1.一种基于低秩张量链分解的图像修复方法，包括以下步骤：步骤1)获取破损的观测图像，确定破损图像中待修复区域的所有未知像素点的集合Ω；

步骤2)考虑图像张量所有维度的低秩性和相关性，结合张量核范数和张量链分解，构建一种基于低秩张量核范数链分解的图像修复模型，记为TNN‑TT模型；

步骤3)引入能够很好地刻画分段光滑性，并且被证明其在图像复原中表现优异的全变分，以TNN‑TT模型为框架，构造加权张量Schatten P范数并作为张量秩的非凸松弛，构建一种基于低秩张量链分解的加权张量Schatten P范数与全变分图像修复模型，记为WTSTV‑TT模型；

步骤4)引入辅助变量 和 优化所述图像修复模型WTSTV‑TT；

步骤5)采用ADMM算法求解所述图像修复优化模型，获得修复后的图像。

2.如权利要求1所述的一种基于低秩张量链分解的图像修复方法，其特征在于，所述步骤2)的构建一种基于低秩张量核范数链分解的图像修复TNN‑TT模型的方法为：其中，γ是低秩范数的系数， 表示破损的图像， 表示待恢复的图像，其中I1,I2,...,IN是张量每一阶的维度， 表示实数，αi是非负权重且满足是张量 第i维度的展开矩阵，||·||*表示张量的核范数， 是表示张量链中的一个张量核，×1表示张量链核的约减乘运算，Rn表示第n个秩，特别的定义R0＝RN＝1。

3.如权利要求1所述的一种基于低秩张量链分解的图像修复方法，其特征在于，所述步骤3)构建一种基于低秩张量链分解的加权张量Schatten P范数与全变分图像修复WTSTV‑TT模型的方法为：首先，定义第i层矩阵的加权Schatten P范数：其中，r(i)是矩阵 的秩， 是矩阵 的第j个奇异值， 是空间权重矩阵，wi是权重w第i个元素；

进而得到张量 的加权Schatten P范数：其中，p(0≤p≤1)为Schatten‑p范数的参数；

进而构建一种基于低秩张量链分解的加权张量Schatten P范数与全变分图像修复WTSTV‑TT模型：其中，τ是一个非负的正则参数，λi是非负权重且满足 D(i)表示(Ii‑1)‑by‑Ii的矩阵，[D(i)]j,j＝1，[D(i)]j,j+1＝‑1，且D(i)中的其他元素为等于0。

4.如权利要求1所述的一种基于低秩张量链分解的图像修复方法，其特征在于，所述步骤4)优化所述图像修复模型WTSTV‑TT的方法为：引入辅助变量 所述图像修复模型WTSTV‑TT优化为：

5.如权利要求1所述的一种基于低秩张量链分解的图像修复方法，其特征在于，所述步骤5)采用ADMM算法求解所述图像优化修复模型的方法为：(5‑1)建立 在ADMM算法下的子问题：其中，μ1是惩罚系数，Λ是拉格朗日乘子， 是Frobenius范数；

(5‑2)建立 在ADMM算法下的子问题：其中，μ2是惩罚系数，Φ是拉格朗日乘子；

(5‑3)建立 在ADMM算法下的子问题：其中，μ3是惩罚系数，Γ是拉格朗日乘子；

(5‑4)建立 在ADMM算法下的子问题：其中，μ4是惩罚系数，Ψ是拉格朗日乘子；

(5‑5)更新拉格朗日乘子：

(5‑6)更新惩罚系数：

μ1＝κμ1,μ2＝κμ2,μ3＝κμ3,μ4＝κμ4  (11)其中，k∈[1,1.5]是个常数。