梵高眼里的《星空》究竟有多美

编者按：原文作者 Piotr Wendykier ，专注于 mathematica 算法编程及研发。根据本地阅读习惯略有删改，英文好的同学建议 阅读原文 。

梵高有一幅油画叫Starry Night，也就是《星空》。我常常想，梵高在精神病院完成这幅名作时，他眼里看到（或者脑海中）的星空浩瀚的全局究竟该有多美，或者究竟该有多悲伤。可惜我们永远都只能看到画框中那一小方天地。

最近剑桥大学工程系办了个 年度摄影大赛“工程的艺术：来自科技前沿的图像” 。大赛的二等奖最后被来自机器学习小组的Yarin Gal博士生获得，而他做的事情很有意思：利用机器学习算法扩展梵高的名画Starry Night，如下图。

Gal还建了一个 专门的网站 ，用来展示这种Extrapolated Art，即利用 机器学习+图像处理 来扩展整幅画的全局景象，因为画往往只提供了一个局部影像。

数字修补技术（digital inpainting） 第一次被提出是在2000年 SIGGRAPH 大会上，一篇名为 图像修补（Image Inpainting） 的文章里。这一技术主要是为了修补那些年代久远的名古画，但在其他图像领域也有广泛的应用。还有一种图像修补算法叫PatchMatch，是专门用来创作机器艺术（machine art）的。

接下来我们不妨来看一个实现这种名作扩展的编程例子，这个例子将使用 Wolfram语言 。在Wolfram语言里，inpaint是一个内建函数，需要修补的图像区域可以被三种对象赋值：图像、图形对象、矩阵。

inpaint里有5种不同的 方法（method） 选项，用来实现不同的图像处理算法：“Diffusion,” “TotalVariation,” “FastMarching,” “NavierStokes,” 以及 “TextureSynthesis”。其中最后一种方法TextureSynthesis是系统默认的，TextureSynthesis跟其他算法不同的点在于，它不会单独操控每个色彩通道，并且它不会增加新的像素值。也就是说，每一个修补像素值都是从输入图像的某些部分里直接获得的，在下面这张图里，你可以很清楚的看到，利用TextureSynthesis可以让图像中的比较大的物体直接“消失”。

TextureSynthesis这种方法是基于一种 改良后的最优解 算法 ，该算法在P. Harrison的博士论文 Image Texture Tools 里曾被介绍过。TextureSynthesis有两个参数，第一个参数是用来做比较的临近像素的数量（NeighborCount），第二个参数是用来寻找最优图像纹理的采样率大小（MaxSamples）。

回到梵高的画来。首先我们导入梵高的Starry Night，去掉边框。

然后，我们需要先用白色的像素来扩充图像，扩展出后面可以用来修补的空白区域。

然后就可以使用TextureSynthesis方法生成最优的临近图像纹理，修补并扩展图像的全景。

![]( http://a.36krcnd.com/photo/2014/af49cb7becde5475afb571

[本文编译自： blog.wolfram.com ]