目前大多数数码相机都只采用单传感器相机系统来捕捉图像,以达到减小体积和成本的目的,但是单传感器相机系统只能获得每一个像素点中的某一个色彩分量。为了获得人眼能够接受的彩色图像,必须利用相应的方法恢复丢失的色彩信息,这类方法被称为CFA插值,也被称为CFA图像去马赛克。另外,由于电磁效应和热效应的影响,CFA图像的获取过程中通常会引入一定量的噪声,因此,去马赛克去噪是数码相机获得高质量彩色图像的重要环节。研究更为高效的去马赛克去噪方法不仅能够进一步满足视觉需求,而且能够为后续高级图像处理任务奠定良好基础。传统的联合去马赛克去噪方法主要是利用CFA图像的退化模型和某种先验信息得出彩色图像的估计值,但这类方法对图像中纹理较多的区域处理效果并不好,主要表现为虚假色、锯齿效应、伪影等。近几年提出的基于深度学习的联合去马赛克去噪方法解决了传统方法中先验信息的引入难题,较大程度的改善了彩色图像的质量,但是深度学习中的浅层卷积神经网络仍然不能充分挖掘图像中的细节信息,进而不能重构出更高质量的彩色图像。本文在上述研究的基础上,针对基于深度学习的CFA图像联合去马赛克去噪问题展开研究,主要工作和贡献点如下:1.提出了一种基于深度卷积网络的CFA图像联合去马赛克去噪方法。由于浅层卷积神经网络不能挖掘图像中更加深层的信息,本文设计了一个新颖的深层卷积神经网络,然后利用该网络和大量训练样本拟合含噪的CFA图像和清晰的彩色图像之间的非线性映射关系,并以这种关系为指导进行联合去马赛克去噪。具体是利用一系列卷积层提取CFA图像中所包含的空间相关性和通道间相关性信息,然后利用亚像素卷积层和一个卷积层恢复最终的彩色图像。实验结果显示,该方法能够获得更好的去马赛克去噪结果。2.提出了一种基于生成对抗网络的CFA图像联合去马赛克去噪方法。现有许多去马赛克去噪方法(包括贡献点1中提出的方法)重构出的彩色图像均丢失了较多的纹理信息,图像整体趋于平滑。针对这一问题,本文提出了一种基于生成对抗网络的联合去马赛克去噪方法,该方法是在贡献点1中网络模型的基础上增加了另一个卷积神经网络,利用该网络矫正贡献点1中网络所学习到的映射关系,使贡献点1中网络的输出尽可能以概率1接近真实的彩色图像。实验结果表明,该方法能够获得纹理丰富、视觉效果良好的彩色图像。