随着高质量图像在工业生产和日常生活中的应用越来越广泛,图像恢复技术受到越来越多的关注。对成像系统硬件的改进受到工艺和成本的限制而不能得到广泛的应用,图像恢复技术可以在不改变原有成像系统的情况下,用已经获得的低质量图像结合图像恢复算法重建出高质量的图像。其中,图像的稀疏恢复技术可以通过基于样本的字典重建出有效的高频信息,从而重建出超出截止频率的信息,获得更加清晰的图像。在图像稀疏恢复算法中,离线字典的训练和输入图像块的稀疏编码中都需要提取图像的底层视觉特征作为训练样本,具有代表性的图像特征向量可以训练出更具代表性的字典原子,在图像恢复中获得更好的效果。本文通过分析在图像稀疏恢复中图像特征表示的特点,结合现有的特征表示方法的应用,利用一种新的特征表示算子,提高了图像稀疏恢复的准确度。本文的主要内容表示如下:首先,针对图像稀疏恢复任务分析了图像稀疏表示中所需要图像特征的特点。图像稀疏恢复主要是针对在图像获取过程中丢失高频信息的恢复,所以在提取图像特征的时候,能够代表高频信息的边缘和纹理信息更具有代表性。对于图像边缘特征的提取详细介绍了用于图像恢复的一二阶微分算子和针对纹理特征提取的小波变换,以及能够训练出针对特定任务算子的卷积神经网络。其次,针对图像稀疏恢复详细介绍了稀疏表示的基础。图像稀疏恢复是基于图像块稀疏表示的算法,图像块在合适的过完备字典下可以用字典中少量的原子线性表示。然后,详细介绍了基于图像块的图像稀疏恢复算法。在压缩感知理论启发下,高质量图像块的稀疏编码可以从其对应的降采样图像块中恢复出来。根据输入的低质量图像,结合联合训练得到的字典对,可以重建其对应的高质量图像。在图像恢复中,图像特征经常被作为图像恢复的先验知识使用。本文中首先介绍了使用图像离散梯度幅值作为正则项的全差分图像恢复。然后介绍了使用图像一二阶梯度算子提取图像特征来训练字典的图像稀疏恢复算法。对两类算法分别进行了仿真,比较了图像恢复的视觉效果和客观评价结果。同时,介绍了使用小波变换的图像恢复算法。在插值算法中使用小波变换,恢复图像在边缘细节上更加清晰。在图像稀疏恢复中利用小波变换提取水平,垂直和对角线的小波子带图作为训练样本联合训练字典,使用双稀疏字典的重建图像清晰,视觉效果好。最后,针对已有图像特征表示方法的特点,选择新的特征表示算子用于图像稀疏恢复。样本依赖特征表示算子通过卷积神经网络训练得到,介绍了网络的基本结构和训练学习过程。在卷积神经网络的第一隐藏层中通过卷积核(特征表示算子)提取输入图像的底层表示特征,主要是边缘和纹理特征,可以用于图像稀疏恢复过程。在实验结果中,从客观和主观方面比较使用新的特征表示算子与使用其它算子的图像恢复效果。