随着计算机科学技术的飞速发展和数字化时代的来临,数字图像已经成为人们日常生活中最重要的信息来源之一,然而数字图像在形成、存储和传输的过程中会有一定概率发生信息丢失,导致数字图像的破损。数字图像修复技术是一种恢复丢失信息的方法,用来填补图像的破损部分或者去除图像中的多余目标,并且不留下任何人工修复的痕迹,让中立的观察者认为修复结果就是原始图像。数字图像修复技术根据建立修复模型方法的不同可以分为基于结构的修复方法和基于样本的修复方法。随着图像修复应用需求的增加,近几年图像修复领域一直非常活跃,诞生了许多优秀的图像修复算法模型,其中最具有代表性的三种算法模型为BSCB模型、TV修复模型和Criminisi算法。本文分别对三种经典模型从算法原理上进行了深入的研究,通过仿真实验将三种算法的修复效果进行对比分析,并在基于样本的Criminisi算法的基础上提出了一些改进,具体包括:(1)通过对原始Criminisi算法修复顺序不足的分析,定义局部灰度不一致性描述图像的局部结构信息,替代了原始Criminisi算法中的数据项;针对原始Criminisi算法置信项在迭代过程中迅速趋近于0的缺点,对置信项和修复优先级函数的结构做出了合理的调整。并将本文提出的改进Criminisi算法与原始Criminisi算法以及国际先进算法进行实验对比分析,证明了改进Criminisi算法在大区域破损图像修复上的优势。(2)为了克服基于样本的修复方法在执行过程中不能根据待修复区域的局部信息而灵活选择填补样本块大小的缺点,本文在改进Criminisi算法执行的每次迭代过程中对当前破损图像进行四叉分解,使得改进Criminisi算法在执行过程中能够根据待修复区域局部结构信息的不同,自适应地选取当前的最佳填补样本块大小。实验表明,加入了样本块大小自适应选取的改进Criminisi算法对结构复杂的破损图像有较好的修复效果。