论文部分内容阅读
图像是多媒体信息的重要载体之一,是人类获取外部信息的重要来源。随着数字技术的不断发展,数字图像以其存储容易、传输方便等优点,得到了广泛应用。但是数字图像在存储、传输等环节容易受到损坏,进而引起图像质量的退化,因此研究有效的数字图像修复技术具有非常重要的现实意义。数字图像修复主要是指通过使用未破损区域的信息推断出损坏区域的信息内容,然后填补损坏区域以实现图像的复原。数字图像修复技术发展至今已近20年,研究者们根据不同的原理提出了许多不同的方法。Criminisi等基于图像自身信息的修复技术仅利用破损图像未破损区域补全图像,如果在图像未破损区域找不到相似的信息,此类算法将无法完成修复任务。另一类基于检索的修复技术是从互联网上的大量图像中选取相似的图像填补缺失区域,但是互联网上的素材过于繁杂,此类方法无法快速找到需要的图片素材,而且无法保证修补后的图像看上去符合人类的逻辑。为了解决上述问题,本文研究了深度卷积生成对抗网络和图像修复等理论,提出了基于深度卷积生成对抗网络的图像修复方法,本文主要工作如下:(1)设计深度卷积生成对抗网络,该网络对训练集图像进行训练后可以生成与训练集相似的图像。为提高生成图像的质量,本文中引入了批量归一化和Dropout优化,并使用最小二乘代替交叉熵作为生成对抗网络的损失函数。基于MNIST数据集和CelebA人脸数据集的图像生成实验表明,本文方法生成的图像与训练集具有高度相似性,该项工作为后续图像修复提供了大量高质量的待选图像。(2)为了在生成的大量图像中找到最适用于修补任务的图像,本文定义了关于深度卷积生成对抗网络生成器输入的损失函数,通过梯度下降算法找到最佳的生成器输入,进而得到修补所需要的最佳图像,将此图像中与破损区域对应位置的内容填充到破损图像的破损区域完成图像修复。通过本文方法基于CelebA数据集对中心及左脸缺失的人脸图像进行修复,并与TV、Criminisi等传统方法进行对比实验,实验结果表明,本文方法取得了更佳的修复效果。通过基于Chars74K数据集中心缺失的修复实验进一步验证了本文方法的有效性。