基于Criminisi算法的图像修复研究

数字图像修复在2000年首次提出，关键应用领域包括文物保护和电影特效制作，其中Criminisi算法备受研究关注。本文针对Criminisi算法仅适用于纹理信息丰富或大区域破损图像修复的局限性展开研究，结合权重与距离参数更新Criminisi算法的优先权计算公式和匹配块匹配策略，提出一种新的Criminisi改进方法，以提高算法的适用范围和修复的图像质量。本文引入权重系数以度量优先权公式中置信度项和数据项的信息，同时引入待修复块与全局最佳匹配块间的欧氏距离作为匹配块搜索新策略，通过调节比例系数调整不同应用场景的搜索策略，以增强匹配块与待修复块的相似性。最后，本文使用PSNR作为客观评价指标，在Matlab平台完成不同图像修复任务和应用场景的修复对比实验，结果表明，本文方法不仅有效提高修复图像的平均PSNR，还能更好地适应不同修复任务及其应用场景，为数字图像修复领域的深入研究与应用提供一定价值的参考。

数字图像修复技术[1]是数字图像处理技术的一个重要分支，广泛应用于文艺创作、文物保护和电影特效制作等领域[2]。信息丢失在图像的压缩、存储和传输过程中普遍存在，特别是老旧照片、壁画、书籍等受损文物[3] [4]。

过去只能依靠人工方法进行繁琐而严谨的修复工作， 尤其在文物保护方面风险较大， 一旦出现错误就可能永久损坏文化遗产。随着计算机技术的飞速发展，人们可以通过数字化手段将这些作品传输至计算机，由专业人士进行修复，既能提高效率，也可以降低成本、提高安全性，为文物保护和文艺作品修复带来新的机遇。

此外，数字图像修复技术在电影特效制作等领域也发挥着关键作用。不论是电影制作还是日常生活， 人们可能需要从图像中移除人物或物体，同时保持图像的协调性和完整性，数字图像修复技术的应用能有效解决此类问题、获得期望图像[5]。

数字图像修复方法可分为基于结构[6] [7] [8]、基于纹理[9] [10] [11]和基于深度学习[11] [12] [13] [14]三大类[15] [16]。

基于结构的方法以单个像素为基本修复单元， 利用扩散原理进行修复， 它的鲁棒性较差， 容易导致修复区域模糊。基于纹理的方法，典型的代表是Criminisi 等人提出的基于样本块的算法，即Criminisi 算法，它能够有效修复图像并保留纹理信息，适用于大区域破损图像的修复。基于深度学习的方法，依赖卷积神经网络进行图像修复，它包括基于生成对抗网络(Generative adversarial network, GAN)、自编码器(Auto-Encoder, AE)和Context Encoders (CE)等算法。

GAN 算法需要大规模数据集进行反复训练， 要求迭代次数多，且容易产生伪影，小数据集的应用效果较差。AE 算法修复结果会导致模糊，而CE 算法原理复杂，难以实现。

Criminisi 算法[17]是一种基于样本块和纹理的图像修复算法， 在纹理信息丰富的文化遗产修复工作方