随着数字化多媒体技术的迅速发展,人们对各种数字图像的需求日益增长。由于图像具有信息量巨大的特点,因此在传输、存储前需要对其进行数据压缩。在目前主流的视频和图像编码标准中广泛使用以去除图像中的冗余信息为目的的块级离散余弦变换压缩编码技术。然而为了达到高压缩率,离散余弦变换和随后的量化过程会导致原始信息过多的损失,从而引起相邻图像块亮度不一致的问题,人们称之为块效应;另外,由于量化会导致图像中高频信息的丢失,从而会在图像内容的边缘处产生振铃效应。这样,无论是图像的主观质量,或是客观质量都受到较大的损失,很难满足人眼对图像质量的要求,所以,人们迫切需要一些高效的针对压缩图像的后处理方法。本文以提高数字图像的主观视觉质量为目的,对去块效应算法进行了较深入的研究。提出了两种基于学习的压缩图像后处理算法,有效地去除了块效应、较好地提高图像了的主观视觉质量。(一)基于专家场的压缩图像恢复:该方法将目前很流行的稀疏编码概念同马尔科夫随机场结合起来。一方面,从一组自然图像中学习图像的先验知识,并将其表示成基于专家场模型的高阶马尔科夫随机场的形式;另一方面,根据压缩图像量化噪声的特点,用加性高斯噪声模型表示这一降质过程。最后,采用最大后验概率估计的方法经过多次迭代得到恢复后的图像。(二)基于K-SVD的压缩图像恢复:这一方法基于一种新颖的自适应的字典学习算法——K奇异值分解方法,用学习得到的图像块的稀疏编码表示样例图像块。在图像恢复时,要将对小图像块的稀疏表示推广到一幅完整图像上,建立合适的目标函数,采用适当的更新策略,经过多次迭代最终可以得到满足人类视觉的高质量的恢复图像。