数字图像修复技术是图像复原研究中的一个重要内容,它是利用图像中已知的有效信息,按照一定规则对破损的图像进行空缺信息的填充,得到连续、完整、自然的图像视觉效果。该技术广泛应用于文物保护、老照片的修复、图像中文本信息的去除以及障碍物的去除、影视特技制作等方面,具有很高的实用价值。集成学习是一种新的机器学习范式,通过使用多个学习器来解决同一个问题,能够显著的提高学习系统的泛化能力。本文利用集成学习技术来研究数字图像修复技术。本文所做的工作主要体现在以下几个方面:(1)概述了数字图像修复技术的背景及应用,并对数字图像修复的数学理论基础进行介绍和描述。本论文中详细介绍了几种典型图像修复模型及算法原理,如BSCD模型、TV模型、CDD模型和Mumford-Shah模型、基于样例的修复模型等等,并通过其修复效果对这些典型的修复算法的优缺点进行了分析和对比。(2)提出了基于集成学习理论的图像修复算法—改进的基于样本块的修复算法。该算法以基于样例修复的目标移除为基础,改进了基于样本块的修复算法。首先优化了Criminisi方法中确定修复块优先权的公式,提高了图像的修复效率;再次确定最佳匹配块时,应用集成学习思想对样本特征的学习,搜索效率得到提高。在自然图像上进行的实验表明,改进的算法提高了图像修复的时间,并取得了良好修复效果。(3)提出了集成梯度信息的基于求解泊松方程的修复算法。首先结合像素点的梯度信息进行块匹配的图像修复,在此基础上,通过求解泊松方程的方法重构图像再次修复。经过仿真实验,验证了该算法对大面积的图像破损有较好的修复效果。(4)研究了盲环境下图像自动修复的理论,以基于数字图像的样本修复为基础,改进了基于纹理合成的图像修复算法。将数字图像可信性评估体系应用于图像修复中,并通过可信性综合度量模型判断确定待修复区域。实验证明,该算法最终达到了盲环境下的图像自动修复的效果。