资 源 简 介
应用背景criminisi的详细算法，一看就懂！！
目前，图像修复中占主流的修复模型有：偏微分方程的修复模型[1-2]、纹理合成[3]的修复模型。前者计算量大、耗时长、对纹理的还原能力有限，处理大区域图像会有明显的模糊现象，因此只适合于划痕、污迹和文字等细窄的区域修复。相比之下，后者将待修复区域周围的图像作为样本,从中提取特征并选取匹配的纹理，将其合成到待修复区域内，适用于较大区域的修复。
现实中的图像不是由简单结构和单一纹理拼接而成的，而是同时包含复杂的结构和多种纹理特征。参考文献[4]将图像分割为结构和纹理两部分，然后分别用偏微分方法和纹理合成技术进行处理，最后将两种处理结果进行融合。但对实际图像而言，该方法修复区域较小，速度较慢，对较大区域修复仍然有一定的模糊。Criminisi等人在2003年提出了一种不用分割图像，同步处理纹理和结构的基于样例的图像修复算法[5]。他们的算法取得了满意的效果，但是耗费的时间过长，另外优先权和相似度的计算还存在一定不足。本文改进了参考文献[5]的图像修补算法。为了使优先权计算更加准确，本文采用梯度数据项和置信度共同决定填充顺序；为加快修复速度，本文采用局部窗口搜索的策略；最后利用颜色和梯度共同决定相似性，使得修复后的图像具有更好的视觉效果。大量实验结果表明，该算法提高了修复效率，同时产生了更满意的视觉效果。
关键技术
基于样例的图像修复算法，为了兼顾结构和纹理部分的修复效果，填充顺序是这类方法的关键。填充顺序的优先权函数大小要考虑两方面的因素：一方面是模板窗口中已知信息量的多少，另一方面要考虑待修复区域周围的结构特征。因为已知信息多的待填充块的周围可以利用的信息大，结构特征明显的区域包含了丰富的结构信息。Criminisi定义的优先权函数为：P（p）=C（p）×D（p）。当等照度线与单位法向量垂直时，D（p）=0，这时即使C（p）很大，甚至整个块中只有几个未知像素，块也得不到及时填充。这样优先权的计算就变得不可靠，导致错误的填充顺序，进而影响修复的效果。为了解决这个问题，本文直接引入梯度信息来计算块的优先权。P为修复边界dΩ上的点，ψp是以点
