图像恢复是数字图像处理中的一个重要分支,也一直是图像处理中的一个难点,其主要目的是改善给定的图像的质量和视觉效果,提高图像成分的清晰度,消除退化系统所造成的模糊和噪声污染。现有的图像恢复算法都对退化图像有一定的处理能力,但是分别在图像清晰度、处理的时间复杂度和空间复杂度上都有各自的不足。解决图像复原的传统方法都不可避免高维方程组的计算问题,或者要求恢复过程满足广义平稳过程的假设,这使得模糊图像的复原问题在解决中遇到了种种困难。而基于Hopfield神经网络模型的图像恢复方法把图像恢复问题转化为优化问题,由于神经网络图像恢复是建立在网络能量函数收缩的基础上,从而完全避免了一般图象恢复的矩阵求逆带来的问题,具有普遍适用性,但同时由于神经网络的建立,大大增加了空间和时间复杂度。在基本的神经网络恢复算法中,图像中的每一个像元灰度电平值是用它所对应的M个神经元状态变量之和来表示的,尽管这一表示具有很好的容错能力,但它并不经济。如果神经元状态变量群加权方案来表示每一个像元的灰度电平值,则可以减少每一个像元所对应的神经元个数,因此可减少神经元网络的整体规模,同时又能保证网络的良好的容错性。由于算法中采用了分段线性函数,状态变量是阶跃取值的,所以不能保证网络能量能够精确地收敛到全局最小,直接影响了复原图像的质量,因此用连续函数代替分段线性函数,采用自反馈连续Hopfield神经网络模型,从而能够使网络能量达到最小。最后在图像恢复处理中采用重叠分块技术,进一步减少时间和空间复杂度。