近年来,随着机器学习浪潮的出现,基于机器学习的目标识别算法也得以蓬勃发展。目标识别算法当中,数据集与算法是两大关键因素。合适的数据集和良好的目标识别算法能够极大的提高目标识别的速度以及准确率。现阶段使用的数据集,都是基于数码相机生成的sRGB图像。图像经过图像信号处理器（Image Signal Processor,ISP）流程从原始图像转换成sRGB图像。但ISP流程各步骤对于目标识别准确率的影响不尽相同。为了明确ISP流程具体哪些步骤对于目标识别准确率影响较大,我们需要从原始图像出发,重新配置ISP各步骤进行实验。因此,提出一种能够将s RGB图像转换为原始图像的相关算法显得尤其重要。当前,关于如何将sRGB图像恢复成原始图像的研究方向可以分为传统的相机模型方法和基于机器学习的方法两大类。本文基于传统的相机模型方法,通过逆转图像信号处理器的各个步骤,来最终实现逆转整个ISP流程,将图像从sRGB图像恢复成原始图像。本文提出的InvISP（Invert Image Signal Processor,InvISP）模型,相较于传统的相机模型,根据图像传感器滤色器阵列的基本原理而产生的带有马赛克的原始图像,加入了逆向马赛克这一步骤。使得InvISP模型产生的原始图像能够恢复出马赛克信息。图像处理由于其运算复杂度大,往往需要耗费大量的计算时间。因此,为了加速图像处理,本文提出基于OpenMP的并行优化算法。能够节省计算时间,加快图像处理的过程。实验结果表明,相较于以往的基于相机模型的算法,InvISP模型可以在保证原始图像恢复的基础上,恢复出原始图像的马赛克信息,恢复出的原始图像峰值信噪比（Peak Signal-to-Noise Ratio,PSNR）可以达到28.75dB,结构相似性（Structural Similarity,SSIM）能够达到0.86。本文利用OpenMP加速了图像处理的过程。2线程的情况下加速比能够达到1.6,4线程的情况下加速比能够达到2.1。通过本文所提出来的InvISP模型,可以有效的保障图像恢复的质量,加快图像的处理。