图像复原技术是图像处理领域中一个重要的研究方向,随着数字技术的发展,它已广泛应用于各个领域。为了复原图像细节,研究者们采用的复原方法主要分为传统方法和深度学习方法两大类。传统图像复原主要利用图像的先验特征,对图像缺失或模糊部分进行修复,通常会面临先验特征未知,或复杂的计算问题,导致复原图像困难。深度学习方法使用多层网络,通过模拟人脑神经元的分析过程,复原图像和模型将从大量输入样本数据中学习。然而,通常的这些图像复原技术都侧重解决复原图像宏观特征,最终目的是达到满足人眼视觉效果的图像。而稀疏点阵图像（简称印刷量子点图像）单元的大小通常在30微米以下,它的复原不同于以往图像复原中侧重宏观特征的提取,亟需解决的是复原图像信息识读不能满足检纠错和解码要求的问题。通过对上述问题的研究与分析,本文提出了基于GAN的印刷量子点图像增强与提取和半色调防伪图像信息复原研究,有效提高了复原图像信息质量,使得复原图像信息满足信息检纠错和解码所允许的误码率要求。本文的主要研究内容如下:第一,普通图像复原方法的性能评价指标不足以评价半色调防伪图像中的信息是否得到正确的还原,所以,提出了适用于微观图像信息检纠错和解码要求的评价指标——误码率和欧氏距离,客观的检查图像复原信息质量。第二,针对手机识读安全二维码过程中出现的印刷量子点图像信息质量退化等问题,提出了印刷量子点图像增强与提取算法研究。该算法基于GAN对模糊图像进行复原,然后充分利用安全二维码中印刷量子点的位置特征对复原图像进行提取,实现从其复杂的载体图像中直接生成印刷量子点图像信息。第三,针对半色调防伪图像在打印过程中带来的位置偏移、填充量不足、扩散等问题,在拍摄过程中由于设备不同和外部环境的影响存在的强噪声、低品质和失真等质量下降问题,提出了一个以单图像超分辨率信息为目标的端到端复原模型。首先通过构建一个面向真实印刷防伪场景的数据集,提供防伪图像在拍摄和打印过程中遭遇的噪声、失真等方面不同相似度的参考。然后基于该数据集,以高分辨率图像信息为复原目标,先利用印刷量子点图像具有的空白行间特性对退化图像位置倾斜进行校正,再借助ESRGAN的特征提取和上采样完成复原。