基本思路： 微分方程求解，**用邻近的像素替换那些坏标记，使其看起来像是邻居** 。 假设图像里的一个区域要修复。算法从这个区域的边界开始，逐渐地进入区域，把边界内的所有东西填充上。它取要修复的部分周围的一个像素周围的一小片邻居。这个像素被周围已知的像素的标准加权和替换掉。选择权重是很重要的。要修复的点周围像素的权重较高。和正常边界近的，还有在边界轮廓上的像素的权重较高。当像素被修复以后，它会通过快速匹配方法($FMM$)移动到最近的像素。$FMM$保证那些已知像素周围的像素首先被修复，所以这个就像人工启发式的操作一样。 $OpenCV$提供了两种算法。两者都可以通过相同的函数访问，$cv2.inpaint（）$。 第一种算法基于$Alexandru Telea$于2004年发表的“基于快速行进方法的图像修复技术”。它基于快速行进方法。考虑图像中要修复的区域。算法从该区域的边界开始，然后进入区域内，逐渐填充边界中的所有内容。它需要在邻近的像素周围的一个小邻域进行修复。该像素由邻居中所有已知像素的归一化加权和代替。选择权重是一个重要的问题。对于靠近该点的那些像素，靠近边界的法线和位

Object Removal by Exemplar-Based Inpainting

利用TensorFlow中的深度学习进行图像修复

用matlab编程，直接利用C( p)作为边界点权值，对给出的2 幅图像进行修复；其中，目标区域是红色标注区域。实验的主要任务是将红色区域去掉，并将图像恢复。

基于criminisi算法的图像修复，采用的工具是matlab，修复速度较慢，可直接运行

基于纹理合成的图像修复算法，其中最基础的就是Criminisi算法，该文件包含MATLAB代码，能处理彩色图像，有测试图片及最后的效果图。代码没有问题，可以直接使用。

利用matlab代码实现的图像修复， 采用线性回归的方法，有样例，可直接运行

简述了当代数字图像修复应用领域的背景，目的和意义，对于在数字图像修复方面有兴趣的人员有知道入门的意义

Image Inpainting by Patch Propagation Using Patch Sparsity论文的实现代码，在vs+opencv环境下可运行。工程运行后会导出dll。里面很多函数值得借鉴参考。

图像修复是指利用待修补区域的邻域信息或动态图像的 前后帧的信息来估算待修补区内缺损信息的过程 ,主要目的是对破损的图像进行修复 ,以构造人眼主观系统可以接受的图像。目前 ,数字图像修复技术的发展主要集中在两个领域