近年来,多媒体应用与社交网络快速发展,互联网上的多媒体数据呈指数级爆炸式增长。海量的数据给多媒体图像处理及计算机视觉领域带来了新的机遇与挑战。如何有效地组织利用云媒体中的数据来驱动图像的各种高性能处理与应用已成为学术界的一个研究热点。为了挖掘云媒体中大规模图像库对底层图像处理问题的潜在助益,本文以云环境下图像相关性探索为切入点,提出融合全局几何对齐与局部图像块配准的相关性建模框架,给出处理图像包含噪声以及欠采样率等降质因素情况下云媒体相关内容匹配方案。在该框架下,探索图像压缩、超分辨率、去噪等一系列经典图像处理问题,在性能上获得显著提升,为云媒体时代的视觉计算提供新思路与新途径。本文的工作成果和创新点如下:1.提出面向云媒体的图像编码新框架。摒弃传统逐像素压缩框架,将图像描述为高倍下采样得到的缩略图像及局部特征描述子。在编码端压缩高维特征向量时,通过利用其与缩略图像的相关性,设计基于特征预测的编码模式,极大提升压缩性能。在解码端利用基于局部特征的图像检索、图像区域匹配及区域拼接技术,实现高分辨率图像的即时重构。实验表明,所提方案在千倍压缩比率下依然能够重建高视觉质量图像。2.提出面向云媒体的图像超分辨率方法。在云媒体环境图像相关性建模框架下,对低分辨率图像从云媒体中自动获取与其高度相关的高分辨率图像集。设计高层次几何校正与低层次非局部图像块匹配相结合的块匹配方法,提出根据图像几何校正的精度自适应改变块大小。实验表明,所提方案优于目前最好的四种超分辨率方法。3.提出面向云媒体的图像去噪新方法。提出基于图割的块匹配方法以解决图像受噪带来的配准困难,设计面向图内相关性以及图外相关性的两级混合滤波方案,以第一级滤波结果为基础,从图像校正、图像块匹配、滤波参数估计三个方面提升第二级滤波器的去噪效果。实验表明,所提方案与目前最好的去噪方案BM3D相比获得2 d B增益。