出于对设计成本和经济成本的考虑,大多数现代彩色数码相机都配备了一个单一的传感器来获取图像。单传感器获取的Bayer图像每个像素处只有红绿蓝三种颜色的一种。要得到一副完整的彩色图像,需要估计每个像素处缺失的颜色分量值。上述过程通常被称为Bayer图像去马赛克。去马赛克算法的结果直接关系到彩色数码相机获取彩色图像的质量好坏,同时也是物体检测、图像识别等高级图像处理技术的前提,所以研究高效的去马赛克算法,仍具有重要的实用价值。本文针对当前去马赛克算法在时间和精度方面存在的不足,提出了两种去马赛克算法。1.针对时间严苛的场景,提出了一种新的融合梯度权值的高质量低成本去马赛克算法。随着近些年中央处理器(CPU)和图形处理器(GPU)等设备运算能力的提升,经典的应用广泛的低成本去马赛克算法生成的图像质量渐渐不能满足人们视觉需要。Malvar等人的经典的高质量线性插值算法(High Quality Linear Interpolation,HQLI)是实际应用中使用最广泛的一种,被广泛应用在时间严苛的场景或者作为复杂去马赛克算法的初始化输入,但该算法在边缘处容易出现伪影,视觉效果不尽人意。在深入研究HQLI算法的优点和缺点后,我们设计出一种新的融合边缘梯度权值的高质量低成本去马赛克算法。该算法采用改进的块梯度计算方式,并将梯度经过逻辑函数非线性映射为方向权重,从而获得更加准确的权重。在计算方向候选插值时采用了更大的邻域范围,从而获得了更准确的候选插值。最后将方权重与方向候选插值进行自适应融合重建出高质量的去马赛克图像。并且与大多数需要先插值绿色通道再插值红色和蓝色通道的两次插值算法相比,我们的算法对Bayer图像中所有缺失的颜色分量可以在一次插值过程中全部获得。在标准数据集Kodak和McM上测试,我们算法的各项指标相对HQLI算法均有很大的提升。和最近提出的高质量低成本算法LED相比,我们的算法在耗时更少的前提下获得更高的PSNR,拥有更高的图像质量。2.针对精度优先的场景,提出了基于残差学习的卷积神经网络的去马赛克图像质量提升算法。虽然我们提出的高质量低成本的方法在效率较高和性能优越的情况下完成了去马赛克任务,但它仍然存在影响视觉的伪影。在精度优先于速度的应用场景中,更高质量的图像仍是我们的首要目标。因此我们将提出的高质量低成本算法的结果作为卷积神经网络的输入,通过训练卷积神经网络来校正颜色值并减少伪影,进而提高去马赛克图像的质量。我们提出了基于残差学习的卷积神经网络的重建图像质量两阶段提升算法。第一阶段的目标是用卷积神经网络恢复提升绿色通道的质量,第二阶段使用得到的绿色通道来指导提升红蓝颜色通道的质量。受Niu和Ouyang提出的通道差还原卷积网络模型启发,我们将红色和蓝色通道的重建转移到绿红和绿蓝色差平面,并将色差平面用卷积神经网络进行优化,从而重建出高质量的彩色图像。最后在标准数据集Kodak和McM上进行了验证性实验。与当前的几种算法进行主观和客观对比结果表明,本章算法重建的图像减少了伪影,质量有了很大的提升。