PAGEV
基于深度学习的图像修复系统设计与实现
摘要
图像修复指重建的图像和视频中丢失或损坏的部分的过程。在人们生活中，图像修复的应用领域涉及非常广。对图像修复方法的研究能够满足人们需求提升生活品质故而意义非凡。随着人工智能的成熟与发展，深度学习提高了识别应用中的识别准确度并在人脸识别和自动驾驶领域大放光彩。但其基础理论研究仍为计算机视觉范畴，故从基础理论出发用深度学习进行图像处理很有必要。
深度学习被广泛运用于图像分类、特征提取等应用场景中，其图像处理效果显著。深度学习在理论上是可以取代传统数字图像修复的，但针对于图像预处理、后期处理等难题结合传统技术与深度学习的优势对比，我们采用的是传统数字图像处理技术。因此有必要将传统图像修复技术与深度学习进行结合，实现传统图像技术向深度学习图像处理技术的融合与过渡。
本文针对目前传统Criminisi算法和传统数字修复技术的不足，提出一种基于VGG19卷积神经网络提取图片特征信息作为匹配准则的图像修复技术。通过把传统Criminisi算法中基于像素点的SSD匹配准则替换成基于图像特征信息的匹配准则，实现匹配块的合理化选取，从而提升图像修复质量。测试实验结果表明图片修复质量有所提升。
关键词：图像修复；Criminisi算法；匹配准则；特征提取；深度学习
目录
TOC\o1-3\h\z\u4354第1章绪论 1
301521.1选题背景及研究意义 1
254171.2课题研究现状 1
126631.3论文主要研究内容及组织安排 2
10981.3.1论文主要研究内容 2
39511.3.2论文的组织安排 3
28691第2章图像修复的理论知识及修复技术介绍 3
248582.1图像修复的相关理论 3
188482.1.1图像修复问题概述 3
163712.1.2图像修复与视觉效果 4
259132.1.3图像修复的评价方法 4
217192.2基于纹理的图像修复技术 5
161582.2.1纹理修复的概念 5
37302.2.2基于纹理的图像修复及特点 5
21262.3基于深度学习的图像处理相关概念 6
271392.3.1深度学习的概念 6
6672.3.2卷积神经网络 6
164732.3.3VGG19卷积神经网络特征提取的优势 7
282842.4本章小结 8
29744第3章基于Criminisi图像修复算法的改进研究 9
82373.1Criminisi算法概述 9
237033.1.1Criminisi算法原理 9
161663.1.2Criminisi算法流程 9
13503.2改进Criminisi算法的内容研究 11
25413.2.1VGG19卷积神经网络提取图片特征及特征可视化 11
219053.2.2待匹配块的大小调节 11
25083.2.3卷积层与池化层概念 12
317023.2.4特征差的计算与SSD算法结合 14
156103.3本章小结 14
10615第4章改进的Criminisi算法修复实验结论 14
131034.1实验仿真 14
193704.2实验结果分析 15
14273第5章总结与展望 18
39915.1工作总结 18
157985.2未来展望 18
13473参考文献 20
9595致谢 22
PAGE1
绪论
选题背景及研究意义
计算机技术广泛的应用极大方便了人们的日常生活。在计算机图像技术方面，计算机视觉、数字图像处理等得到鼎力发展，成功运用于生物工程、医学医疗、工业生产、卫星遥感、地理测绘等领域(高雅静,丁志成,2022)[1]。通过这些可以看出但是在图像摄制和收集过程中，由于诸多不确定因素，会带给图像质量伤害性的信息丢失问题。为此，以提高图像的质量为目的，推动图像处理技术发展成为热点(贾晴丽,林瑞雪,2023)。
现今，研究者们致力于探究如何运用图像修复技术高效高质的完成图像修复。传统的数字图像复原技术主要有两个研究方向:基于纹理的复原和偏微分复原[2,3]。而随着图像处理技术的不断提升，以大数据应用为背景的万物互联、云端计算等技术融入并改造升级了传统产业。可以从此看出在图像处理领域中的深度学习应用不同于传统数字图像处理，其在图像分类识别中有着超高的准确率，已经成为图像处理技术发展的热点(蒋文俊,陈昕薇,2021)。
因此我们在目前阶段的图像修复算法研究中，急需把传统算法与深度学习的图像修复