[发明专利]一种图像修复方法及装置

说明书

本申请实施例提供了一种图像修复方法及装置，所述方法包括：利用梯度算子求出待修复图像像素的梯度方向与梯度强度数值；再由待修复图像像素的邻近像素获得待修复图像像素的结构因子；再根据待修复图像像素的梯度方向和结构因子确定对应的高斯算子，通过对应高斯算子计算得出高斯系数；在根据待修复图像像素的噪声获得噪声系数；最后根据待修复图像像素的梯度强度数值与噪声系数来矫正待修复图像像素的高斯系数，再由矫正后的高斯系数与待修复图像像素计算得到修复后的图像像素。本申请增加了噪声检测算子，提高了算法在实际视频样本上的表现；对传统的梯度检测、结构估计算子进行了优化，提高了计算效率，对图像的修复有提高。

技术领域

本申请涉及图像处理领域，具体而言，涉及一种图像修复方法及装置。

背景技术

现有的超分辨率技术可以根据所处理的数据类型来划分，分成对单帧图像的处理和对连续视频图像的处理两种。单帧图像的超分处理主要基于对物体边缘的提取和锐化技术，其依据是物体边缘所代表的模式不随分辨率而显著变化。而连续运动图像的处理则主要基于在时间方向上的物体运动估计，图像配准和子像素提取技术上。快速超分辨率的调整锚邻域回归(Adjusted anchored neighborhood regression for fast super-resolution，简称A+)，快速、精确的超分辨率技术(Rapid and Accurate Image Super-Resolution，简称RAISR)，超分辨率卷积神经网络，(Super-Resolution ConvolutionalNeural Network，简称SRCNN)是机器学习超分算法的3个典型实例。A+根据周围像素生成模式词典，使用稀疏矩阵压缩方法生成HASH(散列)来选择滤波器。在SRCNN中，使用稀疏矩阵的HASH来选择优质滤波器的方法是一个卷积神经网络的工作过程。而RAISR是近年来比较突出的成果，它在算法的效果和运算复杂度上取得了很好的平衡。

目前的超分辨率技术存在以下缺陷：

如果用于连续的高清晰度视频，则性能上还存在显著的不足。在PC(personalcomputer)平台上当视频分辨率比较高的时候，比如4k视频不能做到实时处理；而在移动设备，手机上的CPU性能更低一些，对于720P的视频就会遇到严重的性能和功耗瓶颈。

并且实际视频都是存在噪声的不完美样本，目前算法并未考虑到噪声的影响和去除，在实际运用中，噪声的存在严重降低了超分算法的效果。

发明内容

为了解决上述至少一种缺陷，本申请描述一种图像修复方法及装置，用于对图像进行修复还原。

第一方面，本申请实施例提供一种图像修复方法，所述方法包括：

对待修复图像进行边缘检测，得到所述待修复图像中各像素点的梯度方向和梯度强度值；

根据所述待修复图像中像素点的梯度方向确定该像素点的邻近像素点，并根据邻近像素点的梯度方向及梯度强度值得到所述像素点的结构因子；

根据所述待修复图像中像素点的梯度方向及结构因子得到高斯算子，采用高斯算子对所述像素点进行处理，得到所述像素点的高斯系数；

根据所述待修复图像像素的噪声得到噪声系数；

根据所述待修复图像中像素点的高斯系数及噪声系数，对所述待修复图像中像素点进行修复，以对所述待修复图像进行修复。

可选地，所述对待修复图像进行边缘检测，得到所述待修复图像中各像素点的梯度方向和梯度强度值，包括：

采用边缘检测算子对所述待修复图像进行处理，得到所述待修复图像中各像素点的梯度向量，所述梯度向量包括梯度方向和梯度强度值；

所述边缘检测算子包括Sobel检测算子。