增强图像质量一直是图像处理领域研究的热点问题,比如去除图像中的噪声、对图像中某些部分进行增强或者抑制、或者改变图像的亮度等,从而提高图像的质量。随着深度学习方法在图像处理中的广泛应用,卷积神经网络为图像恢复和重建提供了新的研究思路,流行的卷积神经网络与传统图像处理应用算法的结合给研究带来了更多的创新和应用研究方向。本文主要围绕基于卷积神经网络的图像去噪和超分辨率重建任务进行展开,研究包括:(1)提出了基于残差单元和小波变换的图像去噪对称模型。该模型是基于残差学习算法和多级小波变换设计的对称结构模型,结合了卷积神经网络强大的表征能力和小波分解算法的优点,在自定义残差单元使用预激活层和优化了深层网络的复杂冗余结构,防止了模型的梯度消失问题和避免使用下采样导致图像特征细节丢失。此外,该方法采用两个大小不同训练样本进行网络训练,证明了该网络使用较大训练数据样本可以有效地提升模型性能。该方法在一定程度上提升了网络模型在高斯噪声环境下的去噪性能,获得更高的图像恢复质量评估值和更好的视觉效果。(2)提出了融合不同颜色空间的深度学习彩色图像超分辨率重建模型。基于不同色彩空间的一幅图像从图像处理角度而言表示不同类型计算数据的思想,本方法引入不同格式颜色空间图像数据进行模型训练,可以为模型提供丰富的图像特征信息。该网络从模型结构上分为RGB和XYZ分支网络,该方法模型中嵌入自定义的残差块结构和小波分解算法。在模型训练中把XYZ分支提取的图像特征映射到RGB分支模型进行特征融合,在最后部署逆小波变换以重建高分辨率特征图。在实验中,与其他图像超分辨率重建方法比较,该方法融合不同颜色空间信息在超分辨率重建任务中获得更好的图像恢复效果。综上所述,本文主要围绕卷积神经网络、小波变换分解和图像颜色空间特点在自然图像恢复任务中展开应用研究,实验证明了提出的方法在图像去噪和超分辨率重建上表现了更好的效果。