随着3D视觉技术的发展,深度图像的获取和处理已成为计算机视觉的研究热点之一。基于TOF技术的深度摄像机作为目前主流的深度信息获取方式,已被广泛应用在物流、安防监控、机器人视觉等领域。本文针对TOF摄像机获取的原始深度图像存在大量噪声且分辨率低等问题,开展基于深度学习的深度图像超分辨率重建的研究工作。主要工作内容如下:(1)阐述本文选题的研究背景、意义以及当前国内外的研究现状,讨论当前深度图像超分辨率重建任务中的迫待解决的问题与难点所在。同时分析卷积神经网络在图像处理领域的特点和优势。重点介绍TOF摄像机的测距原理和Color-Depth相机实验采集平台的系统结构,并详细说明摄像机的标定原理及立体配准的过程。(2)针对深度图像的分辨率低,且超分辨重建过程中易出现边缘模糊、伪影等重建效果差的问题,设计并实现一种基于卷积神经网络的深度图像超分辨率重建方法,将深度图像直接作为网络的初始输入,在典型卷积神经网络模型的基础上,结合跳跃连接的残差网络结构和亚像素卷积层,构成一种更深层次的端到端的网络结构。实验结果表明,该网络模型在取得较好重建效果的同时具有更快的收敛速度。(3)设计并搭建Color-Depth相机实验采集平台,在此基础上,实现一种基于彩色图像指导的深度图像重建方法。该方法在传统单通道网络的基础上,加入同场景下彩色图像的高频信息,构建一种适用于深度图像超分辨率重建的双通道网络框架。考虑到原始深度图像存在噪声和彩色图像不一致结构干扰的问题,采用边缘结构信息引导滤波的方法。在公开测试集和Color-Depth数据集上的实验结果表明,该方法在较好地保持深度图像的边缘结构的同时,获得良好的去噪效果。