图像修复是数字图像处理领域的重要组成部分,是利用图像的已知信息对图像中的缺失部分进行信息恢复的过程,其目的是尽可能重构出受损图像的原貌,它在文物保护、老照片修复、特定目标去除等方面,有很高的应用价值,提出来后得到了中外学者的广泛关注和深入研究。目前数字图像修复技术主要分为传统的方法和基于深度学习的方法,其中传统的方法依据算法原理又可分为:基于结构的图像修复方法和基于纹理合成的图像修复方法。论文介绍了数字图像修复的研究背景及意义,讨论了基于结构的图像修复算法,并分析比较了 BSCB模型、TV模型、CDD模型这三种经典模型。接着对目前较为流行的,基于深度学习的图像修补方法进行了阐述。论文的研究重点为基于纹理合成的Criminisi图像修复算法,该类算法在对大面积的破损区域进行修复时效果突出,是当前图像修复技术中最为主流的方法之一。论文首先有针对性地对原算法的不足提出改进,并在此基础上提出一种智能的特定目标去除方法,具体工作如下:(1)针对原算法的优先权会随着修复过程的进行很快趋近于零的缺陷,将优先权函数进行分级定义,并引入能较好区别图像块之间纹理和结构特征的图像块与块之间的方差差值来约束优先权,获得了很好的修复效果。(2)原算法中需要人为确定样本块的大小,且样本块大小不会随着修复过程的进行而改变,针对这一缺陷论文提出根据匹配误差来使样本块大小自适应的修复算法,改进后的算法能使样本块随着修复过程的进行自动选择恰当大小的样本块,使修复后的效果得到明显提高。(3)目前在特定目标去除中,需要手工标注待去除目标。针对这个缺点论文提出了使用深度学习的方法对特定目标进行自动分割标注后,再用改进后的算法进行目标移除,实验证明这种方法能自动去除大目标,且修复结果较好。