摘 要： 利用灰度共生矩阵提取图像纹理特征值，然后根据熵值的大小来实现模块大小的选择。另外，在寻找最佳匹配块时，同时考虑了颜色信息的差异和空间距离的因素。最后，给出了客观评价图像修复质量的PSNR度量。实验表明，与Criminisi算法相比，该方法得到的修复效果更自然，更符合人的视觉感知。
关键词： 图像修复；纹理合成；灰度共生矩阵；熵；模块大小；最佳匹配块

　图像修复是针对有信息缺损的图像，利用图像中已知区域的信息按照一定的规则填充缺损区域的过程，并使观察者察觉不出图像曾经缺损或已被修复[1]。其对文物保护、影视特技制作、老照片修复、图像中文本及障碍物的去除等都具有重要的应用价值。
　在基于纹理合成的图像修复算法中，具有代表性的是Criminisi算法[2]，它使用优先权函数来确定待修复块的填充顺序，较好地修复了图像的结构和纹理信息，取得了不错的效果。但无论图像纹理是否复杂，其模块大小始终为固定值，不能根据图像的纹理是否复杂进行合理的选择，这对于某些图像的修复，效果不佳。目前，对于Criminisi算法中存在的上述不足，已经有不少学者对其进行了各种改进[3-8]，实现了模块大小的自适应选择，得到了较好的修复结果。
　考虑到模块大小的选择跟纹理的复杂程度有关，本文首先利用灰度共生矩阵提取图像纹理特征值，然后根据熵值的大小来实现模块大小的选择。另外，为了解决当最佳匹配块存在多个时，Criminisi算法可能由于选择不当而导致修复效果不佳的问题，本文在寻找最佳匹配块的同时，考虑了颜色信息的差异和空间距离的因素。实验结果表明，该算法合理有效，得到的修复效果更令人满意。

2.3 改进算法主要步骤
　初始时置i=0；
　（1）抽取用户选定的待修复区域?赘（=?赘°）的边界δ?赘（=δ?赘°）；
　（2）设Ng=8，d=5，夹角θ=0°，45°，90°，135°，计算图像已知区域在4个方向上的Ng×Ng矩阵P1、P2、P3、P4，然后分别进行归一化；
　（3）分别计算4个矩阵的熵特征值，并进行归一化；
　（4）对步骤（3）中得到的4个值进行加权平均，再根据如下对应关系选择模块大小；

　从以上实验对比中可以看出，相比于Criminisi算法，本文得到的修复结果更自然，更符合人的视觉感知。从图3看到，虽然本文算法所选模块大小与Criminisi算法一样，但是本算法避免了最佳匹配块的选择不当问题，因而得到的修复结果更理想。以图4可以看到，本算法所选模块较小，包含的纹理单元也较少，则较容易找到与之相似度高的匹配块，从而增强了图像的修复效果。在图5与图6中，本算法的模块都较大，确保了纹理结构的完整性。其中，图5中得到的修复结果对三角形内部修复得很好，不再出现白色区域，保证了三角形纹理结构的完整性；图6结果显示本文对弧线结构修复得更好，不存在断裂的现象。通过以上的实验分析，说明了本算法的可行性及有效性。
为进一步分析本文算法的修复质量，表1给出了利用峰值信噪比测度PSNR（Peak Signal to Noise Ratio）对　本文算法及Criminisi算法得到的修复结果进行客观评价。从表1可以看出，本算法修复结果的峰值信噪比比Criminisi算法来得高，即说明了本文修复的效果较好。
　通过图7进一步说明了本方法可避免当最佳匹配块存在多个时，由于选择不当而使修复效果不好的问题。其中，图7（a）为原图像；图7（b）为待修复图像；图7（c）为Criminisi算法，winsize=4；图7（d）为只采用本文中模块大小的选择的方法，winsize=9；图7（e）为本算法，结合模块大小的选择及最佳匹配块的选择的方法，winsize=9，比较图7（c）和图7（d）发现，采用模块大小的选择的方法在一定程度上改善了图像的修复质量，但仍存在一定的缺陷；从图7（e）相较于图7（c）和图7（d）容易发现，采用方法得到的修复效果最好。

　本文分析了Criminisi算法，并针对其存在的某些不足，提出了一种新的改进方法。实验表明，本算法可根据图像的纹理是否复杂来灵活地选择合适的模块大小，同时可避免由于最佳匹配块选择不当而使修复效果不好的问题。然而本算法给模块大小winsize只提供了6个可选值，即winsize=2、3、4、5、7、9。虽然这几个值在一般情况下能适用于大多数缺损图像的修复，但是对于一些个别的图像，其修复效果仍不够理想，还需对其做进一步的改进。
参考文献
[1] 张红英，彭启琮.数字图像修复技术综述[J].中国图象图形学报，2007，12（1）：1-10.
[2] CRIMINISI A， PEREZ P， TOYAMA K. Region filling and object removal by exemplar-based image inpainting[J]. IEEE Transactions on Image Processing， 2004，13（9）：1200-1212.
[3] 屈磊，韦穗，梁栋，等.快速自适应模板图像修复算法[M].中国图象图形学报，2008，13（1）：24-28.
[4] 杨秀红，王慧琴，李苏莉.基于自适应模板和置信度更新的图像修复算法[J].电子科技，2009，22（12）：69-72．
[5] 付绍春，楼顺天.基于区域纹理合成的图像修补算法[J].电子与信息学报，2009，31（6）：1319-1322．
[6] Zhou H L， Zheng J M. Adaptive patch size determination for patch-based image completion[C]. Proceedings of 2010 17th IEEE International Conference on Image Processing，2010：421-424．
[7] 孟春芝，何凯，焦青兰.自适应样本块大小的图像修复方法[J].中国图象图形学报，2012，7（3）：337-341.
[8] 张伟伟，何凯，孟春芝.自适应选取样本块大小的纹理合成方法.计算机工程与应用，2012，48（17）：170-173．