基于CiteSpace的圖像修復研究可視化分析

徐開麗 張乾

摘要：為了對圖像修復發展領域進行更深入的研究，利用CiteSpace軟件對2000—2022年CNKI數據庫中與圖像修復相關的2623篇文獻進行分析，生成的圖譜中包含668個作者、442個機構，進行整理和可視化分析，得到與圖像修復相關的圖譜。結果表明，天津大學被引頻次最多，對該領域的研究具有較大的影響，作者合作圖譜中形成了以翟東海和唐向宏為核心的兩個緊密型團隊，關鍵詞分析的研究結果顯示，圖像修復、深度學習、紋理合成等相關的關鍵詞是該領域出現頻次最高的，同時還涌現出人臉修復、語義分割、殘差網絡、壁畫修復、目標檢測和部分卷積等突現詞。

關鍵詞：圖像修復；CiteSpace；深度學習

中圖分類號：TP18? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2023）13-0035-04

開放科學（資源服務）標識碼（OSID）

0 引言

隨著計算機的快速發展與大數據時代的到來，使得當代人在互聯網中每天都會生成大量的圖像信息，而生成的圖片中難免會有許多損壞或者殘缺的情況，如何有效和精準地對這些圖像進行處理、分類與管理，成為當今信息時代的巨大難題。

圖像修復是指重建圖像中像素信息的丟失或損壞部分的過程，使用原始圖像的像素信息，對已破損的圖像進行修補和信息的填充[1]，得到一個達到理想效果的圖像。數碼世界中，圖像修復又稱圖像插值或視頻插值，指利用復雜的算法來替換已丟失、損壞的圖像數據，主要替換一些小區域和瑕疵[2]，針對該問題的處理并沒有固定的解法，所以圖像修復的應用領域是非常廣泛的。

本文通過使用CiteSpace工具對圖像修復領域的文獻進行計量，對文獻信息進行可視化圖譜分析，可以直觀地識別出關于該領域的發展，并且客觀地反映出在圖像修復領域相應的研究熱點。

1 研究方法與數據來源

1.1 研究方法

CiteSpace是用于文獻數據分析常用的軟件，并且直觀地看出對圖像處理這一領域現有的研究和發展。因此選用CiteSpace作為輔助的軟件，運用其中的相關功能對生成的圖譜進行分析，并直觀地展現國內關于圖像處理研究的熱點和趨勢走向。

1.2 數據來源

為了對圖像處理這一領域進行系統的分析，在CNKI數據庫中以“圖像處理”為主題，截至2022年10月1日，共檢索2673篇學術文章，并且在CNKI數據庫中采用高級檢索的方式以“圖像修復”為主題，將時間跨度設置為 2000—2022年，在對檢索結果進行反復篩選后，剔除與主題不太相關的文章后，得到有效的數據為2 623篇。因此，在后面的分析中，以這2623篇文獻為中心進行分析。

2 研究結果與分析

2.1 發展趨勢

如圖1所示，圖像修復主題下的年發文數量自2000年以來呈逐年上升的趨勢，從2003年開始上升速度明顯開始加快，因此關于該領域的研究從2003年開始變成了熱點話題。在2014年達到了一個小高峰，發文數量為180篇，自2018年開始，在該領域的發文數量上升趨勢較為明顯，預計在未來還有較大的發展空間。

2.2 合作圖譜分析

為了明確圖像修復相關的研究發文機構和發文作者的分布特征，使用 CiteSpace對文獻進行處理，得到相關的圖譜并進行分析。

對研究機構圖譜進行分析，總共形成了96條連線、442個節點，每個圓圈表示一個節點，即一個機構。形成的線條表示各研究機構的交流合作，連線越粗，表示機構之間合作越緊密。由圖2可以看出，排名前五的分別是天津大學、浙江大學、電子科技大學、西安電子科技大學、西南交通大學。通過分析可以看出，雖然參與研究的機構較多，但是分布較稀疏，說明合作比較少。

結合發文作者圖譜與發文作者的頻次表進行分析，如圖3與表1所示。對作者發文量進行分析，共有668個作者，形成連線393條，網絡密度為0.001 8。每個節點代表一位作者，節點的半徑越大代表作者的發文量越高，連線代表作者間的聯系，線條越粗作者間的聯系越緊密[3]。如圖3和表1所示，發文量排名前6的作者分別是翟東海（14篇），唐向宏（14篇），何凱（13篇），朱曉臨（9篇），魚江（9篇），任澍（9篇）。由圖3可以看出，形成了以翟東海和唐向宏為主的兩個緊密型團隊，團隊內成員聯系緊密，發文量多，大部分科研人員尚處于獨立研究狀態，僅有少數學者間形成了較弱的合作關系[4]，并且形成的團隊人數較少，團隊之間沒有直接的合作。

2.3 關鍵詞共現圖譜分析

以關鍵詞聚類方式顯示可以得出如圖4的結果，有節點800個、1 373條連線。圖4中的每個節點代表一個關鍵詞，節點的大小代表關鍵詞出現的頻次，節點之間連線的粗細代表關鍵詞之間共現程度的高低[5-7]。可以通過對關鍵詞的分析，發現這一領域的研究熱點，如表2所示，頻次排名前20的關鍵詞分別是圖像修復（1 399次）、深度學習（180次）、紋理合成（174次）、圖像處理（99次）、稀疏表示（94次）、優先權（71次）、圖像去噪（60次）、圖像分割（57次）、TV模型（47次）、圖像修補（44次）。去除與主題相關的高頻關鍵詞，排名前 3 的關鍵詞分別為深度學習、紋理合成和圖像處理，由此可以看出，關于圖像修復這一領域的發展還有很大空間。

2.4 關鍵詞時間線圖分析

根據圖5可以看出，關鍵詞聚類的時間線圖譜可以展現出關鍵詞分布隨時間變化而變化的脈絡關系。本文在800個節點的混合網絡中，篩選出14個主要集群，可歸納為12個熱點話題。其中，熱點話題研究路徑較為復雜且時間交疊程度較大的是圖像修復。如圖5所示，在2000—2003年的時間里，關于圖像修復的話題相對較少，有優先級、圖像處理、修復等關鍵詞的出現，在2003年以后，集中出現了大量的高頻熱點關鍵詞，如圖像修復、深度學習、視頻修復、紋理合成、圖像分割等，這些關鍵詞與其他關鍵詞連線密切；而優先級、tv模型、稀疏表示研究在2020年時相比之前的研究較少；電路板與彩色圖像的關鍵詞出現的頻次相對較少，且與其他關鍵詞的連線也較為稀疏。

2.5 關鍵詞突現分析

根據關鍵詞出現的頻次可以追蹤相關領域的研究熱點話題，可以揭示出該領域的研究前沿[8]。圖像修復的關鍵詞突現情況如圖6所示，共列出突現強度前25位的關鍵詞，由圖6可以看出，第一個階段：2005—2008年，突現詞主要集中于圖像修補、整體變分、紋理合成、視頻修復、圖像分解和梯度；第二個階段：2009—2011年，突現詞出現等照度線和tv模型，而且熱度時間段較短；第三個階段：2012—2018年，突現詞主要集中于稀疏表示、優先級、樣本塊、壓縮感知、優先權、自適應、深度圖像、結構張量、空間填充和三維重建；第四個階段：2019年至今，突現詞主要集中于深度學習、人臉修復、語義分割、殘差網絡、壁畫修復、目標檢測和部分卷積，并且在這一階段中突現強度最高的關鍵詞是“深度學習”，位居所有突現關鍵詞之首，高達57.4。

3 結論

綜上所述，本文基于CiteSpace軟件對圖像修復領域共2 623篇文獻進行分析，通過可視化圖譜的形式，很好地展現出了關于圖像修復領域的研究現狀和主要內容，得出以下結論：1） 從研究數據分布來看，從2018年至今，針對該領域的發文數量上升趨勢較為明顯；2） 從研究機構與作者分布來看，分布較為稀疏，合作較少；3） 從關鍵詞圖譜分析來看，針對該領域的研究方法較多，并且都具有交叉性，2019年至今出現的較為熱點的話題中，深度學習的強度最高。可以看出，隨著大數據時代的發展，圖像修復領域的發展空間很大。

通過以上分析，可以判斷出研究前沿和挖掘未來的發展趨勢，為今后該領域的研究提供新的方向與思路。

參考文獻：

[1] 卜彥超.基于深度學習的圖像修復方案設計與實現[D].長春：吉林大學，2019.

[2] 尹悅.數字圖像修復技術在大麥地巖畫修復中的應用[D].銀川：寧夏大學，2019.

[3] 雷丹丹，彭擁軍.基于CiteSpace針灸治療卒中后痙攣性癱瘓的可視化分析[J].實用中醫內科雜志，2022，36（11）：18-20.

[4] 王立柱，何云峰.基于CiteSpace的我國課程思政研究可視化分析[J].教育理論與實踐，2022，42（24）：27-31.

[5] 李博，徐澤水，秦勇.自動控制與決策領域發展軌跡及研究特征：基于《控制與決策》期刊文獻計量統計分析[J].控制與決策，2022，37（6）：1583-1590.

[6] 焦朋朋，趙霞，張勇，等.基于交通大數據的移動模式分析綜述[J].中國公路學報，2021，34（12）：175-202.

[7] 劉禮.基于CiteSpace的國際圖像分類應用研究可視化分析[J].科技創業月刊，2016，29（12）：106-108.

[8] 聶明輝，郭如良.基于CiteSpace的我國返鄉創業研究進展及趨勢分析[J].科技廣場，2021（6）：84-96.

【通聯編輯：唐一東】