场内外特征融合的残缺图像精细修复

针对当目标特征严重缺失时现有图像修复方法未能充分利用完整区域预测缺失区域特征,造成修复结果特征不连续、细节纹理模糊等问题,本文提出一种基于场内外特征(EFIF)融合的残缺图像精细修复方法。首先,利用改进的动态记忆网络(DMN+)算法将残缺图像的场内特征及相关的场外特征融合,生成包含场内外特征的残缺图像优化图;其次,构建带有梯度惩罚约束条件的生成对抗生成网络,指导生成器对优化后的残缺图像进行粗修复,获得待修复目标的粗修复图;最后通过相关特征连贯的思想对粗修复图进一步优化,得到最终的精细修复图。在三个复杂度不同的图像数据集仿真验证,并与现有占主导地位的修复模型进行视觉效果和客观数据比对。实验结果显示:本文模型修复的结果在纹理结构上更加合理,在视觉效果和客观数据均优于其他模型,在最有挑战性的Underwater Targe数据集中所提算法峰值信噪比(PSNR)最高为27.01,结构相似性指数(SSIM)最高为0.949。