随着媒体技术和信息网络的发展,数字电视视系统和显示设备对图像信号的质量要求越来越高。海量的原始数据经压缩后能够方便的用于传输和存储,然而高压缩率不可避免地造成信息损失。低码率下的解码图像会产生严重的模糊和块效应,大大降低了图像质量。压缩图像后处理是一项针对压缩后严重失真的图像,去除压缩产生的人工痕迹的关键技术。在图像成像方面,随着传感系统的发展,近红外光谱图像得到广泛的应用。在诸多应用场景下,例如夜景拍照和安全监控等,低光照条件下的多光谱图像融合成为可行的解决方案。低光照下的可见光拍照设备受噪声干扰,同一场景下的近红外图像能够提供不同光谱图像的细节。为了得到高质量的融合结果,研究人员已经开展了诸多多光谱图像图像融合算法的研究。当黑暗得环境中普通相机无法获取信息,只有单通道的近红外图像辅助视觉时,为近红外图像上色能够更符合人眼的视觉感知。近红外图像上色技术能够更好地辅助场景理解和信息分析。随着计算机科学飞速发展,深度学习在图像处理领域展现出强大的能力。本文基于相关的工作,针对压缩图像去块效应和近红外与可见光图像融合及近红外图像上色技术技术进行了研究。本文的主要工作在以下几个方面:1.提出了梯度引导的压缩图像去方块算法。基于块的独立编码导致压缩图像的块效应,由于没有考虑编码块间的相关性,图像在块边缘的梯度产生明显的变化。先前的工作致力于恢复网络的构建而没有考虑了压缩图像的先验信息。我们在图像恢复过程中同时恢复图像梯度。图像和梯度的恢复由两个协作的子网络完成。在梯度恢复中生成的特征在图像恢复子网络中融合以引导压缩图像的恢复。通过梯度子网络特征引导,图像恢子网络去除了压缩图像中的模糊和块效应并产生良好的细节信息。2.提出了基于卷积神经网络的近红外图像和可见光图像的融合算法。不同于传统图像融合算法,我们将卷积神经网络成功应用于近红外图像和可见光图像的融合。受限于不同光照场景数据集的拍摄难度,我们用正常光照条件的数据集下合成了可用的训练集。我们构建了一个两级网络分别用于去噪和融合,并采用多级聚合结构以融合多尺度信息。为了使融合结果保留可见光图像的原始颜色和近红外图像丰富的细节,我们提出两种损失函数:感知损失函数和多光谱损失函数。通过两个损失函数项的最佳权重,融合结果消除了低光照产生的噪声,并正确保留原始图像颜色,同时包含丰富的纹理信息。3.提出基于卷积神经网络的近红外图像上色算法。近红外图像上色是一个具有挑战性的问题,尽管与传统灰度图上色方法有相似之处,但是近红外上色技术需要克服多光谱图像与单通道亮度图像的结构差异性,恢复出三通道的彩色图片。我们采用能够有效利用多尺度信息的网络模型作为基本卷积单元,成功恢复出近红外图像的颜色。我们提出了使用结构相似性作为损失函数,为了进一步优化上色结果,我们在梯度阈对输出约束以去除平坦区域的嘈杂纹理。实验结果表明,我们的网络结构有良好的性能表现,提出的损失函数能够很好地应用于近红外图像的上色问题。