OpenCV Python 图像修复
【目标】
- 去除小噪声和笔画等；
【理论】
大多数人家里都会有一些旧照片，上面有一些黑点，一些笔画等。你想过把它修复回来吗?我们不能简单地在油漆工具中删除它们，因为它只会用白色结构取代黑色结构，这是没有用的。在这些情况下，使用一种称为图像修补的技术。基本的想法很简单:用邻近的像素替换那些不好的标记，这样它看起来就像邻近的像素。看看下面这张图片(来自维基百科):
为此设计了几种算法，OpenCV提供了其中两种。两者都可以通过同一个函数访问；cv.inpaint()
第一种算法是基于Alexandru Telea在2004年发表的论文**“一种基于快速行进方法的图像修补技术”**。它是基于快速行进法的。考虑图像中要补绘的区域。算法从该区域的边界开始，在区域内部逐步填充边界内的所有东西。它需要一个小的邻域，围绕邻域上的像素进行内绘。该像素被附近所有已知像素的归一化加权和所取代。权重的选择是一件重要的事情。对靠近点的像素、靠近边界法线的像素和位于边界轮廓上的像素给予更多的权重。一旦一个像素被嵌入，它移动到下一个最近的像素使用快速行进方法。FMM确保已知像素附近的像素首先被补绘，因此它就像手动启发式操作一样工作。该算法通过使用标志来启用，cv.INPAINT_TELEA.
第二种算法基于Bertalmio, Marcelo, Andrea L. Bertozzi和Guillermo Sapiro在2001年发表的论文**“Navier-Stokes，流体动力学，and Image and Video Inpainting”**。该算法以流体动力学为基础，利用偏微分方程。基本原理是启发式的。它首先沿着边缘从已知区域移动到未知区域(因为边缘意味着连续的)。它在修补区域边界处匹配梯度向量的同时，继续等距(相同强度的线连接点，就像等高线连接点一样)。为此，使用了流体动力学中的一些方法。一旦它们被获得，就填充颜色以减少该区域的最小方差。该算法通过使用标志来启用，cv.INPAINT_NS.
【代码】
import numpy as np
import cv2
img = cv2.imread("assets/messi2.jpg")
mask = cv2.imread("assets/messi2_mask.jpg", 0)
dst1 = cv2.inpaint(img, mask, 3, cv2.INPAINT_TELEA)
dst2 = cv2.inpaint(img, mask, 3, cv2.INPAINT_NS)
cv2.imshow("src", img)
cv2.imshow("mask", mask)
cv2.imshow("dst_TELEA", dst1)
cv2.imshow("dst_NS", dst2)
cv2.waitKey(0)
cv2.destroyAllWindows()
【接口】
- inpaint
cv2.inpaint( src, inpaintMask, inpaintRadius, flags[, dst] ) -> dst
Restores the selected region in an image using the region neighborhood.
- src: 输入图像，8位，16位，32位单通道或者8位3通道图像
- inpaintMask: 修复掩码，8位单通道，非0表示需要修复；
- inpaintRadius: 修复半径
- dst: 输出的图像
- flags: cv2.INPAINT_NS 或 cv2.INPAINT_TELEA
【参考】
- Image Inpainting
- Bertalmio, Marcelo, Andrea L. Bertozzi, and Guillermo Sapiro. “Navier-stokes, fluid dynamics, and image and video inpainting.” In Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on, vol. 1, pp. I-355. IEEE, 2001.
- Telea, Alexandru. “An image inpainting technique based on the fast marching method.” Journal of graphics tools 9.1 (2004): 23-34.
- Inpainting
