项目名称: 破损藏式古唐卡数字修复中的自适应修复模型研究

项目编号: No.61461048

项目类型: 地区科学基金项目

立项/批准年度: 2015

项目学科: 无线电电子学、电信技术

项目作者: 仁青诺布

作者单位: 西藏大学

项目金额: 40万元

中文摘要: 藏式古唐卡具有极高的历史、科学和艺术价值,然而,目前针对藏式古唐卡的数字化修复工作存在着修复精度不高、耗时长等缺点。为了克服这些问题,本项目拟构建针对藏式古唐卡不同损伤区域的自适应破损区域检测算法,以准确地确定破损区域的边缘;拟构建自适应置信度计算方法和针对彩色图像的等照线计算方法,以更准确地计算边缘点的优先级;拟构建模板块自适应选择方法、最佳样本块自适应搜索方法和块效应自适应消除方法,以更高的精度和更短的耗时自适应地修复藏式古唐卡。本项目的研究成果,可以对数字图像修复、数字图像处理等方面的研究提供重要的理论参考价值,同时,也为抢救藏式古唐卡这样的历史文化遗产提供新思路,对传承和保护藏民族的优秀传统文化具有深远意义。

中文关键词: 图像修复;受损图像修复;图像颜色修复;藏式古唐卡;自适应修复模型

英文摘要: The ancient Tibetan thangka has very high historical, scientific and artistic values, however, the current digital inpainting methods for Tibetan thangka have some weaknesses, such as low accuracy and high time-consuming. In order to overcome these problems, this project will establish an adaptive damaged area detection algorithm in order to determine the edges of the different damaged area types of ancient Tibetan thangka accurately. At the same time, an adaptive isophote calculation method for color images will be constructed, and an adaptive confidence calculation method also will be built, thus, the priority of the edge pixel can be calculated more accurately. Meanwhile, the methods of adaptive template block selection, adaptive optimal sample block searching and adaptive blocking effect reduction will be assembled as adaptive inpainting model which can inpaint ancient Tibetan thangka with high accuracy and low time-consuming. The research results can provide important theoretical reference values to digital image inpainting and digital image processing, and also can provide new ideas to rescue the historical and cultural heritage such as the Tibetan thangka. Therefore, this project has far-reaching significance to protect and inherit the excellent Tibetan traditional culture.

英文关键词: image inpainting;damaged image inpainting;image color inpainting;ancient Tibetan thangka;adaptive inpainting model

成为VIP会员查看完整内容
0

相关内容

图像修复(英语:Inpainting)指重建的图像和视频中丢失或损坏的部分的过程。例如在博物馆中,这项工作常由经验丰富的博物馆管理员或者艺术品修复师来进行。数码世界中,图像修复又称图像插值或视频插值,指利用复杂的算法来替换已丢失、损坏的图像数据,主要替换一些小区域和瑕疵。
CVPR 2022 Oral | 基于熵筛选的半监督三维旋转回归
专知会员服务
17+阅读 · 2022年4月18日
基于深度神经网络的图像缺损修复方法综述
专知会员服务
25+阅读 · 2021年12月18日
【CVPR2021】基于端到端预训练的视觉-语言表征学习
专知会员服务
37+阅读 · 2021年4月9日
专知会员服务
61+阅读 · 2021年3月9日
专知会员服务
114+阅读 · 2021年1月11日
专知会员服务
21+阅读 · 2021年1月5日
专知会员服务
50+阅读 · 2020年7月16日
自回归模型:PixelCNN
专知会员服务
26+阅读 · 2020年3月21日
“冬奥手语播报数字人”助力北京冬奥会
学术头条
0+阅读 · 2022年2月4日
综述:图像滤波常用算法实现及原理解析
极市平台
0+阅读 · 2022年1月29日
利用 OpenCV+ConvNets 检测几何图形
极市平台
0+阅读 · 2022年1月26日
人脸专集5 | 最新的图像质量评价
计算机视觉战队
27+阅读 · 2019年4月13日
深度学习的图像修复
AI研习社
22+阅读 · 2019年3月28日
OCR技术浅析
机器学习研究会
40+阅读 · 2017年12月8日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月17日
Arxiv
46+阅读 · 2021年10月4日
小贴士
相关VIP内容
CVPR 2022 Oral | 基于熵筛选的半监督三维旋转回归
专知会员服务
17+阅读 · 2022年4月18日
基于深度神经网络的图像缺损修复方法综述
专知会员服务
25+阅读 · 2021年12月18日
【CVPR2021】基于端到端预训练的视觉-语言表征学习
专知会员服务
37+阅读 · 2021年4月9日
专知会员服务
61+阅读 · 2021年3月9日
专知会员服务
114+阅读 · 2021年1月11日
专知会员服务
21+阅读 · 2021年1月5日
专知会员服务
50+阅读 · 2020年7月16日
自回归模型:PixelCNN
专知会员服务
26+阅读 · 2020年3月21日
相关资讯
“冬奥手语播报数字人”助力北京冬奥会
学术头条
0+阅读 · 2022年2月4日
综述:图像滤波常用算法实现及原理解析
极市平台
0+阅读 · 2022年1月29日
利用 OpenCV+ConvNets 检测几何图形
极市平台
0+阅读 · 2022年1月26日
人脸专集5 | 最新的图像质量评价
计算机视觉战队
27+阅读 · 2019年4月13日
深度学习的图像修复
AI研习社
22+阅读 · 2019年3月28日
OCR技术浅析
机器学习研究会
40+阅读 · 2017年12月8日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员