Python-OpenCV中的cv2.inpaint()函数
概念
修复是图像插值。数字修复算法在图像插值，照片恢复，缩放和超分辨率等方面具有广泛的应用。
大多数人会在家里放一些旧的退化照片，上面有一些黑点，一些笔画等。你有没有想过恢复它？我们不能简单地在绘画工具中擦除它们，因为它将简单地用白色结构替换黑色结构，这是没有用的。在这些情况下，使用称为图像修复的技术。基本思路很简单：用邻近的像素替换那些坏标记，使其看起来像是邻居（取自维基百科），考虑下面显示的图像：
库函数
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
实现
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（）。
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。
代码
我们需要创建一个与输入图像大小相同的掩码，其中非零像素对应于要修复的区域。其他一切都很简单。我的图像因一些黑色笔画而降级（我手动添加）。我用Paint工具创建了相应的笔触，同时得到mask。
import numpy as np from matplotlib import pyplot as plt import cv2 img = cv2.imread('OpenCV_Logo_B.png') # input mask = cv2.imread('OpenCV_Logo_C.png',0) # mask dst_TELEA = cv2.inpaint(img,mask,3,cv2.INPAINT_TELEA) dst_NS = cv2.inpaint(img,mask,3,cv2.INPAINT_NS) plt.subplot(221), plt.imshow(img) plt.title('degraded image') plt.subplot(222), plt.imshow(mask, 'gray') plt.title('mask image') plt.subplot(223), plt.imshow(dst_TELEA) plt.title('TELEA') plt.subplot(224), plt.imshow(dst_NS) plt.title('NS') plt.tight_layout() plt.show()
这是原图文件和掩码文件：Pictures
输出：
这是输出。第一个是降级的OpenCV徽标，第二个图片是运行FMM所需的掩码。最后两张照片是修补的结果。不确定，但我认为两种修补方法之间没有任何区别，至少对于当前输入而言。
参考链接：
1、OpenCV Image Inpainting官方文档 https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_photo/py_inpainting/py_inpainting.html
