深度图像作为一种三维场景信息的重要表征方式,被广泛地应用到当今的计算机视觉系统中。然而出于设备及环境方面的因素,通常用来采集的深度相机都无法获取到完美的深度图像,一般存在深度信息区域缺失、噪声等问题。在这些问题当中,深度信息区域缺失是其中较为难以解决的问题。因此本文将基于上述背景之下,对如何修复深度图像中的深度信息缺失区域(也称为空洞区域)进行深入研究,希望能够基于现有的算法基础之上提出一种行之有效的提高算法。同时,该深度信息缺失区域修复问题通常被称为深度图像空洞修复问题。本文的主要工作可以归纳为以下几方面:(1)通过对常用的深度图像修复算法研究发现,基于边缘信息的局部算法希望利用从深度图像中提取的物体边缘(下称深度边缘),对深度图像信息缺失区域进行引导修复,但由于深度图像上存在信息缺失区域,所以目前只能从彩色图像上提取物体边缘(下称彩色边缘),因此,本文对深度边缘的作用和提取问题进行了深入研究。(2)提出了一种基于深度边缘判别模型的深度信息缺失区域修复框架。该框架由两大部分组成:第一部分是边缘提取模块,其为一个深度边缘判别模型,包括深度边缘概率提取模型和候选点提取算法。其首先用边缘提取算子对彩色图像提取边缘像素点做为候选点集合,然后用深度边缘概率提取模型(如卷积神经网络模型)在候选点集合中选出最终深度图像上的边缘点;第二部分是滤波模块,由联合三边滤波器、方向联合双边滤波器以及局部方向联合双边滤波器等三种滤波算法组成。其依据边缘信息对深度图像中的深度信息缺失区域进行修复。(3)本文在Middlebury Stereo数据集上进行模拟数据的算法验证,实验效果表明:首先,方向联合双边滤波器在边缘区域的空洞修复效果要比区域方向联合双边滤波器更好;其次,联合三边滤波器较双边滤波器来说,在噪声的处理上要更好一些;最后,该框架在对比原有算法的基础下,在数据集上的修复效果有一定的提升。