1.一种基于重启策略与近似交替惩罚算法的图像补全方法，其特征在于，所述基于重启策略与近似交替惩罚算法的图像补全方法，包括：步骤1、获取待补全的自然图像数据 输入低秩全变分修复模型，其中m、n分别表示自然图像的宽度、高度，3表示自然图像数据的RGB三个通道；

步骤2、利用近似交替惩罚算法迭代求解所述低秩全变分修复模型，并在迭代次数达到N的倍数时利用重启策略重置近似交替惩罚算法中的变量，直至迭代次数达到预设的最大迭代次数；

步骤3、输出求解得到的补全后的自然图像数据；

其中，所述低秩全变分修复模型，包括：针对自然图像补全修复的低秩全变分修复模型定义如下：式中， 为张量，表示输入的待补全的自然图像数据， 为张量，表示输出的补全后的自然图像数据， 表示张量 的低秩项，其定义为并且Y(k)表示张量 的第k维的m×n矩阵，λk表示张量的第k维的m×n矩阵的核范数的权重系数， 表示张量 的全变分正则项，其定义为wk表示张量 的第k维的m×n矩阵的全变分正则项的权重系数，并且||Y(k)||tv的定义如下：

式中yi,j表示矩阵Y(k)第i行、第j列所对应的元素；

||·||F为Frobenius范数，其定义为 Qi,j为矩阵Q第i行、第j列所对m×n×3

应的元素值， θ∈{0,1} 为一个索引矩阵，索引矩阵θ中的0表示输入的自然图像数据 中的丢失元素，1表示输入的自然图像数据 中的可观测元素，Ω为支持集Ω，表示未丢失的元素集，α和β分别表示低秩项与全变分正则项的参数，δ的值根据输入的待补全的自然图像数据 中元素丢失率而定，所述丢失率 符号:＝表示定义为。

2.如权利要求1所述的基于重启策略与近似交替惩罚算法的图像补全方法，其特征在于，所述步骤2利用近似交替惩罚算法迭代求解所述低秩全变分修复模型，并在迭代次数达到N的倍数时利用重启策略重置近似交替惩罚算法中的变量，直至迭代次数达到预设的最大迭代次数，包括：步骤2.1、根据近似交替惩罚算法的求解规则，将所述低秩全变分修复模型转化为如下形式，以转化后的形式作为目标函数：s.t.X＝Y

式中，X和Y分别表示张量 和张量 的矩阵形式；

步骤2.2、令g(Y)表示 f(X)表示 表示步骤2.3、初始化 α，β，ρ0，向量w，向量λ，迭代次数iter＝0，λk和wk表示向量λ和w的第k个元素；

步骤2.4、计算

步骤2.5、计算

步骤2.6、更新

步骤2.7、更新ρiter+1；

步骤28、判断迭代次数iter是否为N的整数倍，若是则利用重启策略重置近似交替惩罚算法中的变量，重置的变量为ρiter＝ρ0， 否则执行步骤2.9；

步骤2.9、判断迭代次数iter是否达到预设的最大迭代次数，若是则结束迭代，将最新的 作为求解得到的补全后的自然图像数据；否则返回步骤2.4继续迭代。

3.如权利要求2所述的基于重启策略与近似交替惩罚算法的图像补全方法，其特征在于，所述步骤2.4计算 包括：式中， ρite r为惩罚 参数，并 且为目标函数的约束项，projκ(·)表示凸集上的投影算子，prox表示目标函数的近似算子，其定义如下：根据近似算子的定义，可将 改写为：式中f表示f(X)，引入引理1来求解引理1：令 是一个给定矩阵，则对秩为r的矩阵W的奇异值分解定义如下：T

W＝UErV ,Er＝diag({σi}1≤i≤r)式中，diag({σi}1≤i≤r)表示对角矩阵，其i行对应的对角元素为σi，并且σi是矩阵W的第iT个奇异值，U为左奇异矩阵，V为右奇异矩阵；

并且奇异值收缩运算符将服从以下公式：因此根据奇异值收缩运算符将矩阵W和对角矩阵Er表示为：T

Jξ(W)＝UJξ(W)V，Jξ(Er)＝diag{max((σi‑ξ),0)}ξ为输入的阈值，通过引理1，可以得到式 的解为：式中，k取值为1或2或3。

4.如权利要求3所述的基于重启策略与近似交替惩罚算法的图像补全方法，其特征在于，所述步骤2.5计算 包括：式中，g表示g(Y)， 表示对函数 中变量求梯度，且

利用快速梯度下降法求解 k取值为1或2或3。

5.如权利要求2所述的基于重启策略与近似交替惩罚算法的图像补全方法，其特征在于，所述步骤2.6更新 包括：所述步骤2.7更新ρiter+1，包括：ρiter+1:＝(iter+2)ρ0式中，iter为迭代次数。