随着智能电子产品的普及,视频成为了人们获得信息的重要方式且视频图像的质量将直接影响用户的体验。视频预处理算法能够对采集到的视频图像进行恢复和提升,为用户获得高质量的视频画面提供可靠的保障。本论文是面向视障人群的智能视觉辅助技术研究。对视频进行抓拍,首先使用超分辨率图像重建算法对抓拍到的图像进行放大,接着通过图像去噪算法对放大后的图像画质进一步提升,最后采用图像翘曲矫正算法对去噪后的图像进行矫正,从而为后续的文字识别系统提供高质、可靠的保障。同时,由于深度学习在计算机视觉领域获得了较大的成功,因此本论文主要基于深度学习并对视频预处理算法中的超分辨率图像重算法、图像去噪算法以及图像翘曲矫正算法进行研究和优化实现。主要工作内容如下:(1)超分辨率图像重建算法研究。提出了一种拉普拉斯金字塔结构的团网络超分辨率图像重建算法。该算法采用拉普拉斯金字塔结构,通过特征提取和图像重建,渐进的重建高分辨率图像。使用改进的集团块作为网络的构建模块,其卷积层间既有前向连接又有反馈连接,层间信息交替更新,以便信息流和反馈机制可以最大化,层间的连接更加密集。同时将残差学习应用到网络中,减少网络参数,避免梯度爆炸。(2)图像去噪算法研究。设计了一种基于OCTNet的快速图像去噪算法。该算法使用Oct Conv卷积结构作为网络基本构建模块的一部分。该构建模块将输入分解为对应的高低频特征图,卷积层间采用频内特征与频间特征进行信息更新,从而有效地减少网络计算资源的消耗。再分别经过批量标准化与激活函数后获取构建模块的输出。同时,将残差学习引入网络,通过残差学习来训练残差映射,残差学习与批量标准化结合使用,不仅可以加速网络在训练过程中的收敛速度,同时可以避免梯度消失和梯度爆炸带来的问题。(3)图像翘曲矫正算法研究。针对现有的图像翘曲矫正算法进行研究并优化。该算法网络结构由形状网络和纹理映射网络组成,形状网络对翘曲图像进行3D重建,纹理映射网络对3D模型到2D平面进行映射,从而完成对翘曲图像的矫正。本论文设计了使用U-Net++网络结构对形状网络进行优化,该网络结构可以通过特征叠加的方式对不同频率的特征进行整合,从而充分利用不同深度的有效特征,以提升网络的整体性能。同时,实现了使用剪枝对网络进行优化,以减少网络参数。