由于含噪传感器或通信信道产生的杂讯,例如设备中存储器的位置错误、相机内的像素故障或者传输过程中的位误差等,脉冲噪声对数字图像的干扰频繁发生。尽管近年来快速发展的大数据流提高了视频通信的可行性,但由脉冲噪声干扰所引起的图像中的视觉失真会对视频通信应用造成较大的负面影响。本文提出了一种新的图像恢复模型,其线性结合图像的全局、局部以及社群信息,并使用基于半监督学习的代价函数,以含有少量未损坏图像和大量已损坏图像的图像集数据为训练样本优化模型参数,从而有效地消除损坏图像中被脉冲噪声干扰造成的视觉影响。本文的主要内容如下:(1)建立高精度图像恢复模型。当图像受到高密度的噪声干扰时,图像中大部分像素点被噪声覆盖,未被干扰的像素点数量很少。本文提出先通过全局信息,即利用图像中所有的已知点对整张图像进行预测,然后针对图像细节及边缘不清晰的问题,进一步通过局部信息和社群信息进行恢复。本文模型综合考虑全局信息、局部信息以及社群信息三点,能够对高密度脉冲噪声干扰下的图像进行高精度恢复。(2)设计针对大数据图像恢复现有问题的代价函数。大数据流中受到脉冲噪声干扰的图像往往存在三个问题:噪声高密度、样本稀疏以及噪声多形态。本文针对这三个问题,分三个阶段提出代价函数。第一阶段根据图像的空间相关性特征提出对高密度干扰图像恢复的代价函数项;第二阶段针对训练样本稀疏提出基于半监督学习的代价函数项;第三阶段利用图像的属性特征提出针对噪声多形态问题的代价函数项。(3)基于半监督学习的模型训练。当模型提出后,针对模型的适定性问题,试图找出满足代价函数的最优解。在模型已知,参数未知,代价函数较为复杂的情况下考虑使用极大似然值估计法来高效地估计参数。基于本文所提出的代价函数推导出似然方程,通过对似然方程求导来构建模型学习策略,从而有效训练模型。本文分别对单张高度损坏图像、大量不同程度损坏图像集进行恢复实验。实验结果表明,本文所提出的模型能够有效且高精度地恢复不同噪声干扰下的数据图像集,并在图像灰度值和图像结构方面都明显优于现有的图像恢复模型。