■■■■■■■■■■■鞍山师范学院学报ＪｏｕｒｎａｌｏｆＡｎｓｈａｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ２０２２⁃１２，２４（６）：３７－４２■■■■■■■■■■■基于受限玻尔兹曼机的受损图像还原方法研究唐崇华（鞍山师范学院管理学院，辽宁鞍山１１４００７）摘要根据受限玻尔兹曼机（ＲＢＭ）的特点，提出基于受限玻尔兹曼机的图像修补方法，并在ＭＮＩＳＴ数据集上对模型进行验证．结果表明，采用该图像修补算法能够提高图像修复质量．关键词图像修补；机器学习；受限玻尔兹曼机；深度学习中图分类号ＴＰ１８１文献标识码Ａ文章编号１００８⁃２４４１（２０２２）０６⁃００３７⁃０６图像修复又称图像重建，是数字图像处理研究领域一个重要的研究方向，其目的是利用图像的现有信息对其缺失部分的内容进行恢复，如恢复旧照片中缺失的部分、重建图像中被隐藏的部分等，使观察者可以重新看到完整的图像．图像修复技术是当前图像处理领域的研究热点，在视频监控、图像处理、刑侦分析等领域有广泛的应用［１］．目前，主要的修复技术分为两类：一类是对小范围缺失的图像进行修复，主要利用缺失部分的边缘数据信息估计等照度线的方向，采用传播方式补充缺失信息；另一类是对大块缺失的图像进行修复，通过收集大量相似图像进行缺失部分的修复．深度学习是借助神经网络对人类大脑认知过程的模拟来实现机器智能的研究方法［２］，是ＧｅｏｆｆｒｅｙＨｉｎｔｏｎ提出的全新概念．深度学习致力于学习样本数据的内在规律和表达形式，它的目标是赋予机器具有像人一样的分析和学习能力，能够识别文字、图像和声音等数据．深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习，以及其他相关领域都取得了很多成果［１］．近年来，深度学习在人工智能领域的研究十分广泛，其在特征提取、表示、生成等方面的优势十分明显，因此，基于深度学习的图像处理方法也备受关注．受限玻尔兹曼机（ＲｅｓｔｒｉｃｔｅｄＢｏｌｔｚｍａｎｎＭａｃｈｉｎｅ，简称ＲＢＭ）是深度学习模型的一个重要组成部分，它是一种基于概率图的生成模型，可用于无监督条件下数据特征的自动提取．作为深度置信网络的基本构成模块，ＲＢＭ广泛应用于处理数据维度、文本检索、协同过滤等领域．利用ＲＢＭ处理图像既可以学习整个图像的像素分布情况，又可对缺失的部分生成一个合理的预测．本文根据ＲＢＭ的特点提出一种基于ＲＢＭ的图像还原方法，经过实...
