| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-15页 |
| 1.1 图像修复背景与意义 | 第9-10页 |
| 1.2 图像修复的研究现状和主要方法 | 第10-12页 |
| 1.3 本文主要工作以及内容安排 | 第12-15页 |
| 2 图像修复理论和传统方法 | 第15-31页 |
| 2.1 引言 | 第15页 |
| 2.2 数字图像修复理论 | 第15-17页 |
| 2.2.1 数字图像修复原则 | 第15页 |
| 2.2.2 贝叶斯理论框架 | 第15-16页 |
| 2.2.3 数字图像修复技术的评价标准 | 第16-17页 |
| 2.3 传统的图像修复技术 | 第17-30页 |
| 2.3.1 基于 BSCB 模型的数字图像修复技术 | 第17-20页 |
| 2.3.2 TV 模型修复方法 | 第20-22页 |
| 2.3.3 CDD 修复方法 | 第22-23页 |
| 2.3.4 基于快速行进法的图像修复方法 | 第23-27页 |
| 2.3.5 基于样本的纹理合成算法 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 图像分解 | 第31-37页 |
| 3.1 引言 | 第31页 |
| 3.2 ROF 分解模型 | 第31-32页 |
| 3.3 VO 分解模型 | 第32-36页 |
| 3.3.1 VO 分解模型原理 | 第32-33页 |
| 3.3.2 VO 分解模型数值计算 | 第33-35页 |
| 3.3.3 图像分解实验仿真 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 基于灰色系统理论的结构图像修复 | 第37-53页 |
| 4.1 引言 | 第37页 |
| 4.2 图像的局部性和预测模型 | 第37-40页 |
| 4.2.1 图像的局部特性 | 第37-38页 |
| 4.2.2 均值生成时序 | 第38-39页 |
| 4.2.3 SCGM mv(1,1)预测模型 | 第39-40页 |
| 4.3 SCGM_mv(1,1)预测模型在图像上的应用 | 第40-43页 |
| 4.3.1 单序列预测 | 第40-41页 |
| 4.3.2 异常检测和处理 | 第41-42页 |
| 4.3.3 多序列决策 | 第42-43页 |
| 4.4 区域修复顺序介绍 | 第43-45页 |
| 4.5 实验结果和分析 | 第45-50页 |
| 4.5.1 模拟图像修复实验 | 第45-46页 |
| 4.5.2 真实图像修复实验 | 第46-50页 |
| 4.6 本章小结 | 第50-53页 |
| 5 基于样本的快速纹理修复 | 第53-67页 |
| 5.1 引言 | 第53页 |
| 5.2 Criminisi 算法的简要回顾 | 第53-54页 |
| 5.3 SSDA(Sequential Similarity Detection Algorithm)方法 | 第54-56页 |
| 5.3.1 SSDA 方法主要思想 | 第54-55页 |
| 5.3.2 实验结果及分析 | 第55-56页 |
| 5.4 局部区域搜索的方法 | 第56-58页 |
| 5.4.1 局部区域搜索思想 | 第56页 |
| 5.4.2 实验结果及分析 | 第56-58页 |
| 5.5 本文改进算法 | 第58-66页 |
| 5.5.1 最大优先权寻找的改进 | 第58-60页 |
| 5.5.2 基于结构图像指导的预匹配和数据项计算 | 第60-61页 |
| 5.5.3 本文算法实验结果及分析 | 第61-63页 |
| 5.5.4 综合方法及实验 | 第63-66页 |
| 5.6 本章小结 | 第66-67页 |
| 6 基于图像分解的图像修复 | 第67-77页 |
| 6.1 引言 | 第67页 |
| 6.2 预处理 | 第67-70页 |
| 6.2.1 噪声处理 | 第67-69页 |
| 6.2.2 过平滑处理 | 第69-70页 |
| 6.2.3 纹理图像预处理 | 第70页 |
| 6.3 基于图像分解的修复算法步骤 | 第70页 |
| 6.4 实验仿真和结果分析 | 第70-76页 |
| 6.5 本章小结 | 第76-77页 |
| 7 总结和展望 | 第77-79页 |
| 7.1 本文工作总结 | 第77-78页 |
| 7.2 展望 | 第78-79页 |
| 致谢 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 附录 | 第85页 |
| A 作者在攻读学位期间发表的论文 | 第85页 |
