图像修复是图像处理领域中一项重要技术,主要是利用图像中现有的信息,估计图像中的未知区域,从而使修复后的图像在视觉上与原图像接近,图像修复技术在实际生活中应用广泛。基于稀疏表示的图像修复技术已经成为一个新的研究方向,本文是在稀疏表示理论研究基础上,结合字典训练和聚类方法对图像修复技术进一步研究。本文首先介绍了图像修复的研究背景、意义以及国内外研究现状,主要研究内容是:介绍稀疏表示理论、常用的稀疏表示算法和K-SVD字典学习算法;分析了目前常用的图像修复算法的优缺点。详细地分析了基于稀疏表示和字典学习的图像修复算法,采用此方法进行图像修复,其结果的优劣性与学习的字典的好坏有很大关系,本文为了保证字典内容丰富且具有自适应性,在进行字典学习前,先对图像库的图像进行聚类,因此本文还介绍了模糊聚类算法及其改进算法,使用Canopy算法改善模糊聚类算法以及在分布式平台上的应用。仿真结果表明Canopy-FCM算法相比FCM算法准确率提高,簇间距离减小,加入聚类后的图像修复算法在均方根误差和峰值信噪比的数值上,优于仅仅利用待修复图像本身进行字典训练的图像修复算法,算法很好地利用了图像之间的相似性,对含有丰富结构信息的图像,修复效果较好,并且弥补了基于K-SVD的图像修复算法的一些缺憾,在一定程度上改善了图像修复的质量。