Image inpainting is the process of removing the unwanted objects from the image or it refers to the restoration of the original image. Despite the fact that there are various ways for image inpainting, these traditional approaches have some limitations in terms of data loss, which the proposed methodology should be able to address. This paper introduces a hybrid image inpainting method, termed DKH, which is the combination of deep learning, KNN, and biharmonic functions. Three phases make up the proposed DKH technique. The creation of the residual image, which takes place in the first phase, is accomplished using a Deep Convolutional Neural Network (Deep CNN) that was trained using the whale-monarch butterfly optimization algorithm. The second phase is the formation of patches and generation of the reconstructed image using the neighbour searching phenomenon named K-nearest neighbours (KNN), where the patch with the shortest distance is chosen during patch extraction using the Bhattacharya distance. In the third phase, the harmonic image is a reconstruction using biharmonal technique. Finally, using the Bayes probabilistic-based fusion method, the results of the three steps of image inpainting are combined. The performance of the image inpainting based on the proposed DKH is evaluated in terms of PSNR, SDME, SSIM, and accuracy. The developed image inpainting method achieves the PSNR of 35.63 dB, maximal SDME of 95.48 dB, the maximal SSIM of 0.960, and the maximal accuracy of 0.921 using Corel-10 k dataset.

图像修复是从图像中去除不需要的对象的过程，或者指的是恢复原始图像。尽管图像修复有多种方法，但这些传统方法在数据丢失方面存在一些局限性，所提出的方法应该能够解决这些问题。本文介绍了一种混合图像修复方法，称为 DKH，它结合了深度学习、KNN 和双调和函数。三个阶段构成了所提出的 DKH 技术。在第一阶段进行的残差图像的创建是使用深度卷积神经网络 (Deep CNN) 完成的，该网络是使用鲸鱼帝王蝶优化算法训练的。第二阶段是使用名为 K 最近邻 (KNN) 的邻域搜索现象形成小块并生成重建图像，其中在使用 Bhattacharya 距离提取小块期间选择距离最短的小块。在第三阶段，谐波图像是使用双调和技术重建的。最后，使用基于贝叶斯概率的融合方法，将图像修复的三个步骤的结果组合起来。基于所提出的 DKH 的图像修复的性能根据 PSNR、SDME、SSIM 和准确性进行评估。开发的图像修复方法使用 Corel-10 k 数据集实现了 35.63 dB 的 PSNR、95.48 dB 的最大 SDME、0.960 的最大 SSIM 和 0.921 的最大精度。在使用 Bhattacharya 距离提取补丁期间选择距离最短的补丁。在第三阶段，谐波图像是使用双调和技术重建的。最后，使用基于贝叶斯概率的融合方法，将图像修复的三个步骤的结果组合起来。基于所提出的 DKH 的图像修复的性能根据 PSNR、SDME、SSIM 和准确性进行评估。开发的图像修复方法使用 Corel-10 k 数据集实现了 35.63 dB 的 PSNR、95.48 dB 的最大 SDME、0.960 的最大 SSIM 和 0.921 的最大精度。在使用 Bhattacharya 距离提取补丁期间选择距离最短的补丁。在第三阶段，谐波图像是使用双调和技术重建的。最后，使用基于贝叶斯概率的融合方法，将图像修复的三个步骤的结果组合起来。基于所提出的 DKH 的图像修复的性能根据 PSNR、SDME、SSIM 和准确性进行评估。开发的图像修复方法使用 Corel-10 k 数据集实现了 35.63 dB 的 PSNR、95.48 dB 的最大 SDME、0.960 的最大 SSIM 和 0.921 的最大精度。将图像修复的三个步骤的结果结合起来。基于所提出的 DKH 的图像修复的性能根据 PSNR、SDME、SSIM 和准确性进行评估。开发的图像修复方法使用 Corel-10 k 数据集实现了 35.63 dB 的 PSNR、95.48 dB 的最大 SDME、0.960 的最大 SSIM 和 0.921 的最大精度。将图像修复的三个步骤的结果结合起来。基于所提出的 DKH 的图像修复的性能根据 PSNR、SDME、SSIM 和准确性进行评估。开发的图像修复方法使用 Corel-10 k 数据集实现了 35.63 dB 的 PSNR、95.48 dB 的最大 SDME、0.960 的最大 SSIM 和 0.921 的最大精度。