常言道:一图胜千言。说的是图像小而简单,但是形态万千,一个小小图像承载了大量的信息,而用文字表述较为抽象,而且生涩难懂。近年来,伴随网络技术的发展和数字多媒体技术的广泛应用,使得数字图像在我们的生活中随处可见,但是在数字图形的存储和传输过程中,图像的一些局部信息会受到损坏,并且在其他一些领域,比如文物的保护、错误隐藏、障碍物的移除、电影特效等领域,也都需要对图像进行必要的修复,所以对图像修复的相关算法进行研究的重要性不言而喻。图像修复的目的是对图像中指定的区域,如障碍物或受损区域进行替换或填充,使得图像看起来平滑自然,并且修复后的图像没有明显被处理过的痕迹。目前数字图像修复技术主要分为两个分支。一种是基于偏微分方程的修复技术(Partial Differential Equations,PDE),这种方法是利用扩散的原理,以像素为单位,将图像中已知区域中的信息沿着等照度线的方向扩散到未知区域中,从而完成修复。这种方法对狭小的非纹理区域的图像有很好的修复效果。另一种方法是基于纹理合成的图像修复方法,这种方法是以像素块为单位,将已知区域中与未知区域像素块相似的样本块复制到未知区域中,进而完成图像修复,这种方法适用于纹理丰富的受损图像。本文深入分析了几种具有代表性数字图像修复模型,并且对近几年有关研究人员对Criminisi算法的改进进行了实验,发现他们在视觉质量、修复效率等方面存在诸多不足,为此本文从以下方面对这个算法进行了改进。针对Criminisi图像修复算法在修复过程中待修块的修复顺序不够准确,待修块与样本块匹配精度不高的缺点,修复时间长,对其进行了改进。在置信度中加入局部熵以此衡量待修块中已知信息量大小,使优先权的计算更加合理;在匹配准则上采用了粗粒度和细粒度相结合的方式,首先引入矩阵相似度准则进行粗粒度的块匹配,缩短匹配时间,然后采用细粒度的像素点匹配,提高匹配精度;同时根据待修块局部平均熵的大小自动调整采样窗口的大小。大量的实验证明本文在修复图像的视觉效果和修复效率上都占有优势。