与传统彩色图像相比,手部深度图像受光照和背景影响更小,因此在手语识别、手势识别等领域有着重要的应用。由于光照、遮挡、手部变化等因素影响,传统深度图像设备(如Kinect、ToF相机)采集的手部深度数据分辨率通常较低,并包含许多噪声和奇异像素。因此,手部深度图像的去噪和超分辨率重建对手语识别、人机交互等领域具有重要意义。传统的深度图像去噪及超分辨率方法主要包括基于滤波的方法、基于重构模型的方法和基于稀疏表示的方法。基于滤波的方法主要根据图像的邻域信息对图像进行自适应平滑滤波,该方法因邻域范围太大而存在手部图像轮廓模糊的问题。基于重构模型的方法根据训练数据来建立模型进行图像重构,该方法主要适用处理手部深度视频,却不适合处理单帧手部深度图像。基于稀疏表示的方法本质上是通过训练数据获取一组原始图像的冗余基(即字典),然后输入图像在字典上进行稀疏表示得到原始图像或高分辨率图像。在基于稀疏表示的方法中,字典训练是图像处理结果优劣的关键因素。对于Kinect和ToF相机等设备获取的手部深度图像,通常具有噪声大和分辨率低的特点,使用传统基于稀疏表示的方法进行处理时效果较差。因此,本文提出了一种联合双边滤波与鲁棒字典学习的手部深度图像去噪和超分辨率重建方法。论文的研究内容包括以下两个方面。第一,提出基于RGB-D联合约束的双边滤波与鲁棒字典学习的手部深度图像去噪方法。针对手部深度图像噪声较多、空洞区域较大的问题,本文提出基于色度、深度联合约束的双边滤波的方法对深度图像进行预处理。在此基础上,本文提出了改进的正交匹配追踪算法以训练鲁棒字典对深度图像继续进行去噪。实验结果表明,在联合双边滤波后与鲁棒字典学习的方法有效地实现了手部深度图像去噪,其主观质量优于基于联合双边滤波器或基于传统字典稀疏表示的方法。第二,提出了基于鲁棒字典学习的手部深度图像超分辨率方法。针对低分辨率手部深度图存在影响基于字典学习的超分辨率重建质量的不可靠信息。本文提出了基于改进正交匹配算法的鲁棒字典训练方法,通过鲁棒字典削弱手部深度图像中的不可靠信息的影响。实验表明,该方法在对Kinect获取的手部深度图像的超分辨率重建上具有良好的主观质量,重建结果优于基于传统成对字典稀疏表示的方法。