图像补全是数字图像处理领域的重要研究方向,是一种在图像缺失区域中填充替代内容的技术。使用该技术,可以为图像中的缺失区域根据某种规则进行补全,使补全后的图像达到以假乱真的效果。正是其良好的补全效果,使得图像补全技术在古代文物字画的修复、现代医疗的诊断辅助以及遥感卫星的图像获取等方面有着广阔的应用前景。现有的比较成熟的图像补全方法有:基于扩散的图像补全方法、基于样本块的图像补全方法以及基于结构特点的图像补全方法。但是这些图像补全方法都存在各自的缺点与不足:基于扩散的方法只能填充面积小的或者狭窄的缺失区域,对于面积较大的区域补全效果并不理想;基于样本块的方法过于依靠图像的完好区域,如果图像的完好区域中不存在与图像缺失区域相似的片段,那么图像的缺失区域将得不到很好的补全;基于结构特点的方法通过保留重要的结构特征来提高图像补全的效果,但是,该方法仅限于特定的结构,不具有普遍性。鉴于现有的图像补全方法的诸多不足,人们尝试将深度学习的相关理论引入到图像补全领域,以提高图像的补全效果。本文也受此启发,提出了一种基于生成式对抗网络模型(Generative adversarial networks,GAN)的图像补全方法。在该方法中,对抗网络模型由生成器模型和判别器模型两部分构成,均采用卷积神经网络(Convolutional neural network,CNN)实现其基本功能。该方法通过生成器模型对图像的缺失区域进行补全,利用判别器模型对图像的补全效果进行判别。为使补全的图像在细节处理上更加合理,并使得补全区域中的像素在最大概率上与其周围像素在图像特征上保持连续性,该方法采用马尔科夫随机场(Markov random field,MRF)与均方误差(Mean square error,MSE)相结合的损失函数训练生成器模型。使用峰值信噪比(Peak signal-to-noise ratio,PSNR)和结构相似性(structural similarity,SSIM)两种图像评价标准,对本文提出的图像补全方法的补全效果进行更加全面的评价。测评结果证明,基于对抗网络模型的图像补全方法,相较于其他现有的方法,具有更好的补全效果。