图像是21世纪最重要的信息传播媒介之一,具有简洁且迅速的视觉信息传达能力。图像补全是数字图像处理领域的一项重要研究内容,目前的研究方法大多基于深度学习构建模型。然而,现有的图像补全技术仍存在一些不足,一些方法忽略了图像的边缘结构信息,在补全大面积不规则的缺失图像时无法还原高清晰度的结果;普通的局部判别器只能输入规则的缺失图像,不能补全非矩形的缺失图像,不具有普适性;另外一些方法没有注重生成结果和背景图像的像素连续性,导致补全结果和背景区域之间产生色差。因此,构建一个满足像素连续性的、人眼视觉上真实的图像补全模型具有一定的现实需要。针对上述问题,本文一方面从图像结构信息中把握规律,结合多粒度认知计算的思想提出边缘判别器,将卷积过程中提取的不同大小的特征图视为不同的粒度层次进行充分学习,使得生成图像边缘与真实图像边缘更加相似,生成视觉效果上更加清晰的补全图像;另一方面利用梯度信息优化生成器和全局判别器,缓解生成图像和背景区域的色差问题。具体研究内容如下:1.本文提出一种基于多粒度特征融合的边缘判别器,在图像补全任务中利用卷积神经网络提取图像中的边缘信息,将不同层次的特征图作为不同粒度层次的特征,通过融合学习这些数据特征来还原数据在粗粒度层次的抽象表现,即图像边缘。2.在计算损失的过程中采用加权思想,边缘区域的像素值应具有更大的权重。即越靠近边缘权重值越大,反之越小。在图像中,梯度值大的点被判定为边缘像素点,因此本文将梯度值作为权重值,权重值的大小代表到边缘像素点不同的距离。3.针对补全结果的色差问题,本文对精细化生成器的部分卷积网络进行优化,利用图像梯度信息指导二值掩码的收缩,使得模型沿着图像梯度方向补全缺失图像,同时提出多级语义判别器,将梯度信息与整幅图像信息分别输入全局判别器,将图像卷积成十六分之一大小的特征图进行融合,使得模型更好地约束生成结果与背景区域的色差。实验表明,在补全大面积不规则缺失图像时,本文方法取得了比其他图像补全方法更好的效果。