在实际生活中,图像常常由于获取环境、传输、保存等原因导致像素的缺失,补全图像中缺失的像素值这一任务被称为图像补绘,本文主要探讨了图像补绘这一研究方向中图像先验信息的影响。具体而言,主要涉及了经典的利用图像全局低秩重复纹理先验和局部色彩平滑先验。对于局部色彩平滑先验,本文大致介绍了基于偏微分方程的图像补绘算法。对于图像全局低秩重复纹理先验,介绍了利用张量代数处理图像这一高维数据的相关算法,包括HaLRTC,t-SVD和FBCP。此外,本文还提出了两种基于张量的,用以融合图像的局部先验和全局先验的算法。首先,本文基于张量代数系统t-product,提出了对于张量代数而言的全变分约束。通过融合全变分约束和基于张量的低秩补全算法,第三章算法成功将局部的色彩平滑先验与全局的重复纹理先验相结合。具体而言,第三章把全变分约束对应的差分张量融入到了t-product的框架下,然后将此运算构建为一个正则项。在定义完整个优化目标函数后,第三章利用ADMM迭代去交替优化这一最小值问题。此外,第三章在各个公开评测数据和评测准则下,与当前最优的方法做了比较,实验结果均证明了本方法的有效性。在第四章中提出了使用基于图像块的张量补全方法,这种方法能更加直接的让恢复所得图像有更好的视觉效果,背后的原理同样是融合局部的色彩平滑先验与全局的重复纹理先验。具体而言,第四章首先对缺失图像进行了一次插值估计,即通过直接插值得到图像中像素点的缺失值。然后,对图像中的缺失区域,首先采取了一种基于图像块的聚合办法,得到了一组相似的图像块,进而可以使用低秩张量补全算法去估计出这一组图像块中的缺失像素值。在第四章中,还证明了一个重要的结论,即在这种基于块的估计下,采用张量去补全,是一定会比采用矩阵去补全的相应方法误差低。同样的,充足的实验和效果图证明了本章算法的优越性。