高清晰、高分辨率的高质量图像在国防安全、游戏娱乐和医疗诊断等领域有重大的应用需求。由于传感器硬件限制,电路系统中的热噪声和光照条件等无法避免的因素,造成输出是含噪的,低分辨率的低质量图像。运用图像重构技术在低质量图像基础上反演重构出高质量图像,如图像去马赛克、降噪、超分辨技术,其关键在于对图像目标先验知识和噪声干扰的建模。在本文中,从图像去马赛克和降噪联合处理和噪声抑制两方面着手,在马赛克和噪声同时去除、混合高斯脉冲噪声抑制、实拍彩色图像降噪和视频前景估计等方面进行了深入的研究并且取得不错的效果。本文的主要工作和主要创新点如下:1、提出了一种基于残差学习的马赛克和噪声同时去除方法。大多数去马赛克方法无法很好地处理图像边缘结构,造成输出图像出现锯齿和混叠等现象。虽然现有基于深度学习的方法能够较好地重构图像细节部分,但是运算复杂度过高。针对上述问题,提出了一种基于残差学习的马赛克和噪声同时去除方法。对稀疏模型驱动的去马赛克方法加以分析并受其启发,借鉴深度残差网络和聚合式残差变换的网络设计思想,设计出轻量化的密集连接网络,端到端地学习出从含噪、低分辨率空间(CFA图像)到高清晰、高分辨率空间(彩色图像)之间的映射。在图像去马赛克、马赛克和噪声同时去除两个任务上,实验结果证明了提出的网络模型需要更小的训练集和更少的运算量取得更好的视觉效果,重构性能优于对比方法。另外,将提出的轻量化网络应用到高斯白噪声抑制和图像超分辨上,均达到当前领先的重构效果。2、提出了一种基于拉普拉斯尺度混合模型的混合噪声抑制方法。由于高斯噪声和脉冲噪声具有不同的统计特性,对混合高斯脉冲噪声进行精准建模是很难的,抑制混合噪声是一个挑战的问题。传统方法首先检测出脉冲噪声的位置,然后通过图像填充技术从不完整的、含噪图像中重构出高清晰图像。但是当混合噪声很强时,准确检测脉冲噪声的位置是很难的。针对上述问题,提出了一种基于拉普拉斯尺度混合模型和非局部低秩模型的混合噪声抑制方法。分析受脉冲噪声影响的异常点的统计分布,用拉普拉斯尺度混合模型来刻画异常点的分布,能够通过最大后验估计方法从含噪图像联合估计出来分布隐藏因子参数和异常点。同时,为了进一步发掘图像块的非局部相似性,提出了用非局部低秩先验知识模型对待重构图像进行建模。最后在公共数据集上验证了拉普拉斯尺度混合模型在混合噪声抑制上性能超过对比算法。3、提出了一种基于多通道非局部低秩的实拍彩色图像降噪方法。当前绝大多数降噪方法是针对灰度图像设计的,在处理彩色图像时分别处理彩色图像的每个颜色通道,忽略了彩色图像通道间的相关性,降噪效果较差。针对上述问题,提出了一种基于多通道非局部低秩的实拍彩色图像降噪方法。考虑到实拍彩色图像不同通道间的噪声方差的差异性,引入了权重矩阵来平衡通道间保真项的差异性,充分利用彩色图像通道间的相关性。在实拍彩色图像测试集上,提出的方法取得不错的降噪效果。4、提出了一种基于结构高斯尺度混合模型的视频前景估计方法。从监控视频中提取出视频中前景部分和背景部分有重要的应用。现有方法大多是基于鲁棒主成分分析框架的,假设背景部分是静止不变的,前景部分是稀疏的,将视频分解为低秩背景部分和稀疏前景部分。但是在实际情况下很难选取l1范数正则化参数来适合不同变化尺度的目标。针对上述问题,提出了一种基于结构高斯尺度混合模型的鲁棒前景估计方法。相比于传统的l1范数,高斯尺度混合模型能够同时自适应估计出隐藏高斯尺度因子和前景目标,进而提高了前景估计的精度。考虑到前景目标的结构性,进一步提出了结构高斯尺度模型,认为通过超像素分割后的图像区域属于同质区域,服从同一个高斯尺度混合模型,前景目标内部的局部相关性被充分利用,能够进一步提高前景估计的精度。实验结果证明了提出的结构高斯尺度混合模型在速度和精度上超过绝大多数前景估计算法。