能达到理想的修复
效果，而且修复速度比原算法快一倍以上。
２．３搜索匹配小片
一旦目标区域边缘的每个小片的优先级都计算好了，选出
优先级最高的一个蛾，然后在源区域找出最接近于蛾的一个
小片叱，也就是最匹配的小片叱，而且应该注意小片蛾中的所有像素点的颜色值都应该是确定的。更正式的表示方式为：
蛾＝ｍｉｎｄ（叱，眈）蛾Ｅｍ
（５）
其中的距离ｄ（嘭，叱）定义为两个小片叱和叱中颜色值已经
确定的点的差分平方之和。找出最接近的叱以后叱中每个没
有确定颜色值的像素点（＿ｐ’啊’∈叱ｎＱ）的颜色值直接从嘭中对应的位置复制而来。采用直接复制的方法能够正确地从源区域向目标区域延伸结构和纹理，每一次修复一个小片。任何附加的操作（如增加噪声，平滑等）更可能让最后的结果变得更差
而不是更好。所以本算法只是简单地复制，这样傲不仅能够提
高速度，也能够使最后的结果更自然。
２．４算法的伪代码实现
以下给出本算法的伪代码实现方式：
（１）提取人为选取的边缘；
（２）重复以下步骤直至完成；
①确定填充前沿，如果为空集，结束算法跳出；②计算修复前沿每个小片的优先级；③找出具有最高优先级的小片；
④从源区域中搜索最匹配的小片；
⑤待修复小片中颜色未确定区域从匹配小片中对应位置
复制；
⑥更新可信度值。３仿真结果
接下来展示使用本算法修复—些合成和自然的图片的修复效果。图３使用本算法修复一星状图，目标区域是中间的黑色小方块。从修复的过程可以看出本算法具有“结构”驱动的特点，同
时由于可信度因子的存在也使得修复顺序具有从外到内的特
点。图４修复两个椭圆，目标区域是中间的黑色的椭圆。图５、图６和图７假设在无线信道上分块（８×８）传输图片，而且３０％的数据随机地丢失了（见图６）。这里采用修复的方法对丢失的部分进
行修复，而不是采用重传或检错纠错的方法。尽管在眉毛、眼睛和下巴有—些失真，但考虑到丢失的数据如此严重，修复效果还是
非常令人满意的。而且不会出现像使用重绘（ｉｎｐａｉｎｔｉＩＩｇ）ｌ孔技术时所出现的模糊的现象。图８是对—张破损图片（中间）的修复，修复以后的图片（最右边）跟原图（最左边）从视觉Ｅ无法区别。
４小结
本文给出—个简单而有效的数字图像修复的方法。用户选
（下转２４３页）
杜娟，呼广跃：数据压缩在序列比对中的应用
２００８，４４（２２）
２４３
；～ｊ一
／．
。
而基因覆盖率并没有损失。
３．３相关工作和展望
使用压缩算法做生物序列的比对和分析是生物信息的一个新的研究方向，ＳＣＡ算法经过改进扩展可以用于多重序列比
对，序列搜索和基因识别等生物信息领域。参考文献：
．。少÷
．＋？。
而
一
。。。・
【ｌ】Ｎｅｅｄｌ明咖ｓ
Ｂ，ｗ山璁ｃｈｃ
ｔｈｅ
．＋．
重量薹薹差薹薹辜薹
Ｎ
ｎ
叶
￥龇ｈ
Ｄ．Ａ群ｍ眦ｌ
ｍｅｔｌｌｏｄ
ａｐｐｌｉｃａｂｌｅ
ｔｗｏ
ｔｏｔｈｅ
ｆ撕ｓｉＩＩｌｉｌ撕ｔｉ船ｉｎ
ａⅡＩｉｎ０凇ｉｄｓｅｑ∞ｎ∞ｏｆ
ｐｒｏｔｅｉ叫卧
ＪＭｏｌＢｉｏｌ，１９ｒ７０，４８（３）：４４３＿４５３．
。
■／一．夕＼．＿
，ｌ
图ｌ两株夫肠杆菌序列的比对坐标图
【２】ＳｍｉｔｌｌＴＦ。Ｗ砒ｅ咖彻Ｍ
Ｓ．Ｉｄｅｎｔｉｆｉｃａｔｉ傩０ｆ∞ｍ姗删正ｅｃｕｌ盯８ｕｂ－
ｓｅｑｕｅｒ圮ｅｓ【Ｊ】ＪＭｏｌＢｉｏｌ，１９８ｌ，１４７（１）：１９５一１９７．
【３】Ｎｅ、ｒｉｕ—Ｍ锄ｎｉｎｇｃ，ｗｉｔｔ咖ｌＨ．ｃ伽ｌｐ恍鹤ｉ帆ａＩｌｄｅｘｐｌ姐ａｔｉ册啪ｉＩＩｇ
ｈｉｅｎＩｒｃｈｉｃａｌ目瞪哪哪ａ礴【Ｊ】．ＣｏｍｐｕｔｅｒＪ，１９９７，４０（３）：１０３—１１６．吲Ｓｈｅｎ
Ｊ
ＳＹ，ＹａｒＩｇ
Ｊ，Ｙ∞Ａ，ｄ
ｔｏ
ａ１．ｓｕｐｅｒ蹦ｒＷｉ∞仙弘眦ｎｔ（ＳＰＡ）：蛆
碰ｃｉｅｎｔ珥’ｐｒｏ∞ｈ
ｃｏ呷ｕｔ
【５】Ｈｕ
ｇｌｏｂａｌａｌｉ孕Ｉｍ明ｔｆ打Ｉ－伽∞ｌ伽１０ｔ埽ｓｅｑｕｅｎｃ踯【Ｊ】．
Ｂｉｏｌ，２００２。９（３）：４７７一堪６．
Ｓｈｉ—ｙｉ．Ａ矗吼ａ１９０ｒｉｔｈｍ
Ｇ哪ｇ一”地，Ｓｈｅｎ
ａｌｉ印吨ⅡｌＩＩｌｔｉｐｌｅ
ｍｉ—
ｃｍｂｉａｌｉｎ
ｇｅｎ伽血８ｅｑＩｌｅｎｃｅｓ【Ｃ】，，ｎ忙２７ｔＩｌＡ加岫ｌＩＥＥＥ
Ｅｎｇｉｎ∞ｒｉＩｌｇ
ｊ｜｜。
Ｍｅｄｉｃｉｎｅ明ｄＢｉｏｌｏｇｙＣ∞ｆｅｍｎｃｅ，ＳｈａｒＩｇｈａｉ，Ｃｈｉ眦，２００５．
【６】沈世镒．生物序列突变与比对的结构分析【Ｍ】．北京：科学出版社，
２００４．
羹
耋
耋
薹
蓁
薹
萋
辜
萎
阴沈世镒，吴忠华．信息论基础与应用【Ｍ】．北京：高等教育出版社。
２００４．
图２两株大肠杆茵序列模拟莺捧后的比对坐标图（２）ＳＣＡ算法得到的比对序列的相似度比ＢＬＡＳｒＩＺ稍低，
【８１呼广跃，沈世镒．超级多重基因组序列比对叨．计算机工程与应用，
２００５。４ｌ（２７）：１３一１５．
（上接１９６页）信息修复目标区域中的纹理和结构信息，并且取得了很好的视觉效果。算法的基础是基于小片的纹理综合技术，加上巧妙设
计的填充ＪＩ顷序。每—个像素点的可信度值，加上其周围的结构
信息决定了它的优先级。本文给出的这种技术能够很好地延伸源区域中的线性结构和二维纹理信息。本算法对目标区域的拓
图３对星状图的修复
图４对两个椭圆的修复
扑结构也没有特别的要求，当目标区域比较大的时候也能达到比较好的视觉效果。基于小片的方法（相对于基于像素点的方法）还有—个比较明显的优点就是快速。
参考文献：
【ｌ】ＰｅｉＳＣ。ｚｅｌｌｇＹＣ，Ｃｈ柚ｇＣＨ．Ｖｉｍｌ８Ｉ麒幻Ｅａｔｉ伽０ｆａ眦ｉ即ｌＣｈｊ—
图５原图
图６随机丢失３０％图７修复以后的图片数据以后的图片
ｆ瞄ｅ
ｐａｉｎｔｉｎ铲ｕｓｉＩＩｇ
ｃｏｌ甜ｏｏｍｔ朋哦ｅＩＩＩｌ蛐ｃｅ眦ｎｔ锄ｄ
ｌａｃｕ眦蜘ｕ陀
ｓ）ｍｔｈ髑ｉｓⅢ．ＩＥＥＥ
Ｔｒ粕船ｃｔｉ咖伽ｌ咖唔ｅ
Ｐｒ∞ｅ鹅ｉＩｌｇ，２００４，１３（３）．
【２】ＲａｎｅＳＤ，Ｓ８ｐｉｍＧ．ＢｅｒｔａｌｍｉｏＭ．Ｓｔｎｌｃｔｕｍ肌ｄｔｅ】【ｔｕｍ舢ｉｎｇｉｎ“
ｍｉｓｓｉＩｌｇ
ｉ咖唔ｅｂ１０ｃｋ８ｉｎｗｉ陀ｌ∞ｓ
ｔ瑚ｓｎＩｉ鹪ｉｏｎ锄ｄｅ响ｐ瞄８ｉ叩驴
ｐｌｉｃａｔｉ叫．『１．ＩＥＥＥ
ｏｂｊｅｃｔ即ｍｏｖａｌ
Ｔｎｍ鞠ｃｔｉ帆ｓ锄ｈｎａｇｅＰ瑚ｃｅ鹪ｉｎｇ，２００３，１２（３）．
【３１Ａｎｔ吼ｉｏＣｒｉⅡ正ｌｌｉ８ｉ，Ｐ砒ｒｉｃｋＰｅ嗽，ＫｅｎｔａｍＴ０归瑚Ｒｅｇｉ彻ｆｉｌｌｉＩｌｇａｎｄ
ｂｙｅｘｅｍｐＩ盯一ｂ董嘲甜ｉｍａｇｅ
ｉｎｐａｉｍｉｎｇ｜Ｊ】．ＩＥＥＥＴｌ铷！１８一
ａｃｔｉｏ眦仰Ｉ嘲ｇｅＰｒｏｃｅ髓ｉＩＩｇ。２００４，１３（９）．
图８对破损图片的修复
【４】陆璐Ａ，Ｆｒ∞咖ｍ
仃蛐ｓｆ研Ｃ】，，Ｐｒｏｃ
２００ｌ：３４ｌ一３４６．
ＷＴ．１删ｌｇｅｑＩＩｉｌｔｉＴＩｇ五盯ｔｅｘｔｕ托ｓｙｍｈ髓ｉｓ锄ｄ
ＡＣＭＣｏＩｌｆ
Ｃ哪ｐｕｔ盯ＧｍｐｌＩｉｃ８（ＳＩＧＧＲＡＰＨ），ＡＩｌｇ
定—个区域作为目标区域，本算法就能够根据目标区域周围的
万方数据
基于修复顺序的图像修复算法
作者：作者单位：刊名：英文刊名：年，卷(期)：
张伟彬， ZHANG Wei-bin
信息产业部,电信科学技术第一研究所,上海,200032计算机工程与应用
COMPUTER ENGINEERING AND APPLICATIONS2008,44(22)
参考文献(4条)
1. Antonio Criminisi;Patrick Perez;Kentaro Toyama Rngion filling and object removal by exemplar-basedimage inpainting 2004(09)
2. Rane S D;Sapiro G;Bertalmio M Structure and texture filling in of missing image blocks in wirelesstransmission and compression applications[外文期刊] 2003(03)
3. Pei S C;Zeng Y C;Chang C H Virtual restoration of ancient Chinese paintings using color constrastenthancement and lacuna texture synthesis 2004(03)
4. Efros A;Freeman W T Image quilting for texture synthesis and transfer 2001
本文链接：http://d.g.wanfangdata.com.cn/Periodical_jsjgcyyy200822058.aspx
ｃｏ唧眦ｒ西画，ｌｅＰ一昭埘证Ａ即如嘭如ｗ计算机工程与应用
２００８，４４（２２）
１９５
基于修复顺序的图像修复算法
张伟彬
ＺＨＡＮＧＷｅｉ—ｂｉｎ
信息产业部电信科学技术第一ｊ开究所，上海２０００３２
Ｔｈｅ
Ｆｉ硌ｔＲｅｓｅａｒｃｈｌｎＢｔｉｔｕｔｅｏｆＴｅｌｅｃｏｍｏｆＭｉｎｉｓｎｙｏｆ
Ｉｎｆｏｒ啪ｔｉ伽ＩＩＩｄｕｓ町，ｓｈａｎｇｌ憾ｉ
２０００３２，Ｃｈｉ∞
Ｅ—ｍｉｌ：ｚｈａｎｇｗｅｉｂｉｎ＠ｄａｔａＩＩｇｍｏｂｉｌｅ．ｃｎ
ＺＨＡＮＧ
Ｗｅ｝－ｂｉｎ．ｈ啮龄ｍｐａｉｒ
ｐａｐｅｒ
ｏｎ
ｂａｓｅｄ帆ｍｐａｉｒｉ呜∞ｑｕ明髓．Ｃ啪胛ｔｅｒ
Ｅ嘴ｉｎｅｅｒｉ赡ａｎｄＡｐｐＵ∞廿。璐，２０鸺．４４（２２）：１９５－１９丘
ａ
Ａｂｓｔ髓ｃｔ：ｎｉｓ
ｓｔｒａｔｅｇｙ
ｐｍｐｏ∞ｓ明ａｌｇｏｒｉｔｈｍｆ打ｉｍａｇｅ陀ｐａｉｒ．１１ｌｉｓａｌｇｏｒｉｔｌｌｍｐｅ而咖ｓｔｈｅｔａｓｋｔ｝ＩｍｕｇｌＩ
ｂｅｓｌ面璐ｔ
ｂｉａｓｅｄ
ｒｅｐａｉｒｉＩｌｇ
ｂａｓｅｄｔｌｌｅ
ｐｒｉｏｒｉｔｙ鹳￥ｉｇｒ州ｔｏｅａｃｈｐａｔｃｈ鲫ｔｌｌｅｒｅｐａｉｄｎｇ
ｆ｝ｏｎｔ．Ｔｈｅ
ｐｄｏｒｉｔｙｃｏｍｐｕｔ８ｔｉｏｎ
ｔｈｅ
ｉｓｔｏｗａｒｄｔｈｏ鸵
ｐａｔｃｈ鹪诵ｔｌｌｇｔｎＩｃｔＩｌ咒ｉｎｆｏ珊觚∞锄ｄ鲫ｒｒｏｕｎｄｅｄｂｙＴｈｉｓａ１９０ｒｉｔｈｍ
ｔｈｉｓｔＩＩｅ
ｈｉｇｈ＿ｃｏ娟ｄｅｎｃｅｐｉｘｅｌｓ，∞ｔｈａｔｔｅｘｔＩｌ陀ｓｙｎｔｌｌｅｓｉｓ
ｉｓ
ｐｅ而咖ｅｄ
ｏＩｄｅｄｙ．
ｃ粕ｎｏｔｏＩｌＩｙｓｙｎｔｌｌ髓ｉ琵ｔｅｘｔＩｌｒｅｂｕｔａｌ∞ｓｔｎｌｃｔｕ陀ｉＩｌｆｂｍａｔｉ∞．Ａｆｔｅｒｔｌｌｅｏｂｊｅｃｔａ陀ａｈ鹅ｂｅｅｎ驼ｌｅｃｔｅｄｂｙｔｌＩｅｕ∞ｒ，
ａｌｇｏｒｉｔＩＩｍｗｉｌｌｐｅ面哪弛叫ｒｉｎｇｔｏｔ习Ｌｌｌｙａｕｔｏｍａｔｉｃａｌｌｙ．Ｅｘｐｅｒｉ眦ｎｔ嘲ｕｌｔ８ｓｈｏｗｔｌｌａｔｔＩｌｉｓａｌｇｏｒｉｔｈｍｉ８白ｓｔ锄ｄｐｅ血ｃｔｅｖｅｎｉｆ
ａｍａｉｓ
ｏｂｊｅｃｔｂｉｇ．
Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅ聆ｐａｉｒ；ｔｅｘｔｕｒｅｓｙｎｔｌｌｅｓｉｓ；ｔｅｘｔｕｒｅ；ｓｔｒｕｃｔｕｒｅ
摘要：提出一个用于图像修复的算法。首先计算修复前沿每个待修复小片的优先级，然后优先修复具有最高优先级的小片。优先级计算方法能体现每个小片具有的结构信息以及已有颜色的可信度，使得基于小片的纹理综合方法有序进行，同时修复目标区域中的纹理和结构信息。用户选择一个目标区域后，算法就根据选择区域周围的信息自动地修复目标区域。实验证明该算法不仅快速且修复的效果非常好，且目标区域较大时也能达到很好效果。关键词：图像修复；纹理综合；纹理；结构
ＤｏＩ：１０．３７７８，ｉ．ｉｓｓｎ．１００２—８３３１．２００８．２２．０５８
文章编号：１００２—８３３ｌ（２００８）２２一０１９５—０２文献标识码：Ａ中图分类号：１粥９ｌ
ｌ引言
图像修复是当今数字图像处理和计算机视觉的一个热门话题。其应用范围十分广泛，包括：古老的珍贵的破损的图片或照片的修复ｌ－１；图像中多余的物体的移去。特别是ｓｈ明ｔａｎｕ．Ｄ．Ｒａｎｅ等人在文献ｆ２１中还提出了这种技术在无线传输与图像压缩的作用。其基本思想是把图片分成８×８的数据块。当这些数据块通过有衰落的有噪声的无线信道传输时有可能丢失或出错，此时可以利用丢失块周围的信息来修复丢失或出错块。而不是用传统的纠错检错方法，如ＦＥＣ、ＡＲＱ等。从而可大大提高传输带宽利用率。甚至也可以在发送端故意地有选择地不发送一些数据块而在接收端使用修复的方法修复。在数据压缩时可人为的有选择性地去掉数据块然后在解压缩的时候再进行修复。这样可大大提高压缩效率。
在过去。图像修复的方法主要分为两类：（１）纹理综合技术对具有纹理特征的图片比较合适，所谓的纹理是指在二维空问带有某种随机性的重复的图型，这种方法对填充区域的大小没有太大的要求，即它对比较大的填充区域也能获得比较好的结
本文在文献ｆ３１的基础上提出一种新的优先级计算方法，能
够同时修复纹理和线性结构。
２算法介绍
文献【３鼹出一种优先级算法来确定修复的顺序，这种优先
级算法比较复杂。本文提出—个新的优先级计算方法，通过这种基于优先级修复顺序的算法能够有效地修复待修复区域中的纹理和结构信息。
２．１
基ｆ小片的纹理综合技术
本算法专注于基于小片的填充方法（以区别与于基于点的
填充方法Ｈ）。因为这种方法能提高执行的速度。更主要的是基于小片的填充方法能更准确地修复图片的结构。这里以图示来
说明了这一点。图“ａ）中需要修复的区域，也就是目标区域记
为Ｑ，其轮廓线ｉ己为６Ｑ。轮廓线也称为修复前沿。剩下的区域颜色值已经确定．称其为源区域中，在修复过程中源区域中提供了样本，且不断扩大，而目标区域Ｑ不断变小。图ｌ（ｂ）中假设以Ｐ点为中心的正方形小片眵。即将被修复。从图中可清楚地看到：如果砂。位于图片中一条边缘的延伸部分。最可能的最
果。（２）重绘（ｉｎｐａｉｎｔｉｎｇ）技术对具有结构特征的图片比较合适，
结构能够被抽象成一维的模型，如线条或者物体的轮廓，然而这种技术比较适合对小区域的修复，对于比较大的区域，它会产生模糊的效果．而且很明显。
匹配的样本同样位于同一条边缘ｔ（如图ｌ（ｃ）中帆或“）。因为饥中已确定颜色值的部分与帆或岍中对应的部分最相似，
为了保持等照度线不变，只需要简单地用最匹配的源区域中的
作者简介：张伟彬（１９８３一），男，硕士研究生，主要研究方向为图像与视频处理。收稿川胡：２００７一ｌｏ－ｌｌ
修刨日期：２００８＿ｏｌ—１６
万方数据
１９６
２００８，４４（２２）
ｃｏｍｐｍｒ西柳，ｌｅｅ＾昭帆ｄ
Ａｐｐ如砒珊计算机工程与应用
小片（如机．）中的颜色值来填充以中未确定颜色值的点。注意到通过这种做法，等照度线被自动地延伸了（如图ｌ（ｄ））。
（ｂ）
（ｃ）
（ｄ）
图ｌ基ｆ小片的修复方法
尽管基于小片的修复方法能很好地延伸纹理和结构，但是输出图片的效果很大程度上受到填充顺序的影响。图２把两种不同的修复方式作—个比较。图２（ａ）～图２（ｃ）展示了使用逆时钟的洋葱修复方式修复—个凹的目标区域时的修复过程，结果背景图片中原本为水平的一条边界线被重新构造成一条曲线。理想的修复算法应该能够给位于图片中结构的延伸部分的目标区域更大的修复优先级。正如图２（ｄ）～图２（ｆ），正确地延伸线性结构的特性，而且这种算法对于目标区域形状变化时有更好的健壮性。由此可见修复Ｊｌ颐序的重要性，接下来介绍本算法中优先级的计算方法。
图２两种不同修复方式的比较
２．２优先级的计算方法
算法首先确定修复前沿每个待修复小片的优先级，然后修
复具有最高优先级的小片。这里介绍一种不同于文献ｆ３ｍ优先
级计算方法，这种优先级计算方法不仅简单，而且能达到理想
的效果。给定—个以．Ｐ（ＰＥ６Ｑ）点为中心的待修复小片嘭，其
优先级由两部分组成：
尸（ｐ）＝Ｃ（ｐ）Ｄ（ｐ）（１）
其中Ｃ（ｐ）为可信度因子，Ｄ（ｐ）为数据因子。Ｇ（ｐ）的计算方式
如下：
ｃ（ｐ）＝韭霉知
∑ｃ（口）
（２）‘
ＩＹ■
式中Ｉ叱ｌ是叱的面积，初始化时，在目标区域，令ｃ（ｐ）＝０；在源
区域，令Ｃ（ｐ）＝ｌ。Ｃ（ｐ）可认为是Ｐ点周围有效信息的度量，即ｐ点周围有多少有效数据。Ｃ（Ｐ）越大，说明ｐ点周围有更多的
点已经被填充，显然从ｐ点开始填充可以有效地减少误差。引
进这个因子的意图就是首先填充那些周围已经有比较多的已经确定颜色值的小块。这个因子也能给那些总是没有被选到的区域比较高的优先级，这通过更新修复小片中属于目标区域的像素点的可信度值来得到。一旦—个小片蛾里面未确定颜色值的像素点被修复以后，其可信度值也要随着改变。使用下面的方法改变这些点对应的“可信度”Ｃ（ｐ）：
Ｃ（口）；Ｃ（ｐ）Ｖｑ∈叱ｎＱ
（３）
万
方数据这种更新方式能够估计填充前沿不同小片的相对可信度值，而不用根据不同的图片采用不同的参数。随着修复的进行，可信度递减，意味着更不能确定目标区域中心的像素点颜色值的真实性。式（１）中Ｄ（ｐ）的计算方式如下：
Ｄ（ｐ）＝ｍａｘＩＶ纠ＶｇＥ叱ｎＱ
（４）
式中Ｖ‘表示在ｇ点的颜色值的梯度。用这个简单的表达式来
表示ｐ点周围的结构信息，从而使修复算法能够偏向于优先修
复具有结构信息的目标区域。这是本算法跟文献１３所提出的算
法最大不同的地方，实验证明采用此方法也能达到理想的修复
效果，而且修复速度比原算法快一倍以上。
２．３搜索匹配小片
一旦目标区域边缘的每个小片的优先级都计算好了，选出
优先级最高的一个蛾，然后在源区域找出最接近于蛾的一个
小片叱，也就是最匹配的小片叱，而且应该注意小片蛾中的所有像素点的颜色值都应该是确定的。更正式的表示方式为：
蛾＝ｍｉｎｄ（叱，眈）蛾Ｅｍ
（５）
其中的距离ｄ（嘭，叱）定义为两个小片叱和叱中颜色值已经
确定的点的差分平方之和。找出最接近的叱以后叱中每个没
有确定颜色值的像素点（＿ｐ’啊’∈叱ｎＱ）的颜色值直接从嘭中对应的位置复制而来。采用直接复制的方法能够正确地从源区域向目标区域延伸结构和纹理，每一次修复一个小片。任何附加的操作（如增加噪声，平滑等）更可能让最后的结果变得更差
而不是更好。所以本算法只是简单地复制，这样傲不仅能够提
高速度，也能够使最后的结果更自然。
２．４算法的伪代码实现
以下给出本算法的伪代码实现方式：
（１）提取人为选取的边缘；
（２）重复以下步骤直至完成；
①确定填充前沿，如果为空集，结束算法跳出；②计算修复前沿每个小片的优先级；③找出具有最高优先级的小片；
④从源区域中搜索最匹配的小片；
⑤待修复小片中颜色未确定区域从匹配小片中对应位置
复制；
⑥更新可信度值。３仿真结果
接下来展示使用本算法修复—些合成和自然的图片的修复效果。图３使用本算法修复一星状图，目标区域是中间的黑色小方块。从修复的过程可以看出本算法具有“结构”驱动的特点，同
时由于可信度因子的存在也使得修复顺序具有从外到内的特
点。图４修复两个椭圆，目标区域是中间的黑色的椭圆。图５、图６和图７假设在无线信道上分块（８×８）传输图片，而且３０％的数据随机地丢失了（见图６）。这里采用修复的方法对丢失的部分进
行修复，而不是采用重传或检错纠错的方法。尽管在眉毛、眼睛和下巴有—些失真，但考虑到丢失的数据如此严重，修复效果还是
非常令人满意的。而且不会出现像使用重绘（ｉｎｐａｉｎｔｉＩＩｇ）ｌ孔技术时所出现的模糊的现象。图８是对—张破损图片（中间）的修复，修复以后的图片（最右边）跟原图（最左边）从视觉Ｅ无法区别。
４小结
本文给出—个简单而有效的数字图像修复的方法。用户选
（下转２４３页）
杜娟，呼广跃：数据压缩在序列比对中的应用
２００８，４４（２２）
２４３
；～ｊ一
／．
。
而基因覆盖率并没有损失。
３．３相关工作和展望
使用压缩算法做生物序列的比对和分析是生物信息的一个新的研究方向，ＳＣＡ算法经过改进扩展可以用于多重序列比
对，序列搜索和基因识别等生物信息领域。参考文献：
．。少÷
．＋？。
而
一
。。。・
【ｌ】Ｎｅｅｄｌ明咖ｓ
Ｂ，ｗ山璁ｃｈｃ
ｔｈｅ
．＋．
重量薹薹差薹薹辜薹
Ｎ
ｎ
叶
￥龇ｈ
Ｄ．Ａ群ｍ眦ｌ
ｍｅｔｌｌｏｄ
ａｐｐｌｉｃａｂｌｅ
ｔｗｏ
ｔｏｔｈｅ
ｆ撕ｓｉＩＩｌｉｌ撕ｔｉ船ｉｎ
ａⅡＩｉｎ０凇ｉｄｓｅｑ∞ｎ∞ｏｆ
ｐｒｏｔｅｉ叫卧
ＪＭｏｌＢｉｏｌ，１９ｒ７０，４８（３）：４４３＿４５３．
。
■／一．夕＼．＿
，ｌ
图ｌ两株夫肠杆菌序列的比对坐标图
【２】ＳｍｉｔｌｌＴＦ。Ｗ砒ｅ咖彻Ｍ
Ｓ．Ｉｄｅｎｔｉｆｉｃａｔｉ傩０ｆ∞ｍ姗删正ｅｃｕｌ盯８ｕｂ－
ｓｅｑｕｅｒ圮ｅｓ【Ｊ】ＪＭｏｌＢｉｏｌ，１９８ｌ，１４７（１）：１９５一１９７．
【３】Ｎｅ、ｒｉｕ—Ｍ锄ｎｉｎｇｃ，ｗｉｔｔ咖ｌＨ．ｃ伽ｌｐ恍鹤ｉ帆ａＩｌｄｅｘｐｌ姐ａｔｉ册啪ｉＩＩｇ
ｈｉｅｎＩｒｃｈｉｃａｌ目瞪哪哪ａ礴【Ｊ】．ＣｏｍｐｕｔｅｒＪ，１９９７，４０（３）：１０３—１１６．吲Ｓｈｅｎ
Ｊ
ＳＹ，ＹａｒＩｇ
Ｊ，Ｙ∞Ａ，ｄ
ｔｏ
ａ１．ｓｕｐｅｒ蹦ｒＷｉ∞仙弘眦ｎｔ（ＳＰＡ）：蛆
碰ｃｉｅｎｔ珥’ｐｒｏ∞ｈ
ｃｏ呷ｕｔ
【５】Ｈｕ
ｇｌｏｂａｌａｌｉ孕Ｉｍ明ｔｆ打Ｉ－伽∞ｌ伽１０ｔ埽ｓｅｑｕｅｎｃ踯【Ｊ】．
Ｂｉｏｌ，２００２。９（３）：４７７一堪６．
Ｓｈｉ—ｙｉ．Ａ矗吼ａ１９０ｒｉｔｈｍ
Ｇ哪ｇ一”地，Ｓｈｅｎ
ａｌｉ印吨ⅡｌＩＩｌｔｉｐｌｅ
ｍｉ—
ｃｍｂｉａｌｉｎ
ｇｅｎ伽血８ｅｑＩｌｅｎｃｅｓ【Ｃ】，，ｎ忙２７ｔＩｌＡ加岫ｌＩＥＥＥ
Ｅｎｇｉｎ∞ｒｉＩｌｇ
ｊ｜｜。
Ｍｅｄｉｃｉｎｅ明ｄＢｉｏｌｏｇｙＣ∞ｆｅｍｎｃｅ，ＳｈａｒＩｇｈａｉ，Ｃｈｉ眦，２００５．
【６】沈世镒．生物序列突变与比对的结构分析【Ｍ】．北京：科学出版社，
２００４．
羹
耋
耋
薹
蓁
薹
萋
辜
萎
阴沈世镒，吴忠华．信息论基础与应用【Ｍ】．北京：高等教育出版社。
２００４．
图２两株大肠杆茵序列模拟莺捧后的比对坐标图（２）ＳＣＡ算法得到的比对序列的相似度比ＢＬＡＳｒＩＺ稍低，
【８１呼广跃，沈世镒．超级多重基因组序列比对叨．计算机工程与应用，
２００５。４ｌ（２７）：１３一１５．
（上接１９６页）信息修复目标区域中的纹理和结构信息，并且取得了很好的视觉效果。算法的基础是基于小片的纹理综合技术，加上巧妙设
计的填充ＪＩ顷序。每—个像素点的可信度值，加上其周围的结构
信息决定了它的优先级。本文给出的这种技术能够很好地延伸源区域中的线性结构和二维纹理信息。本算法对目标区域的拓
图３对星状图的修复
图４对两个椭圆的修复
扑结构也没有特别的要求，当目标区域比较大的时候也能达到比较好的视觉效果。基于小片的方法（相对于基于像素点的方法）还有—个比较明显的优点就是快速。
参考文献：
【ｌ】ＰｅｉＳＣ。ｚｅｌｌｇＹＣ，Ｃｈ柚ｇＣＨ．Ｖｉｍｌ８Ｉ麒幻Ｅａｔｉ伽０ｆａ眦ｉ即ｌＣｈｊ—
图５原图
图６随机丢失３０％图７修复以后的图片数据以后的图片
ｆ瞄ｅ
ｐａｉｎｔｉｎ铲ｕｓｉＩＩｇ
ｃｏｌ甜ｏｏｍｔ朋哦ｅＩＩＩｌ蛐ｃｅ眦ｎｔ锄ｄ
ｌａｃｕ眦蜘ｕ陀
ｓ）ｍｔｈ髑ｉｓⅢ．ＩＥＥＥ
Ｔｒ粕船ｃｔｉ咖伽ｌ咖唔ｅ
Ｐｒ∞ｅ鹅ｉＩｌｇ，２００４，１３（３）．
【２】ＲａｎｅＳＤ，Ｓ８ｐｉｍＧ．ＢｅｒｔａｌｍｉｏＭ．Ｓｔｎｌｃｔｕｍ肌ｄｔｅ】【ｔｕｍ舢ｉｎｇｉｎ“
ｍｉｓｓｉＩｌｇ
ｉ咖唔ｅｂ１０ｃｋ８ｉｎｗｉ陀ｌ∞ｓ
ｔ瑚ｓｎＩｉ鹪ｉｏｎ锄ｄｅ响ｐ瞄８ｉ叩驴
ｐｌｉｃａｔｉ叫．『１．ＩＥＥＥ
ｏｂｊｅｃｔ即ｍｏｖａｌ
Ｔｎｍ鞠ｃｔｉ帆ｓ锄ｈｎａｇｅＰ瑚ｃｅ鹪ｉｎｇ，２００３，１２（３）．
【３１Ａｎｔ吼ｉｏＣｒｉⅡ正ｌｌｉ８ｉ，Ｐ砒ｒｉｃｋＰｅ嗽，ＫｅｎｔａｍＴ０归瑚Ｒｅｇｉ彻ｆｉｌｌｉＩｌｇａｎｄ
ｂｙｅｘｅｍｐＩ盯一ｂ董嘲甜ｉｍａｇｅ
ｉｎｐａｉｍｉｎｇ｜Ｊ】．ＩＥＥＥＴｌ铷！１８一
ａｃｔｉｏ眦仰Ｉ嘲ｇｅＰｒｏｃｅ髓ｉＩＩｇ。２００４，１３（９）．
图８对破损图片的修复
【４】陆璐Ａ，Ｆｒ∞咖ｍ
仃蛐ｓｆ研Ｃ】，，Ｐｒｏｃ
２００ｌ：３４ｌ一３４６．
ＷＴ．１删ｌｇｅｑＩＩｉｌｔｉＴＩｇ五盯ｔｅｘｔｕ托ｓｙｍｈ髓ｉｓ锄ｄ
ＡＣＭＣｏＩｌｆ
Ｃ哪ｐｕｔ盯ＧｍｐｌＩｉｃ８（ＳＩＧＧＲＡＰＨ），ＡＩｌｇ
定—个区域作为目标区域，本算法就能够根据目标区域周围的
万方数据
基于修复顺序的图像修复算法
作者：作者单位：刊名：英文刊名：年，卷(期)：
张伟彬， ZHANG Wei-bin
信息产业部,电信科学技术第一研究所,上海,200032计算机工程与应用
COMPUTER ENGINEERING AND APPLICATIONS2008,44(22)
参考文献(4条)
1. Antonio Criminisi;Patrick Perez;Kentaro Toyama Rngion filling and object removal by exemplar-basedimage inpainting 2004(09)
2. Rane S D;Sapiro G;Bertalmio M Structure and texture filling in of missing image blocks in wirelesstransmission and compression applications[外文期刊] 2003(03)
3. Pei S C;Zeng Y C;Chang C H Virtual restoration of ancient Chinese paintings using color constrastenthancement and lacuna texture synthesis 2004(03)
4. Efros A;Freeman W T Image quilting for texture synthesis and transfer 2001
本文链接：http://d.g.wanfangdata.com.cn/Periodical_jsjgcyyy200822058.aspx