图像补全是依据已有信息填充图像的空白区域,一般借助矩阵的低秩运算理论和总变分(Total Variations,TV)正则项方法,通过图像的局部信息推导出图像的缺失部分,但是随着图像中的缺失信息越多越多时,此类方法在求解图像补全时会有一定的局限性。接着人们开始采用神经网络的方法解决缺失较多信息的图像补全问题,但仍然存在只能补全固定位置、补全固定大小缺失区域和补全效果差的问题。本文从图像多粒度的角度出发,使用云模型提取图像的云模型语义(定性概念)和粒层图像,接着把提取的多粒度信息输入到神经网络中,建立图像的补全模型。本模型分为三部分:一是多粒度的实现,云模型提取图像的各粒层语义和其对应的粒层图像,并使用云模型语义自动地标注对应的粒层图像。二是提取粒层图像的未缺损特征(局部特征),采用神经网络的方法提取各粒层的图像特征。三是把云模型语义和图像的未缺损特征同时作为条件生成对抗网络的附加条件,生成图像缺失的部分。本模型为了完成图像的补全操作,首先把每一粒层的云模型语义和粒层图像的局部特征组合在一起形成组合特征。然后把组合特征和其对应的粒层图像作为条件生成对抗网络的训练集训练本模型。在测试图像补全的过程中,首先提取缺失图像的云模型语义和缺失图像的局部特征。然后把两种特征作为本模型的附加条件,生成一幅与条件相符的图像。最后把生成的图像和缺失的图像进行合成,完成图像的补全操作。实验结果表明,把组合特征和其对应的粒层图像作为条件生成对抗网络的训练集时训练的模型,解决了固定位置和固定大小缺失区域的图像补全问题。本模型在Caltech-UCSD Birds和Oxford-102Flowers数据集中的图像补全以及把云模型语义和局部特征作为模型条件时抽样逼真的图像都取得了较好的效果。