土家織錦傳統(tǒng)殘存圖案數(shù)字化修復(fù)方法
【專(zhuān)利摘要】本申請(qǐng)公開(kāi)了土家織錦傳統(tǒng)殘存圖案數(shù)字化修復(fù)方法，包括破損區(qū)域自動(dòng)檢測(cè)，圖像結(jié)構(gòu)分量和紋理分量分解，結(jié)構(gòu)分量變分PDE修復(fù)和紋理分量的紋理合成修復(fù)，具體包括以下步驟：建立土家織錦的數(shù)字圖像破損區(qū)域的自動(dòng)檢測(cè)和定位模型；構(gòu)建變分圖像分解模型將土家織錦圖像分解為結(jié)構(gòu)分量和紋理分量；設(shè)計(jì)變分PDE模型修復(fù)土家織錦結(jié)構(gòu)分量，設(shè)計(jì)基于樣本的紋理合成算法修復(fù)土家織錦紋理分量；最后合成修復(fù)后的結(jié)構(gòu)分量和紋理分量，得到土家織錦數(shù)字圖像的完整修復(fù)。本申請(qǐng)的通過(guò)數(shù)字技術(shù)對(duì)土家織錦傳統(tǒng)殘存圖案進(jìn)行修復(fù)，能夠通過(guò)多次嘗試，找到最滿意的修復(fù)效果，同時(shí)不需要破壞原始的織錦，為土家織錦的修復(fù)工作提供了安全便捷的途徑。
【專(zhuān)利說(shuō)明】
土家織錦傳統(tǒng)殘存圖案數(shù)字化修復(fù)方法
技術(shù)領(lǐng)域
[0001] 本申請(qǐng)屬于數(shù)字圖像修復(fù)領(lǐng)域，具體地說(shuō)，涉及一種土家織錦傳統(tǒng)殘存圖案數(shù)字 化修復(fù)方法。
【背景技術(shù)】
[0002] 土家織錦是土家族民族工藝的一朵奇葩，被稱(chēng)作"土家之花"。土家織錦有著悠久 的歷史，《后漢書(shū)·西南蠻夷傳》中對(duì)土家族的這種織錦就有了最初的記載。土家織錦在其 產(chǎn)生、發(fā)展和變迀中，充分體現(xiàn)了實(shí)用性和藝術(shù)性的完美結(jié)合，并成為傳承土家文化和藝術(shù) 的重要載體。在2006年6月土家織錦被列為國(guó)家首批國(guó)家級(jí)非物質(zhì)文化遺產(chǎn)重點(diǎn)保護(hù)名錄。
[0003] 但是現(xiàn)在隨著現(xiàn)代化進(jìn)程的加快，受自然、社會(huì)和人文環(huán)境等多種因素的影響，土 家織錦的保護(hù)和傳承也面臨嚴(yán)峻的挑戰(zhàn)，特別是一些傳統(tǒng)土家織錦圖案正逐漸消失。而恰 恰這些傳統(tǒng)圖案反映了土家族的歷史文化，潛藏著民族淵源的軌跡，所以非常有必要對(duì)其 進(jìn)行保護(hù)。
[0004] 當(dāng)?shù)卣矊?zhuān)門(mén)成立了保護(hù)專(zhuān)班，制定了保護(hù)政策，并安排專(zhuān)家小組深入民間收 集整理原始素材，努力保護(hù)這種土家織錦。由于在民間收集的土家織錦時(shí)代久遠(yuǎn)，并且被經(jīng) 常性地使用，所以常常會(huì)出現(xiàn)破損和玷污?，F(xiàn)在有織錦藝人采用復(fù)雜的手工方式對(duì)其進(jìn)行 修復(fù)，但是由于修復(fù)工作繁重，并且當(dāng)?shù)赜薪?jīng)驗(yàn)的織錦藝人人數(shù)又有限，所以這種修復(fù)效率 極其低下。再就是這種直接的修復(fù)是在原始織錦上進(jìn)行修改，這種修改一般是不可逆的，一 個(gè)小小的失誤可能會(huì)破壞珍貴的原始織錦。而數(shù)字圖像修復(fù)技術(shù)則帶來(lái)了極大的自由，我 們可以通過(guò)多次的嘗試尋找到視覺(jué)上最為滿意的修復(fù)效果，而不需要破壞原始的織錦。所 以在這種情況下，數(shù)字圖像修復(fù)技術(shù)可以為土家織錦的修復(fù)工作提供安全便捷的途徑。
[0005] 圖像修復(fù)是指對(duì)受到損壞的圖像進(jìn)行修復(fù)重建。圖像修復(fù)者需要采取最恰當(dāng)?shù)姆?法恢復(fù)圖像的原始狀態(tài)，同時(shí)保證圖像達(dá)到最理想的藝術(shù)效果。早在文藝復(fù)興時(shí)期，人們就 開(kāi)始修復(fù)一些中世紀(jì)的藝術(shù)品，其目的在于通過(guò)填補(bǔ)一些裂縫來(lái)使畫(huà)面恢復(fù)原貌，這一工 作就稱(chēng)之為"Inpainting"（修復(fù)，潤(rùn)飾)或"Retouching"。但是當(dāng)時(shí)的修補(bǔ)主要是藝術(shù)品修 復(fù)專(zhuān)家依靠專(zhuān)業(yè)知識(shí)手工進(jìn)行，這種修復(fù)方式存在如下缺點(diǎn)：（1)修復(fù)效率極其低下；（2)有 可能破壞掉原來(lái)珍貴的藝術(shù)品。M.Bertalmio首次提出圖像修復(fù)能被簡(jiǎn)化為一個(gè)數(shù)學(xué)表達(dá) 式，利用計(jì)算機(jī)能自動(dòng)加以實(shí)現(xiàn)。圖像修復(fù)現(xiàn)已是計(jì)算機(jī)圖形學(xué)和計(jì)算機(jī)視覺(jué)中的一個(gè)研 究熱點(diǎn)，在文物保護(hù)、影視特技制作、虛擬現(xiàn)實(shí)、多余物體剔除（如視頻圖像中刪除部分人 物、文字、小標(biāo)題等)等方面有著重大的應(yīng)用價(jià)值。
[0006] Bertalmio等在2000年第27屆SIGGRAPH年會(huì)上，首次提出了數(shù)字圖像修復(fù)這個(gè)術(shù) 語(yǔ)，隨后數(shù)字圖像修復(fù)技術(shù)得到了廣泛的研究。目前，數(shù)字圖像修復(fù)技術(shù)的發(fā)展主要集中在 兩個(gè)領(lǐng)域：（1)基于非紋理結(jié)構(gòu)的圖像修復(fù)，主要用于修復(fù)小尺度破損的數(shù)字圖像，目前研 究者多采用基于變分和高階偏微分方程(PDE)模型進(jìn)行修補(bǔ)；（2)基于紋理結(jié)構(gòu)的圖像修補(bǔ) 技術(shù)，主要用于填充圖像中大塊丟失的信息，目前的研究主要集中在基于馬爾可夫隨機(jī)場(chǎng) (MRF)的樣本紋理合成技術(shù)。
[0007] 數(shù)字圖像修復(fù)技術(shù)在這十多年的發(fā)展中，對(duì)其研究主要還是集中在理論層面。在 應(yīng)用方面，也有少量的研究成果應(yīng)用于醫(yī)學(xué)、考古等領(lǐng)域，但是在織物數(shù)字圖像的修復(fù)方 面，研究成果很少。僅有的少量研究也是針對(duì)于一些經(jīng)濟(jì)價(jià)值非常高的織物，例如唐卡。土 家織錦由于具有局部地域性，消費(fèi)比較小眾，受關(guān)注的程度不是很高，所以對(duì)其進(jìn)行數(shù)字化 修復(fù)的研究基本上處于空白。但是土家織錦作為首批國(guó)家級(jí)非物質(zhì)文化遺產(chǎn)，為了保護(hù)和 傳承這種土家族所特有的織錦，對(duì)其進(jìn)行數(shù)字化修復(fù)方面的研究是非常必要的。
[0008] 土家織錦既包含大量的輪廓結(jié)構(gòu)，又包含了豐富的顏色紋理，所以單一的修復(fù)技 術(shù)很難達(dá)到好的修復(fù)效果，基于圖像分解的修復(fù)方法可以解決這個(gè)問(wèn)題?；趫D像分解的 修復(fù)就是將待修復(fù)圖像采用一定的技術(shù)將其分解為結(jié)構(gòu)分量和紋理分量之和，然后分別對(duì) 兩種分量進(jìn)行單獨(dú)地修復(fù)，最后合成得到修復(fù)結(jié)果。Bertalmio等在2003年率先將圖像分解 應(yīng)用到圖像修復(fù)之后，陸續(xù)一些研究學(xué)者對(duì)這種修復(fù)技術(shù)進(jìn)行了研究。但是目前這方面的 研究成果相對(duì)而言還是比較少，少量的研究也是集中在理論模型和算法的改進(jìn)方面，鮮有 采用這種技術(shù)對(duì)某種數(shù)字圖像進(jìn)行針對(duì)性的研究。
[0009] 綜上所述，目前國(guó)內(nèi)外對(duì)圖像修復(fù)進(jìn)行了一定量的研究工作，但是基于變分分解 的修復(fù)研究較少，針對(duì)土家織錦的數(shù)字化修復(fù)研究基本上處于空白。

【發(fā)明內(nèi)容】

[0010] 為了解決上述技術(shù)問(wèn)題，本申請(qǐng)公開(kāi)了一種土家織錦傳統(tǒng)殘存圖案數(shù)字化修復(fù)方 法，包括破損區(qū)域自動(dòng)檢測(cè)，圖像結(jié)構(gòu)分量和紋理分量分解，結(jié)構(gòu)分量變分TOE修復(fù)和紋理 分量的紋理合成修復(fù)，具體包括以下步驟：
[0011] (1)建立土家織錦的數(shù)字圖像破損區(qū)域的自動(dòng)檢測(cè)和定位模型；
[0012] (2)構(gòu)建變分圖像分解模型將土家織錦圖像分解為結(jié)構(gòu)分量和紋理分量；
[0013] (3)設(shè)計(jì)變分TOE模型修復(fù)土家織錦結(jié)構(gòu)分量，設(shè)計(jì)基于樣本的紋理合成算法修復(fù) 土家織錦紋理分量；
[0014] (4)最后合成修復(fù)后的結(jié)構(gòu)分量和紋理分量，得到土家織錦數(shù)字圖像的完整修復(fù)。
[0015] 進(jìn)一步的，所述步驟（1)具體方法為:對(duì)土家織錦圖像進(jìn)行分析，選擇適當(dāng)?shù)念伾?模型，提取顏色特征和紋理特征，并對(duì)這些特征數(shù)據(jù)進(jìn)行有效融合，獲取圖像高效特征數(shù) 據(jù);將融合得到的圖像高效特征信息融入到變分幾何活動(dòng)輪廓模型中，通過(guò)圖像分割技術(shù) 實(shí)現(xiàn)土家織錦圖像破損目標(biāo)區(qū)域自動(dòng)提取和定位。
[0016] 選擇2個(gè)顏色模型組合成復(fù)合顏色通道，在此通道中通過(guò)整合圖像顏色信息和紋 理特征構(gòu)建復(fù)合變分水平集模型，利用能量泛函的極小來(lái)實(shí)現(xiàn)對(duì)圖像破損區(qū)域的準(zhǔn)確提取 和定位。數(shù)值計(jì)算中采用變分理論中的Eul er-Lagrange方程和梯度下降法求解泛函極小。 具體實(shí)現(xiàn)如下：
[0017] 選取HSI色彩空間和CIE LAB色彩空間。首先將RGB色彩空間轉(zhuǎn)換到HSI色彩空間， 轉(zhuǎn)換如下：
[0019] 再將RGB色彩空間轉(zhuǎn)換為L(zhǎng)ab色彩空間，公式如下
[0024]由于土家織錦是紡織品，具有很強(qiáng)的一致性紋理，分割過(guò)程中考慮紋理的特征，破 損區(qū)域沒(méi)有紋理，其他完整區(qū)域具有基本相同的一致性紋理。紋理特征0采用區(qū)域灰度共 生矩陣提取?；叶裙采仃囀欠治黾y理特征的一種有效方法，該方法研究了圖像紋理中灰 度級(jí)的空間依賴(lài)關(guān)系。它對(duì)灰度的分布特性是通過(guò)對(duì)灰度值不同的像素的分布來(lái)表示的， 同時(shí)這些像素對(duì)空間位置關(guān)系和分布特性也得到了體現(xiàn)。紋理特征提取的主要過(guò)程為：（1) 將圖像土家織錦圖像進(jìn)行重新量化，由原來(lái)的256級(jí)變化到16級(jí)；（2)構(gòu)造四個(gè)方向上的灰 度共生矩陣，這四個(gè)方向分別是水平、垂直、對(duì)角線、反對(duì)角線，數(shù)學(xué)式表示為0°，45°，90°， 135° ; (3)從此矩陣中提取可以表征圖像內(nèi)容的統(tǒng)計(jì)量(能量、熵、慣性矩、相關(guān)量)作為紋理 特征0S
[0025]在HSI顏色空間和LAB顏色空間分別建立基于區(qū)域的變分活動(dòng)輪廓模型，并且融入 圖像的紋理特征0,然后將兩個(gè)不同顏色空間中的分割結(jié)果進(jìn)行區(qū)域合并，檢測(cè)出最終的土 家織錦圖像破損區(qū)域。變分活動(dòng)輪廓模型為：
[0027]其中1]￡^八，2氺，&，13}，卩為區(qū)域灰度共生矩陣的4個(gè)統(tǒng)計(jì)量，即能量、熵、慣性 矩、相關(guān)量。采用交替迭代法計(jì)算F((i>，C1，C2，C3， C4W^PHIA:
[0030] 采用變分理論中的Euler-Lagrange方程和梯度下降法求解泛函關(guān)于Φ極小值點(diǎn)：
[0031]
[0032] 以上方程采用有限差分進(jìn)行求解。即
[0033]
[0034] 在兩個(gè)顏色模型中的6個(gè)顏色通道的分割結(jié)果分別為<i>i = 0，i = l，2，~6;<i)i = 0 實(shí)際上是分割的邊緣。將兩個(gè)不同顏色模型中的分割結(jié)果進(jìn)行區(qū)域合并，檢測(cè)出最終的土 家織錦圖像破損區(qū)域?yàn)椋?br>[0035] Ω = {(x,y): Φ?<0,? = 1,2,···6.}
[0036] 進(jìn)一步的，所述步驟(2)利用先驗(yàn)知識(shí)分別對(duì)土家織錦圖像的結(jié)構(gòu)分量和紋理分 量進(jìn)行建模，得到變分模型，通過(guò)泛函極小化得到干凈的結(jié)構(gòu)紋理分解，具體方法為:結(jié)構(gòu) 分量通過(guò)非凸雙正則項(xiàng)建模，包含梯度的非凸稀疏度量和二階導(dǎo)數(shù)非凸稀疏度量;紋理分 量采用矩陣秩度量，通過(guò)秩的極小化提取一致性紋理;變分模型采用交替迭代法進(jìn)行求解。
[0037] 建立的變分分解模型如下：
[0038]
[0039] 其中& +(p(|V2u2|)dx是非凸雙正則項(xiàng)，用于度量土家織錦 數(shù)字圖像的結(jié)構(gòu)分量；I |pv| I*是震蕩度量，用于提取蘭卡普數(shù)字圖像的紋理分量。由于土 家織錦是紡織品，其紋理具有很強(qiáng)的一致性，所以采用核范數(shù)(本質(zhì)上是秩度量rank(pV)的 最小凸包絡(luò))度量震蕩。Φ為勢(shì)能函數(shù)，選擇非凸非光滑函數(shù)以更好地保持結(jié)構(gòu)分量中的邊 緣信息，選擇為：
[0040] φ(?ι) = |t|p(0 < p < 1)和φ(1〇 = a|t:|/(.l + d|t|)
[0041 ]采用交替迭代法對(duì)變分分解模型進(jìn)行求解：
[0042]固定v，U2,通過(guò)極小化以下變分模型求解ui
[0044]這是非常出名的R0F模型，采用一階預(yù)對(duì)偶算法進(jìn)行求解；
[0045]固定v，ui，通過(guò)極小化以下變分模型求解U2
[0047] 用變分理論中的Euler-Lagrange方程和梯度下降法求解；
[0048]固定Ul，U2,通過(guò)極小化以下變分模型求解U2
[0050] 采用迭代軟閾值算法求解此最優(yōu)化問(wèn)題，其中的核范數(shù)采用矩陣的奇異值分解的 方法。
[0051] 迭代求解上述3個(gè)最優(yōu)化問(wèn)題，得到最優(yōu)解111，112，1則土家織錦數(shù)字圖像的結(jié)構(gòu)分 量表示為U = U1+U2 ;紋理分量表示為V。
[0052]進(jìn)一步的，所述步驟(3)具體方法為:對(duì)步驟（2)得到的土家織錦結(jié)構(gòu)分量和紋理 分量分別進(jìn)行修復(fù)。結(jié)構(gòu)分量修復(fù)采用變分roE模型;紋理分量修復(fù)采用紋理合成技術(shù)。 [0053]結(jié)構(gòu)分量修復(fù)的變分roE模型為，將分?jǐn)?shù)階微分與張量擴(kuò)散相結(jié)合，依據(jù)分?jǐn)?shù)階泛 函理論推導(dǎo)所提變分模型對(duì)應(yīng)的Euler-Lagrange方程，并在數(shù)值實(shí)現(xiàn)過(guò)程中，利用離散 Fourier變換定義分?jǐn)?shù)階導(dǎo)數(shù)算子和其共輒算子，推導(dǎo)分?jǐn)?shù)階導(dǎo)數(shù)的計(jì)算公式，設(shè)計(jì)出所提 修復(fù)模型的數(shù)值算法。具體的變分TOE修復(fù)模型設(shè)計(jì)如下：
[0055]
，Dgu和D^U分別是和y方向的α階分?jǐn)?shù) 階導(dǎo)數(shù)。U0是土家織錦數(shù)字圖像的結(jié)構(gòu)分量(第二步采用變分圖像分解得到）;D是土家織錦 數(shù)字圖像的破損區(qū)域（第二步采用變分幾何活動(dòng)輪廓模型分割得到）。用變分理論中的 Eu 1 er-Lagrange方程和梯度下降法求解此優(yōu)化問(wèn)題：
[0057]上式中和分別是Dg和Dy的共輒算子。為進(jìn)一步修補(bǔ)圖像的邊緣信息，在以 上擴(kuò)散方程中引入張量擴(kuò)散，即
[0059] T(x)是擴(kuò)散張量，采用如下方法進(jìn)行計(jì)算:定義度量圖像局部結(jié)構(gòu)的結(jié)構(gòu)張量
[0061 ] GP表示以Ρ為參數(shù)的高斯核。定義
[0065] 他們對(duì)應(yīng)的特征向量為￥1和￥2，￥1=(<30891，8；[11904 = 1，2。
[0066] 其中
[0068]設(shè)μι和U2是擴(kuò)散張量矩陣T(x)的兩個(gè)特征值，設(shè)
[0070] νι和V2是與之對(duì)應(yīng)的特征向量，有vi = (cos9，sin9); V2 = (-sin9，cos9)。
[0071] T(x)的矩陣元素和特征值與特征向量的關(guān)系如下：
[0073]采用邊緣增強(qiáng)擴(kuò)散張量= = 1;其中g(shù)為邊緣函數(shù)。
[0074]采用有限差分求解上述TOE: 「ηη7??
[0076]分?jǐn)?shù)階導(dǎo)數(shù)可由采用高效的離散Fourier變換來(lái)計(jì)算：
[0078]將整數(shù)階導(dǎo)數(shù)推廣到分?jǐn)?shù)階導(dǎo)數(shù)，得到基于離散Fouier變換意義下的分?jǐn)?shù)階差分 D|U和Dfu，它們?cè)诳沼蚝皖l域的對(duì)應(yīng)關(guān)系為：
[0081]分?jǐn)?shù)階差分算子Dfu和Dfu的共輒算子Hfu和?|ιι的空域及頻域的對(duì)應(yīng)關(guān)系 為：
[0084] 采用樣本紋理合成技術(shù)對(duì)紋理分量進(jìn)行修復(fù)，利用圖像塊的復(fù)雜度作為標(biāo)準(zhǔn)自適 應(yīng)地改變搜索區(qū)域以提高修復(fù)速度;利用圖像塊的復(fù)雜度確定修復(fù)次序以獲取較好的修復(fù) 效果。具體過(guò)程如下:采用分形維數(shù)和信息熵度量圖像塊的復(fù)雜度，利用復(fù)雜度確定搜索區(qū) 域和修復(fù)次序。根據(jù)經(jīng)驗(yàn)確定熵與分形維數(shù)的加權(quán)閾值，在大于閾值的待修復(fù)塊處，選擇較 大的搜索區(qū)域完成匹配填充操作;在小于閾值的待修復(fù)塊處則相反。并且復(fù)雜度大的圖像 塊優(yōu)先進(jìn)行修復(fù)。在數(shù)值計(jì)算中，結(jié)合差分盒計(jì)數(shù)方法和分形布朗運(yùn)動(dòng)自相似方法計(jì)算圖 像塊的分形維數(shù)，以最大程度區(qū)分不同粗糙度紋理。
[0085] 采用信息熵來(lái)度量像素塊的復(fù)雜度。信息熵是一種特征的統(tǒng)計(jì)形式，它反映了圖 像中平均信息量的多少。圖像的信息熵表示圖像中灰度分布的聚集特征所包含的信息量， 表示像素塊ΨΡ中灰度值為i的像素所占的比例，即
[0087]則定義灰度圖像的一元信息熵為：
[0089]其中b為歸一化參數(shù)，在實(shí)驗(yàn)中選擇b = 5。上式僅僅定義了灰度圖像的一元信息 熵，對(duì)于彩色圖像，采用RGB三個(gè)顏色通道下的一元信息熵的均值，即
[0091]在進(jìn)行基于樣本塊的紋理合成的圖像修補(bǔ)中，信息熵H(p)大的修補(bǔ)塊將先進(jìn)行修 復(fù)。
[0092]進(jìn)一步采用分形盒維數(shù)來(lái)度量像素塊屯[)的復(fù)雜度。圖像的分形盒維數(shù)是一種特 征的統(tǒng)計(jì)形式，反映了像素塊中平均信息量的多少，取值一般位于區(qū)間2-3之間。分形維數(shù) 越接近維數(shù)2，表明圖像越平坦(通常情況下，常值像素塊W P = C的分形盒維數(shù)為2);越接近 維數(shù)3,表明灰度變化越劇烈，圖像越復(fù)雜。則定義灰度圖像的一元分形盒維數(shù)為：
[0093] F(p)=aD(WP)-b
[0094] 其中a，b為歸一化參數(shù)，在實(shí)驗(yàn)中選擇a = l ;b = _2。明顯地，F(xiàn)(p) e [0，1]。如果像 素塊中灰度分布越均勻，分形盒維數(shù)F(p)越接近于0;反之，如果像素塊中灰度變化越劇烈， 含有很多的圖像信息，分形盒維數(shù)F(p)越接近于1。對(duì)于彩色圖像，采用RGB三個(gè)顏色通道下 的一元分形盒維數(shù)的均值，BP
[0096]將像素塊的分形盒維數(shù)和信息熵結(jié)合到優(yōu)先權(quán)函數(shù)中，在進(jìn)行基于樣本塊的紋理 合成的圖像修復(fù)時(shí)，分形盒維數(shù)和信息熵大的修復(fù)塊將先進(jìn)行修復(fù)。
[0097]優(yōu)先權(quán)函數(shù)定義為：
[0098] P(p)=aC(p)D(p)+0F(p)+yH(p)
[0099] 其中α>〇，β>〇和γ >〇是權(quán)重因子，并且滿足α+β+ γ =1。
[0100] 匹配塊搜索采用如下過(guò)程：將匹配塊屯(1集合按復(fù)雜度（分形盒維數(shù)與信息熵加 權(quán)，即i3F(p)+yH(p))大小賦予升序結(jié)構(gòu)，然后使用二分搜索法，在賦序匹配塊* (1集合中對(duì) 在復(fù)雜度意義下與輸入待修復(fù)塊屯[)最接近的匹配塊Ψ。的k鄰域內(nèi)再進(jìn)行匹配搜索，尋找 SSD最小的匹配塊。即
[0101] Wq = argmin{d(Wp, Wq): WqeK}
[0102] 其中K是匹配塊屯。集合中對(duì)在分形盒維數(shù)意義下與輸入待修復(fù)塊ΨΡ最接近的匹 配塊鄰域。k的大小選擇為k = 32。
[0103] 進(jìn)一步的，所述步驟(4)合成修復(fù)后的結(jié)構(gòu)分量和紋理分量的具體方法為:對(duì)修復(fù) 后的結(jié)構(gòu)分量和紋理分量進(jìn)行加權(quán)平均。
[0104]設(shè)修復(fù)后的結(jié)構(gòu)分量和紋理分量分別為u和v，則完整修復(fù)表不為 [0105] f = 2X(aXu+(l-a)Xv)
[0106] 其中ae(〇，l)為權(quán)重因子。調(diào)整此參數(shù)可以得到不同的視覺(jué)效果。一般情況下設(shè) - 0.5 〇
[0107] 與現(xiàn)有技術(shù)相比，本申請(qǐng)可以獲得包括以下技術(shù)效果：
[0108] 1)本申請(qǐng)的通過(guò)數(shù)字技術(shù)對(duì)土家織錦傳統(tǒng)殘存圖案進(jìn)行修復(fù)，能夠通過(guò)多次嘗 試，找到最滿意的修復(fù)效果，同時(shí)不需要破壞原始的織錦，為土家織錦的修復(fù)工作提供了安 全便捷的途徑。
[0109] 2)本申請(qǐng)的方法針對(duì)土家織錦等紋理豐富、色彩艷麗和紡織品具有很好的修復(fù)效 果，可以很好地滿足人們的視覺(jué)要求。
[0110] 3) 土家織錦數(shù)字圖像破損區(qū)域的自動(dòng)檢測(cè)和定位，通過(guò)與專(zhuān)家手工操作的最優(yōu)結(jié) 果比對(duì)，正確率可達(dá)98%以上。 4)本申請(qǐng)的方法具有較快的修復(fù)速度，1024 X 1024以下大小的待修復(fù)圖像，修補(bǔ) 區(qū)域在50 X 50以下，大約可以在100秒到600秒內(nèi)完成整個(gè)修復(fù)過(guò)程。
[0112] 5)本申請(qǐng)的技術(shù)方案，步驟簡(jiǎn)單，易于操作，重復(fù)性好，技術(shù)人員易學(xué)、易掌握。
[0113] 當(dāng)然，實(shí)施本申請(qǐng)的任一產(chǎn)品必不一定需要同時(shí)達(dá)到以上所述的所有技術(shù)效果。
【附圖說(shuō)明】
[0114] 此處所說(shuō)明的附圖用來(lái)提供對(duì)本申請(qǐng)的進(jìn)一步理解，構(gòu)成本申請(qǐng)的一部分，本申 請(qǐng)的示意性實(shí)施例及其說(shuō)明用于解釋本申請(qǐng)，并不構(gòu)成對(duì)本申請(qǐng)的不當(dāng)限定。在附圖中：
[0115] 圖1為本申請(qǐng)實(shí)施例中破損土家織錦圖像；
[0116] 圖2為本申請(qǐng)實(shí)施例中破損土家織錦圖像分割結(jié)果圖；
[0117] 圖3為本申請(qǐng)實(shí)施例中破損土家織錦圖像破損區(qū)域圖；
[0118] 圖4為本申請(qǐng)實(shí)施例中破損土家織錦圖像修復(fù)掩膜圖；
[0119] 圖5為本申請(qǐng)實(shí)施例中破損土家織錦圖像結(jié)構(gòu)分量圖；
[0120]圖6為本申請(qǐng)實(shí)施例中破損土家織錦圖像紋理分量圖；
[0121] 圖7為本申請(qǐng)實(shí)施例中破損土家織錦圖像破損結(jié)構(gòu)分量的修復(fù)結(jié)果圖；
[0122] 圖8為本申請(qǐng)實(shí)施例中破損土家織錦圖像破損紋理分量的修復(fù)結(jié)果圖；
[0123] 圖9為本申請(qǐng)實(shí)施例中破損土家織錦圖像最終修復(fù)結(jié)果圖。
【具體實(shí)施方式】
[0124] 以下將配合附圖及實(shí)施例來(lái)詳細(xì)說(shuō)明本申請(qǐng)的實(shí)施方式，藉此對(duì)本申請(qǐng)如何應(yīng)用 技術(shù)手段來(lái)解決技術(shù)問(wèn)題并達(dá)成技術(shù)功效的實(shí)現(xiàn)過(guò)程能充分理解并據(jù)以實(shí)施。
[0125] 實(shí)施例土家織錦傳統(tǒng)殘存圖案數(shù)字化修復(fù)方法
[0126] (1)建立土家織錦的數(shù)字圖像破損區(qū)域的自動(dòng)檢測(cè)和定位模型
[0127] 如圖1-4所示，圖1為一幅破損土家織錦的局部截圖，其中白色區(qū)域?yàn)槠茡p區(qū)域。圖 2為采用變分幾何活動(dòng)輪廓對(duì)破損區(qū)域進(jìn)行分割得到的破損土家織錦圖像分割結(jié)果圖。圖3 為破損土家織錦圖像破損區(qū)域圖，閉合曲線的內(nèi)部區(qū)域?yàn)槠茡p區(qū)域。將破損區(qū)域灰度值定 義為1，其他區(qū)域定義為〇,得到修復(fù)掩膜，如圖4所示。
[0128] 對(duì)土家織錦圖像進(jìn)行分析，選擇適當(dāng)?shù)念伾Ｐ?，提取顏色特征和紋理特征，并對(duì) 這些特征數(shù)據(jù)進(jìn)行有效融合，獲取圖像高效特征數(shù)據(jù);將融合得到的圖像高效特征信息融 入到變分幾何活動(dòng)輪廓模型中，通過(guò)圖像分割技術(shù)實(shí)現(xiàn)土家織錦圖像破損目標(biāo)區(qū)域自動(dòng)提 取和定位。
[0129]選擇2個(gè)顏色模型組合成復(fù)合顏色通道，在此通道中通過(guò)整合圖像顏色信息和紋 理特征構(gòu)建復(fù)合變分水平集模型，利用能量泛函的極小來(lái)實(shí)現(xiàn)對(duì)圖像破損區(qū)域的準(zhǔn)確提取 和定位。
[0130] 選取HSI色彩空間和CIE LAB色彩空間。首先將RGB色彩空間轉(zhuǎn)換到HSI色彩空間， 轉(zhuǎn)換如下：
[0132] 再將RGB色彩空間轉(zhuǎn)換為L(zhǎng)ab色彩空間，公式如下
[0137] 由于土家織錦是紡織品，具有很強(qiáng)的一致性紋理，分割過(guò)程中考慮紋理的特征，破 損區(qū)域沒(méi)有紋理，其他完整區(qū)域具有基本相同的一致性紋理。紋理特征0采用區(qū)域灰度共 生矩陣提取。灰度共生矩陣是分析紋理特征的一種有效方法，該方法研究了圖像紋理中灰 度級(jí)的空間依賴(lài)關(guān)系。它對(duì)灰度的分布特性是通過(guò)對(duì)灰度值不同的像素的分布來(lái)表示的， 同時(shí)這些像素對(duì)空間位置關(guān)系和分布特性也得到了體現(xiàn)。紋理特征提取的主要過(guò)程為：（1) 將圖像土家織錦圖像進(jìn)行重新量化，由原來(lái)的256級(jí)變化到16級(jí)；（2)構(gòu)造四個(gè)方向上的灰 度共生矩陣，這四個(gè)方向分別是水平、垂直、對(duì)角線、反對(duì)角線，數(shù)學(xué)式表示為0°，45°，90°， 135° ; (3)從此矩陣中提取可以表征圖像內(nèi)容的統(tǒng)計(jì)量(能量、熵、慣性矩、相關(guān)量)作為紋理 特征0。
[0138] 在HSI顏色空間和LAB顏色空間分別建立基于區(qū)域的變分活動(dòng)輪廓模型
[0140]融入圖像的紋理特征〇,其中Ue {X，Y，Z，L，a，b}，§為區(qū)域灰度共生矩陣的4個(gè)統(tǒng) 計(jì)量，即能量、熵、慣性矩、相關(guān)量。采用交替迭代法計(jì)算F( Φ，Cl，C2，C3，C4)的極小值點(diǎn)：
[0143] 采用變分理論中的Euler-Lagrange方程和梯度下降法求解泛函關(guān)于Φ極小值點(diǎn)：[0144]
[0145] 以上方程采用有限差分進(jìn)行求解。即[0146]
[0147] 在兩個(gè)顏色模型中的6個(gè)顏色通道的分割結(jié)果分別為<i>i = 0，i = l，2，~6;<i)i = 0 實(shí)際上是分割的邊緣。將兩個(gè)不同顏色模型中的分割結(jié)果進(jìn)行區(qū)域合并，檢測(cè)出最終的土 家織錦圖像破損區(qū)域?yàn)椋篬0148] Ω = {(x，y): φ?<〇，? = 1，2，···6·}[0149] (2)采用變分分解模型將土家織錦數(shù)字圖像分解為結(jié)構(gòu)分量和紋理分量[0150] 如圖5-6所示，采用非凸雙正則對(duì)結(jié)構(gòu)分量進(jìn)行建模，通過(guò)變分極小化得到土家織 錦圖像結(jié)構(gòu)分量;采用核范數(shù)對(duì)紋理分量進(jìn)行建模，通過(guò)變分極小化得到土家織錦圖像紋 理分量。
[0151]利用先驗(yàn)知識(shí)分別對(duì)土家織錦圖像的結(jié)構(gòu)分量和紋理分量進(jìn)行建模，得到變分模 型，通過(guò)泛函極小化得到干凈的結(jié)構(gòu)紋理分解，具體方法為:結(jié)構(gòu)分量通過(guò)非凸雙正則項(xiàng)建 模，包含梯度的非凸稀疏度量和二階導(dǎo)數(shù)非凸稀疏度量;紋理分量采用矩陣秩度量，通過(guò)秩 的極小化提取一致性紋理;變分模型采用交替迭代法進(jìn)行求解。
[0152]建立的變分分解模型如下：
[0153]
[0154] 其中/Ω +4 (p(|V2u2|)dx是非凸雙正則項(xiàng)，用于度量土家織錦 數(shù)字圖像的結(jié)構(gòu)分量；I |pv| I*是震蕩度量，用于提取蘭卡普數(shù)字圖像的紋理分量。由于土 家織錦是紡織品，其紋理具有很強(qiáng)的一致性，所以采用核范數(shù)(本質(zhì)上是秩度量rank(pv)的 最小凸包絡(luò))度量震蕩。φ為勢(shì)能函數(shù)，選擇非凸非光滑函數(shù)以更好地保持結(jié)構(gòu)分量中的邊 緣信息，選擇為：
[0155] φ(?) = |t|p(0 < p < l)7fP(p(t) = a|t|/(l + a|t|)
[0156] 采用交替迭代法對(duì)變分分解模型進(jìn)行求解：
[0157] 固定v，U2，通過(guò)極小化以下變分模型求解U1
[0159] 這是非常出名的R0F模型，采用一階預(yù)對(duì)偶算法進(jìn)行求解；
[0160] 固定v，ui，通過(guò)極小化以下變分模型求解U2
[0?62] 用變分理論中的Euler-Lagrange方程和梯度下降法求解；
[01 63 ]固定U1，U2，通過(guò)極小化以下變分模型求解U2
[0165] 采用迭代軟閾值算法求解此最優(yōu)化問(wèn)題，其中的核范數(shù)采用矩陣的奇異值分解的 方法。
[0166] 迭代求解上述3個(gè)最優(yōu)化問(wèn)題，得到最優(yōu)解111，1!2，^則土家織錦數(shù)字圖像的結(jié)構(gòu)分 量表示為U = U1+U2 ;紋理分量表示為V。
[0167] (3)設(shè)計(jì)變分TOE模型修復(fù)土家織錦結(jié)構(gòu)分量，設(shè)計(jì)基于樣本的紋理合成算法修復(fù) 土家織錦紋理分量
[0168] 如圖7-8所示，采用變分PDE模型對(duì)結(jié)構(gòu)分量進(jìn)行修復(fù);采用基于樣本的紋理合成 算法對(duì)紋理分量進(jìn)行修復(fù)。
[0169] 對(duì)步驟(2)得到的土家織錦結(jié)構(gòu)分量和紋理分量分別進(jìn)行修復(fù)。結(jié)構(gòu)分量修復(fù)采 用變分roE模型;紋理分量修復(fù)采用紋理合成技術(shù)。
[0170]結(jié)構(gòu)分量修復(fù)的變分TOE模型為，將分?jǐn)?shù)階微分與張量擴(kuò)散相結(jié)合，依據(jù)分?jǐn)?shù)階泛 函理論推導(dǎo)所提變分模型對(duì)應(yīng)的Euler-Lagrange方程，并在數(shù)值實(shí)現(xiàn)過(guò)程中，利用離散 Fourier變換定義分?jǐn)?shù)階導(dǎo)數(shù)算子和其共輒算子，推導(dǎo)分?jǐn)?shù)階導(dǎo)數(shù)的計(jì)算公式，設(shè)計(jì)出所提 修復(fù)模型的數(shù)值算法。具體的變分TOE修復(fù)模型設(shè)計(jì)如下：
[0172]
,Dfu和Dfll分別是u在dPy方向的α階分?jǐn)?shù) 階導(dǎo)數(shù)。U0是土家織錦數(shù)字圖像的結(jié)構(gòu)分量(第二步采用變分圖像分解得到）;D是土家織錦 數(shù)字圖像的破損區(qū)域（第二步采用變分幾何活動(dòng)輪廓模型分割得到）。用變分理論中的 Eu 1 er-Lagrange方程和梯度下降法求解此優(yōu)化問(wèn)題：
[0174]上式中和g分別是Dg和Df的共輒算子。為進(jìn)一步修補(bǔ)圖像的邊緣信息，在以 上擴(kuò)散方程中引入張量擴(kuò)散，即
[0176] T(x)是擴(kuò)散張量，采用如下方法進(jìn)行計(jì)算:定義度量圖像局部結(jié)構(gòu)的結(jié)構(gòu)張量
[0178] GP表示以Ρ為參數(shù)的高斯核。定義
[0182] 他們對(duì)應(yīng)的特征向量為￥1和￥2，￥1=(<30891，8；[11904 = 1，2。
[0183] 其中
[0185]設(shè)μι和μ2是擴(kuò)散張量矩陣T(x)的兩個(gè)特征值，設(shè)
[0187] vi和V2是與之對(duì)應(yīng)的特征向量，有vi = (cos9，sin9) ;V2 = (- sin9，cos9)。
[0188] T(x)的矩陣元素和特征值與特征向量的關(guān)系如下：
[0190]采用邊緣增強(qiáng)擴(kuò)散張量業(yè)=8仏）42 = 1;其中g(shù)為邊緣函數(shù)。
[0191] 采用有限差分求解上述TOE:
[0192]
[0193] 分?jǐn)?shù)階導(dǎo)數(shù)可由采用高效的離散Fourier變換來(lái)計(jì)算：
[0195]將整數(shù)階導(dǎo)數(shù)推廣到分?jǐn)?shù)階導(dǎo)數(shù)，得到基于離散Fouier變換意義下的分?jǐn)?shù)階差分 Dgll和D^U，它們?cè)诳沼蚝皖l域的對(duì)應(yīng)關(guān)系為：
[0198]分?jǐn)?shù)階差分算子Dfu和Dfu的共輒算子?|ιι和的空域及頻域的對(duì)應(yīng)關(guān)系 為：
[0201] 采用樣本紋理合成技術(shù)對(duì)紋理分量進(jìn)行修復(fù)，利用圖像塊的復(fù)雜度作為標(biāo)準(zhǔn)自適 應(yīng)地改變搜索區(qū)域以提高修復(fù)速度;利用圖像塊的復(fù)雜度確定修復(fù)次序以獲取較好的修復(fù) 效果。具體過(guò)程如下:采用分形維數(shù)和信息熵度量圖像塊的復(fù)雜度，利用復(fù)雜度確定搜索區(qū) 域和修復(fù)次序。根據(jù)經(jīng)驗(yàn)確定熵與分形維數(shù)的加權(quán)閾值，在大于閾值的待修復(fù)塊處，選擇較 大的搜索區(qū)域完成匹配填充操作;在小于閾值的待修復(fù)塊處則相反。并且復(fù)雜度大的圖像 塊優(yōu)先進(jìn)行修復(fù)。在數(shù)值計(jì)算中，結(jié)合差分盒計(jì)數(shù)方法和分形布朗運(yùn)動(dòng)自相似方法計(jì)算圖 像塊的分形維數(shù)，以最大程度區(qū)分不同粗糙度紋理。
[0202] 采用信息熵來(lái)度量像素塊的復(fù)雜度。信息熵是一種特征的統(tǒng)計(jì)形式，它反映了圖 像中平均信息量的多少。圖像的信息熵表示圖像中灰度分布的聚集特征所包含的信息量， 表示像素塊ψρ中灰度值為i的像素所占的比例，即
[0204]則定義灰度圖像的一元信息熵為：
[0206]其中b為歸一化參數(shù)，在實(shí)驗(yàn)中選擇b = 5。上式僅僅定義了灰度圖像的一元信息 熵，對(duì)于彩色圖像，采用RGB三個(gè)顏色通道下的一元信息熵的均值，即
[0208]在進(jìn)行基于樣本塊的紋理合成的圖像修補(bǔ)中，信息熵H(p)大的修補(bǔ)塊將先進(jìn)行修 復(fù)。
[0209]進(jìn)一步采用分形盒維數(shù)來(lái)度量像素塊屯[)的復(fù)雜度。圖像的分形盒維數(shù)是一種特 征的統(tǒng)計(jì)形式，反映了像素塊中平均信息量的多少，取值一般位于區(qū)間2-3之間。分形維數(shù) 越接近維數(shù)2，表明圖像越平坦(通常情況下，常值像素塊W P = C的分形盒維數(shù)為2);越接近 維數(shù)3,表明灰度變化越劇烈，圖像越復(fù)雜。則定義灰度圖像的一元分形盒維數(shù)為：
[0210] F(p)=aD(WP)-b
[0211 ]其中a，b為歸一化參數(shù)，在實(shí)驗(yàn)中選擇a = l ;b = _2。明顯地，F(xiàn)(p) e [0，1]。如果像 素塊中灰度分布越均勻，分形盒維數(shù)F(p)越接近于0;反之，如果像素塊中灰度變化越劇烈， 含有很多的圖像信息，分形盒維數(shù)F(p)越接近于1。對(duì)于彩色圖像，采用RGB三個(gè)顏色通道下 的一元分形盒維數(shù)的均值，BP
[0213] 將像素塊的分形盒維數(shù)和信息熵結(jié)合到優(yōu)先權(quán)函數(shù)中，在進(jìn)行基于樣本塊的紋理 合成的圖像修復(fù)時(shí)，分形盒維數(shù)和信息熵大的修復(fù)塊將先進(jìn)行修復(fù)。
[0214] 優(yōu)先權(quán)函數(shù)定義為：
[0215] P(p)=aC(p)D(p)+0F(p)+yH(p)
[0216] 其中α>〇，β>〇和γ >〇是權(quán)重因子，并且滿足α+β+ γ =1。
[0217] 匹配塊搜索采用如下過(guò)程：將匹配塊屯(1集合按復(fù)雜度（分形盒維數(shù)與信息熵加 權(quán)，即i3F(p)+yH(p))大小賦予升序結(jié)構(gòu)，然后使用二分搜索法，在賦序匹配塊* (1集合中對(duì) 在復(fù)雜度意義下與輸入待修復(fù)塊屯[)最接近的匹配塊Ψ。的k鄰域內(nèi)再進(jìn)行匹配搜索，尋找 SSD最小的匹配塊。即
[0218] Wq = argmin{d(Wp, Wq): WqeK}
[0219] 其中K是匹配塊屯。集合中對(duì)在分形盒維數(shù)意義下與輸入待修復(fù)塊ΨΡ最接近的匹 配塊鄰域。k的大小選擇為k = 32。
[0220] (4)合成修復(fù)后的結(jié)構(gòu)分量和紋理分量，得到土家織錦數(shù)字圖像的完整修復(fù)
[0221] 如圖9所示，將修復(fù)后的結(jié)構(gòu)分量和紋理分量進(jìn)行加權(quán)平均，合成修復(fù)后的結(jié)構(gòu)分 量和紋理分量，得到最終的土家織錦數(shù)字圖像的完整修復(fù)。
[0222]設(shè)修復(fù)后的結(jié)構(gòu)分量和紋理分量分別為u和v，則完整修復(fù)表不為
[0223] f = 2X(aXu+(l-a)Xv)
[0224] 其中ae〇，l)為權(quán)重因子。調(diào)整此參數(shù)可以得到不同的視覺(jué)效果。一般情況下設(shè)定 a = 0 · 5〇
[0225] 本申請(qǐng)的通過(guò)數(shù)字技術(shù)對(duì)土家織錦傳統(tǒng)殘存圖案進(jìn)行修復(fù)，能夠通過(guò)多次嘗試， 找到最滿意的修復(fù)效果，同時(shí)不需要破壞原始的織錦，為土家織錦的修復(fù)工作提供了安全 便捷的途徑。本申請(qǐng)的方法針對(duì)土家織錦等紋理豐富、色彩艷麗和紡織品具有很好的修復(fù) 效果，可以很好地滿足人們的視覺(jué)要求。
[0226] 土家織錦數(shù)字圖像破損區(qū)域的自動(dòng)檢測(cè)和定位，通過(guò)與專(zhuān)家手工操作的最優(yōu)結(jié)果 比對(duì)，正確率可達(dá)98 %以上。本申請(qǐng)的方法具有較快的修復(fù)速度，1024 X 1024以下大小的待 修復(fù)圖像，修補(bǔ)區(qū)域在50 X 50以下，大約可以在100秒到600秒內(nèi)完成整個(gè)修復(fù)過(guò)程。
[0227] 本申請(qǐng)的技術(shù)方案，步驟簡(jiǎn)單，易于操作，重復(fù)性好，技術(shù)人員易學(xué)、易掌握。
[0228] 如在說(shuō)明書(shū)及權(quán)利要求當(dāng)中使用了某些詞匯來(lái)指稱(chēng)特定成分或方法。本領(lǐng)域技術(shù) 人員應(yīng)可理解，不同地區(qū)可能會(huì)用不同名詞來(lái)稱(chēng)呼同一個(gè)成分。本說(shuō)明書(shū)及權(quán)利要求并不 以名稱(chēng)的差異來(lái)作為區(qū)分成分的方式。如在通篇說(shuō)明書(shū)及權(quán)利要求當(dāng)中所提及的"包含"為 一開(kāi)放式用語(yǔ)，故應(yīng)解釋成"包含但不限定于"。"大致"是指在可接收的誤差范圍內(nèi)，本領(lǐng)域 技術(shù)人員能夠在一定誤差范圍內(nèi)解決所述技術(shù)問(wèn)題，基本達(dá)到所述技術(shù)效果。說(shuō)明書(shū)后續(xù) 描述為實(shí)施本申請(qǐng)的較佳實(shí)施方式，然所述描述乃以說(shuō)明本申請(qǐng)的一般原則為目的，并非 用以限定本申請(qǐng)的范圍。本申請(qǐng)的保護(hù)范圍當(dāng)視所附權(quán)利要求所界定者為準(zhǔn)。
[0229]還需要說(shuō)明的是，術(shù)語(yǔ)"包括"、"包含"或者其任何其他變體意在涵蓋非排他性的 包含，從而使得包括一系列要素的商品或者系統(tǒng)不僅包括那些要素，而且還包括沒(méi)有明確 列出的其他要素，或者是還包括為這種商品或者系統(tǒng)所固有的要素。在沒(méi)有更多限制的情 況下，由語(yǔ)句"包括一個(gè)……"限定的要素，并不排除在包括所述要素的商品或者系統(tǒng)中還 存在另外的相同要素。
[0230]上述說(shuō)明示出并描述了本申請(qǐng)的若干優(yōu)選實(shí)施例，但如前所述，應(yīng)當(dāng)理解本申請(qǐng) 并非局限于本文所披露的形式，不應(yīng)看作是對(duì)其他實(shí)施例的排除，而可用于各種其他組合、 修改和環(huán)境，并能夠在本文所述申請(qǐng)構(gòu)想范圍內(nèi)，通過(guò)上述教導(dǎo)或相關(guān)領(lǐng)域的技術(shù)或知識(shí) 進(jìn)行改動(dòng)。而本領(lǐng)域人員所進(jìn)行的改動(dòng)和變化不脫離本申請(qǐng)的精神和范圍，則都應(yīng)在本申 請(qǐng)所附權(quán)利要求的保護(hù)范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 土家織錦傳統(tǒng)殘存圖案數(shù)字化修復(fù)方法，其特征在于，包括破損區(qū)域自動(dòng)檢測(cè)，圖像 結(jié)構(gòu)分量和紋理分量分解，結(jié)構(gòu)分量變分roE修復(fù)和紋理分量的紋理合成修復(fù)，具體包括以 下步驟： (1) 建立土家織錦的數(shù)字圖像破損區(qū)域的自動(dòng)檢測(cè)和定位模型； (2) 構(gòu)建變分圖像分解模型將土家織錦圖像分解為結(jié)構(gòu)分量和紋理分量； (3) 設(shè)計(jì)變分TOE模型修復(fù)土家織錦結(jié)構(gòu)分量，設(shè)計(jì)基于樣本的紋理合成算法修復(fù)土家 織錦紋理分量； (4) 最后合成修復(fù)后的結(jié)構(gòu)分量和紋理分量，得到土家織錦數(shù)字圖像的完整修復(fù)。2. 如權(quán)利要求1所述的土家織錦傳統(tǒng)殘存圖案數(shù)字化修復(fù)方法，其特征在于，所述步驟 (1) 為利用融合圖像多種信息的變分活動(dòng)輪廓模型進(jìn)行破損區(qū)域的檢測(cè)和定位，具體方法 為:對(duì)土家織錦圖像進(jìn)行分析，選擇2個(gè)顏色模型，提取顏色特征和紋理特征，并對(duì)特征數(shù)據(jù) 進(jìn)行融合，獲取圖像高效特征數(shù)據(jù);將融合得到的圖像高效特征信息融入到變分模型中，實(shí) 現(xiàn)圖像特殊目標(biāo)區(qū)域提取和定位。3. 如權(quán)利要求2所述的土家織錦傳統(tǒng)殘存圖案數(shù)字化修復(fù)方法，其特征在于，所述步驟 (2) 為利用先驗(yàn)知識(shí)分別對(duì)土家織錦圖像的結(jié)構(gòu)分量和紋理分量進(jìn)行建模，得到變分模型， 通過(guò)泛函極小化得到干凈的結(jié)構(gòu)紋理分解，具體方法為:所述結(jié)構(gòu)分量通過(guò)非凸雙正則項(xiàng) 建模，包含梯度的非凸稀疏度量和二階導(dǎo)數(shù)非凸稀疏度量;所述紋理分量采用矩陣秩度量， 通過(guò)秩的極小化提取一致性紋理;所述變分模型采用交替迭代法進(jìn)行求解。4. 如權(quán)利要求3所述的土家織錦傳統(tǒng)殘存圖案數(shù)字化修復(fù)方法，其特征在于，所述步驟 (3) 為設(shè)計(jì)變分PDE模型對(duì)結(jié)構(gòu)分量進(jìn)行修復(fù)，設(shè)計(jì)紋理合成算法對(duì)紋理分量進(jìn)行修復(fù)，具 體方法為:對(duì)于所述變分PDE修復(fù)模型的設(shè)計(jì)，將分?jǐn)?shù)階微分與張量擴(kuò)散相結(jié)合，提出變分 模型，依據(jù)分?jǐn)?shù)階泛函理論推導(dǎo)所提變分模型對(duì)應(yīng)的Euler-Lagrange方程，利用離散 Fourier變換定義分?jǐn)?shù)階導(dǎo)數(shù)算子和其共輒算子，推導(dǎo)分?jǐn)?shù)階導(dǎo)數(shù)的計(jì)算公式，設(shè)計(jì)出所提 修復(fù)模型的數(shù)值算法;對(duì)于所述紋理合成算法的設(shè)計(jì)，采用分形盒維數(shù)與信息熵度量圖像 塊的復(fù)雜度，利用復(fù)雜度約束匹配塊的搜索區(qū)域以及優(yōu)先級(jí)的定義，以提高修復(fù)速度和修 復(fù)精度。5. 如權(quán)利要求4所述的土家織錦傳統(tǒng)殘存圖案數(shù)字化修復(fù)方法，其特征在于，所述步驟 (4) 合成修復(fù)后的結(jié)構(gòu)分量和紋理分量的具體方法為:對(duì)修復(fù)后的結(jié)構(gòu)分量和紋理分量進(jìn) 行加權(quán)平均。
【文檔編號(hào)】G06T7/00GK106097268SQ201610409424
【公開(kāi)日】2016年11月9日
【申請(qǐng)日】2016年6月12日
【發(fā)明人】唐利明, 李軍, 陳世強(qiáng), 向長(zhǎng)城, 方壯
【申請(qǐng)人】湖北民族學(xué)院