随着光学技术的进步,深度信息采集手段愈发成熟,在机器视觉应用中也扮演了越来越重要的角色,如三维重建、人机交互、目标跟踪、自由视点视频渲染和增强现实等。然而,Kinect等以主动传感技术来采集深度信息的可消费级深度相机,其采集的深度图像均存在大量的噪声,严重影响实际应用中深度信息的利用。在车间的智能化发展中也需要大量运用深度信息,如零件尺寸检测、机械臂物体抓取等。因此,如何修复深度图像获得更准确的深度信息是十分必要的。在本文中,主要从两个方向来改进深度图像的修复效果:1)图像修复次序。图像的修复次序一定程度上决定了纹理传播的结果,更准确的修复次序往往意味着更准确的修复结果。本文从Criminisi算法出发,经过对迭代过程中置信项和数据项变化趋势的分析,利用欧氏距离定义了新的置信项计算方式,并改进优先权为置信项和数据项的加权。将优先权引入邻域修复算法中来进行深度图像修复,发现以优先权引导的修复结果纹理延伸更为合理。2)待修复点的自适应邻域。传统邻域划分在所取邻域内存在深度信息与待修复点不匹配的像素点,致使该点的像素估计值不准确,而待修复点自适应邻域的提出就是为了找到特征更相似的像素点来对待修复点进行估计。区域生长的概念完美契合于寻找相似度高的两像素点,我们通过与深度图像配准对齐后的彩色图像的引导,寻找到了与待修复点相似度高的像素点的集合即自适应邻域来代替传统的邻域,并在优先权支配下对深度图像进行了修复。与其他修复算法的对比试验结果证明,自适应邻域能保证更准确的修复结果。