opencv图像修复

opencv图像修复

图像修复，一张利用原图，一张利用损坏位置的灰度图，进行图像修复，利用的是cv2.inpaint的函数。 原图： 滤波后的损坏位置的灰度图： 修复结果： 代码：

import cv2 import numpy as np img = cv2.imread(r"C:\Users\lenovo\Desktop\python\python_vision\damage.jpg",1) chang = img.shape print(chang[0],chang[1]) xiufu = cv2.imread(r"C:\Users\lenovo\Desktop\python\python_vision\xiufu.jpg",1) xiufu1 = cv2.cvtColor(xiufu,cv2.COLOR_RGB2GRAY) kuan = xiufu.shape print(kuan[0],kuan[1]) imgdst = cv2.inpaint(img,xiufu1,3,cv2.INPAINT_TELEA) cv2.imshow("image",imgdst) cv2.waitKey()

代码讲解：

dst = cv2.inpaint（src，mask, inpaintRadius，flags）

参数是：

src：输入8位1通道或3通道图像。 inpaintMask：修复掩码，8位1通道图像。非零像素表示需要修复的区域。 dst：输出与src具有相同大小和类型的图像。 inpaintRadius：算法考虑的每个点的圆形邻域的半径。 flags： INPAINT_NS基于Navier-Stokes的方法 Alexandru Telea的INPAINT_TELEA方法 为此目的设计了几种算法，OpenCV提供了两种算法。两者都可以通过相同的函数访问，cv2.inpaint（）。

实现方法：

第一种算法基于Alexandru Telea于2004年发表的“基于快速行进方法的图像修复技术”。它基于快速行进方法。考虑图像中要修复的区域。算法从该区域的边界开始，然后进入区域内，逐渐填充边界中的所有内容。它需要在邻近的像素周围的一个小邻域进行修复。该像素由邻居中所有已知像素的归一化加权和代替。选择权重是一个重要的问题。对于靠近该点的那些像素，靠近边界的法线和位于边界轮廓上的像素，给予更多的权重。一旦像素被修复，它将使用快速行进方法移动到下一个最近的像素。 FMM确保首先修复已知像素附近的像素，这样它就像手动启发式操作一样工作。使用标志cv2.INPAINT_TELEA启用此算法。

第二种算法基于Bertalmio，Marcelo，Andrea L. Bertozzi和Guillermo Sapiro于2001年撰写的“Navier-Stokes，流体动力学和图像和视频修补”一文。该算法基于流体动力学并利用偏微分方程。基本原则是heurisitic。它首先沿着已知区域的边缘行进到未知区域（因为边缘是连续的）。它继续等照片（连接具有相同强度的点的线，就像轮廓连接具有相同高度的点一样），同时在修复区域的边界处匹配渐变矢量。为此，使用来自流体动力学的一些方法。获得颜色后，填充颜色以减少该区域的最小差异。使用标志cv2.INPAINT_NS启用此算法。