近年来,深度信息被广泛运用到目标识别、三维重建、人机交互等计算机视觉系统中。微软公司的Kinect作为一款价格低廉的深度传感器,能够获取被测场景的深度图像,同时可以获得对应场景的彩色图像。越来越多研究人员开始关注Kinect。然而因为其自身成像原理的限制,Kinect获取到深度图像存在深度信息缺失区域,包含遮挡形成的黑色空洞区域,图像光学噪音等。为了得到高质量的深度图像,改进Kinect的使用效果,对其获取的深度图像进行修复是很有必要的。针对Kinect深度图像的修复问题,本文结合同步获取的彩色图像,对深度图像修复算法做了如下研究,从而改善深度图像的质量,最大程度地还原现实场景的深度信息。本文首先介绍了深度图像修复的研究背景和意义,以及当前深度图像修复算法的研究现状,分析了深度修复方法中的一些关键问题。介绍Kinect传感器的基本信息,分析了Kinect深度图像的获取流程,又进一步分析了Kinect深度图像噪声产生的原因。分析了几种传统修复算法的修复原理,并通过实验检验了它们的修复效果。针对Kinect深度图存在大量空洞,而传统算法没能有效运用彩色图像提供的全局信息和邻域关系,无法有效分割物体边界,易产生过平滑的现象,影响深度图的修复效果的这一问题,本文基于深度图像深度值的集群特性,将彩色图像分割成多个相似区域得到场景中的结构信息,以此来指导深度图像的修复。该算法利用C-均值聚类,对Kinect同步获取到的彩色图像做区域分割,突出目标场景中物体的结构信息,基于快速行进算法的修补次序,用空洞像素点邻域内的同类像素来填充待修补像素。将有效像素值不断向空洞内部扩散,从而实现整个空洞区域的填充。实验表明本文提出的修复算法较其他算法在物体边缘强度,结构信息准确性上更有优势,量化指标同样显示了该算法的有效性。考虑到图像的模糊性以及不同像素点所属类的模糊性,本文基于模糊C-均值聚类对彩色图像做了新的分割,将模糊聚类的思想引入到修复过程中,使用模糊C-均值聚类,对彩色图像做区域分割,获得各个像素点的隶属度函数,分割结果作为引导图像来指导深度图像的修复。针对深度图像中的散粒噪声,受到双边滤波器的启发,将深度估计公式中的亮度相似度因子改为隶属度因子。针对大面积的空洞区域,引入彩色图像提供的结构信息,重新设计了快速行进算法的权值函数。实验显示该算法在边缘保持上更有优势,不仅保持了原有目标物体结构信息,而且在边界的过渡上更加自然,能够明显分割前景和背景区域。