现有的内窥镜图像高光移除算法往往存在移除结构不合理、颜色失真等情况，而这会导致病灶识别算法和图像增强算法产生错误的结果。为了解决以上问题，在高光定位方面，提出了一种基于暗区域内生长和Scharr 滤波结合的相对高光定位方法；在高光填充方面，提出了一种改进的Crinminisi算法。首先，通过统计大量数据，限定搜索范围，从而提高填充效率；其次，改进优先权统计范围，以避免重复的无意义的计算；最后，针对不同区域的自适应模板，合理重建纹理。在选取不同人体组织的内窥镜图像数据集上进行实验，相较于基于双色反射模型的方法、自适应鲁棒主成分分析（RPCA）方法、基于热扩散的方法和原始Criminisi算法，所提算法的自然图像质量评估（NIQE）值均为最小；相较于RPCA方法、基于热扩散的方法和原始Crimnisi算法，所提算法的运行时间也均为最少。实验结果表明，所提算法不仅比其他算法具有更好的客观图像指标，而且相较于原始Criminisi算法在效率上有近百倍的提升。
