消费级数码相机大都使用单个表面覆盖彩色滤波阵列的CCD芯片来获得彩色图像。原始图像在每个像素点处都只有红色、绿色、蓝色三基色中的一种颜色像素值。为得到完整的彩色图像,将缺失的像素填补修复的过程称为去马赛克(demosaicking)。它是消费级数码相机的核心操作,是实现图像增强、图像分割以及图像识别等后续数字图像处理任务的重要前提。针对传统插值法存在的图像细节不能很好恢复的不足,研究去马赛克算法具有重要的应用价值。本文在典型的去马赛克算法基础上,针对Bayer模式马赛克图像,结合当今卷积神经网络的趋势,提出了彩色图像去马赛克恢复与质量提升算法。算法主要分为初始去马赛克和细节恢复后处理两部分。本文的主要工作包括:1、提出基于梯度的残差插值法。针对通道信息利用不充分,该算法利用图像间的局部相关性和引导滤波的特点重构绿色通道,主要对水平和垂直两个方向的梯度进行处理,使之重构高质量的绿色通道。利用重构好的绿色通道更清晰完整的特点去对缺失像素的红色和蓝色通道进行结构细化,并利用残差插值以及能获得更多局部信息的双三次插值生成相应的红色和蓝色通道像素值,将重建好的三通道像素值融合恢复出彩色图像。此算法较好利用通道间的信息,通过实验发现该方法重建的图像较传统方法具有一定提升。2、提出基于卷积神经网络的提升算法。针对恢复图像中包含了彩色伪影,细节丢失等问题,该算法将初步重建图像重构出的错误像素值优化问题等效为去噪问题,利用卷积神经网络在去噪方面的优势对残差插值法重构图像进行优化处理。通过训练的卷积神经网络得到的是残差图像,即带有误差的重构图像与理想彩色图像间的差异。将训练出的残差图像与有误差的重构图像结合得到提升图像。又因为原始马赛克图像中记录的数据在每个像素值处是准确的,而提升图像与原始数据不能完全相同,则用原始的数据对优化处理后的图像再次修正。该算法将插值法与卷积神经网络充分结合,通过最后的实验结果表明该算法优化作用效果好,在图像质量和细节方面得到明显的提升。