近些年来,随着深度相机的技术越来越成熟,深度图像在生产实践中得到了广泛的应用。由于深度图像中每一个像素点不仅有颜色值,还有相应的深度值,这为以前在计算机视觉和图像处理等领域难以解决的问题提供了一种新的思路和角度,给这些研究领域带来了革命性的变化。但是,由Kinect等深度相机产生的深度图像存在着一些缺陷。这些深度图像上的某些区域存在信息缺失,并伴有大量的噪声。对这些深度图像进行预处理,得到一幅质量较高的深度图像,可以为后期更好的处理提供良好的基础。本文首先总结了目前常见的两种深度图像增强算法,一种是基于滤波的方法,另一种是基于能量函数的方法,并比较了它们之间的优缺点。在此基础上,本文引入了平面约束的先验知识。因为目前深度图像应用的场景大多是室内场景,其中存在着大量的墙面、地面和桌面等平面构成的物体。在将平面约束的先验知识融入到现有的算法框架中时,本文提出了两种不同的模型,分别如下：第一个模型是带有平面线约束的深度图像增强模型。该模型假设每一个中心像素点的深度值尽可能接近其邻域中不同直线上的深度平均值。将平面线约束项加入模型后,得到了一个二次的能量函数,有唯一的闭合解,可以通过求解一个稀疏的线性方程组得到结果。实验结果表明,平面线约束模型的效果比已存在的两种常见的深度图像增强算法有了一定的提高。第二个模型是带有平面拟合约束的深度图像增强模型。该模型假设每一个像素点邻域中的深度值应该尽可能接近某一个最佳的平面。这个最佳的平面是通过拟合邻域中所有像素点的深度值得到的。该模型的能量函数中有两种不同类型的未知变量,没有精确解,只能通过变量交替迭代的算法去求解。本文将最小化平面拟合约束模型的能量函数,分解为两个容易求解的子问题,交替求解这两个子问题,就可以得到该模型的近似解。实验结果表明,无论是在客观的数值比较上,还是主观的视觉比较上,平面拟合约束模型的实验结果比以前的算法有了明显的提高,达到了令人满意的效果。最后,本文总结了这两个带有平面约束先验的模型,并指出了未来可以进一步研究的可能方向。