We present an improved Criminisi image inpainting algorithm through kriging pretreatment and facet model. We propose three improvement strategies. First, we propose an improved priority. A priority used in Criminisi algorithm consists of confidence term and data term. As iteration progresses, the confidence term is updated and plays a key role in the confidence term of the next edge block. At the same time, the confidence term gradually tends to 0, leading to a weakening of the role of priority, and ultimately affecting the repair effect. We propose an improved priority, which is represented by a piecewise function. Importantly, this improved priority reduces the risk of being weakened during iteration. Second, Criminisi algorithm uses fixed-size sample blocks to repair damaged images, regardless of whether the image content is a textured area or a structure area. We introduce an adaptive method to select sample block size based on the facet model. The size of the sample block is adaptively adjusted for different image contents, thereby improving the quality of the repaired image. Third, we show a weighted sum of squares differences matching principle based on the facet model. The matching formula is determined by the pixel gray value of a sample block and the structure value of four directions, which improves matching accuracy between target block and optimal matching block. Finally, experimental results show that the proposed algorithm is competitive with some state-of-the-art inpainting techniques in terms of both objective metrics and subjective visual inspection.

中文翻译：

---

基于样本块的克里金预处理和分面模型的自适应图像修复算法

我们通过克里金预处理和小平面模型提出了一种改进的 Criminisi 图像修复算法。我们提出了三种改进策略。首先，我们提出了改进的优先级。Criminisi 算法中使用的优先级由置信项和数据项组成。随着迭代的进行，置信项会更新并在下一个边缘块的置信项中发挥关键作用。同时，置信项逐渐趋于0，导致优先级作用减弱，最终影响修复效果。我们提出了改进的优先级，由分段函数表示。重要的是，这种改进的优先级降低了在迭代过程中被削弱的风险。其次，Criminisi 算法使用固定大小的样本块来修复损坏的图像，无论图像内容是纹理区域还是结构区域。我们引入了一种基于面模型选择样本块大小的自适应方法。针对不同的图像内容自适应调整样本块的大小，从而提高修复图像的质量。第三，我们展示了基于小平面模型的加权平方和差异匹配原理。匹配公式由样本块的像素灰度值和四个方向的结构值确定，提高了目标块与最优匹配块的匹配精度。最后，实验结果表明，所提出的算法在客观指标和主观视觉检查方面都可以与一些最先进的修复技术相媲美。我们引入了一种基于面模型选择样本块大小的自适应方法。针对不同的图像内容自适应调整样本块的大小，从而提高修复图像的质量。第三，我们展示了基于小平面模型的加权平方和差异匹配原理。匹配公式由样本块的像素灰度值和四个方向的结构值确定，提高了目标块与最优匹配块的匹配精度。最后，实验结果表明，所提出的算法在客观指标和主观视觉检查方面都可以与一些最先进的修复技术相媲美。我们引入了一种基于面模型选择样本块大小的自适应方法。针对不同的图像内容自适应调整样本块的大小，从而提高修复图像的质量。第三，我们展示了基于小平面模型的加权平方和差异匹配原理。匹配公式由样本块的像素灰度值和四个方向的结构值确定，提高了目标块与最优匹配块的匹配精度。最后，实验结果表明，所提出的算法在客观指标和主观视觉检查方面都可以与一些最先进的修复技术相媲美。从而提高修复图像的质量。第三，我们展示了基于小平面模型的加权平方和差异匹配原理。匹配公式由样本块的像素灰度值和四个方向的结构值确定，提高了目标块与最优匹配块的匹配精度。最后，实验结果表明，所提出的算法在客观指标和主观视觉检查方面都可以与一些最先进的修复技术相媲美。从而提高修复图像的质量。第三，我们展示了基于小平面模型的加权平方和差异匹配原理。匹配公式由样本块的像素灰度值和四个方向的结构值确定，提高了目标块与最优匹配块的匹配精度。最后，实验结果表明，所提出的算法在客观指标和主观视觉检查方面都可以与一些最先进的修复技术相媲美。提高了目标块和最优匹配块之间的匹配精度。最后，实验结果表明，所提出的算法在客观指标和主观视觉检查方面都可以与一些最先进的修复技术相媲美。提高了目标块和最优匹配块之间的匹配精度。最后，实验结果表明，所提出的算法在客观指标和主观视觉检查方面都可以与一些最先进的修复技术相媲美。