Python图像修复算法，基于OpenCV开发。

简介：
基本思路：采用微分方程求解，并**通过替换图像中损坏的标记为与其相邻像素相似的像素来改善其外观**。当需要修复图像中的特定区域时，算法从该区域的边界开始，逐步地向内扩展，填充边界内的所有内容。它会选取要修复部分的周边的一小片邻近像素进行考虑。随后，该像素会被其周围已知的像素的标准加权和所取代。选择合适的权重至关重要；例如，要修复的点周围像素的权重应较高，而与正常边界相邻的以及位于边界轮廓上的像素则应赋予更高的权重。完成像素修复后，它将利用快速匹配方法($FMM$)移动到最近的像素。$FMM$的设计旨在确保那些已知像素周围的像素首先被处理，因此这种操作类似于人工启发式的策略。$OpenCV$库提供了两种实现该算法的方法，两者均可通过相同的函数访问，$cv2.inpaint()$。其中一种算法基于Alexandru Telea于2004年发表的“基于快速行进方法的图像修复技术”，并以此为基础进行构建。该算法从目标区域的边界开始执行操作，然后逐渐地深入到区域内部并填充其内容。在修复过程中，它需要在邻近的像素周围的一个小范围内进行处理。具体来说，该像素将被邻近区域中所有已知像素的归一化加权和所替代。确定权重是一个关键步骤；对于靠近修复点的那些像素，靠近边界法线的以及位图数据的权重应该更高。