随着数字信息化技术的不断发展,图像的像素分辨率越来越高,然而图像在获取、传输、压缩和存储的过程中易受到损坏,因此图像修复就显得十分重要。图像修复技术也是图像处理和计算机视觉领域的研究热点之一。本文主要对基于稀疏表示的图像修复进行深入研究,并在此基础之上对组稀疏表示的图像修复方法进行相应改进:利用块结构稀疏度对图像块纹理结构信息加以区分,构建自适应的组结构,对其进行稀疏表示和字典学习,最后修复破损的图像。主要的研究工作如下:(1)针对组稀疏表示图像修复方法采用固定大小图像块,致使修复结果中存在纹理和结构清晰性较差的问题,提出一种基于自适应组稀疏表示的图像修复方法。在自然图像中由于纹理和结构信息的不同,为了区分与原方法固定图像块大小的组结构,首先提出一种自适应选取样本图像块大小的方法,来构造自适应的组结构;然后以组为单位对其进行奇异值分解,获得该图像块组的自适应学习字典,并利用分裂伯格曼迭代算法求解目标函数;最后通过调整组结构中图像块数量和迭代次数对每个组的自适应字典、稀疏编码系数进行更新,获取较好的修复效果。修复后的结果不仅在峰值信噪比和特征相似性度量上都有所提升,而且缩短了修复耗时。(2)针对纹理信息较为复杂的图像,在提取图像特征时,结构细节信息容易被忽略,导致修复效果不佳的问题,提出一种解决方法:以组为单位在字典学习过程中,用块结构稀疏度算法,把图像块组中纹理信息突出和结构信息突出的图像块分成两类,按照两个类中各自的纹理信息和结构信息分别进行字典学习,得到纹理特征较为突出和结构特征较为突出的两个过完备字典。并且在此基础上进行实验,在保证时间效率稳定的前提下,提升修复后的图像质量。(3)利用Matlab的GUI工具实现图像修复系统。该系统能够针对随机像素缺失和文本缺失的两种破损图像进行修复,并且能展示修复前后对比效果图和峰值信噪比与迭代次数的关系图。