针对常见去噪方法容易造成特定区域过度平滑、奇异结构残余噪声以及产生阶梯效应和对比度损失等问题，提出一种自适应非局部数据保真项和双边总变分的图像去噪模型，建立了自适应非局部正则化能量泛函和相应的变分框架。首先，对噪声图像利用自适应权值的非局部均值求得数据拟合项；其次，引入双边总变分正则化项，利用正则化系数来适度平衡数据拟合项和正则化项的影响；最后，通过能量函数最小化对不同的噪声统计快速求得最优解，从而达到降低残余噪声并纠正过度平滑的目的。通过理论分析和针对模拟噪声图像与真实噪声图像的实验结果表明，所提出的图像去噪模型能够较好地处理具有不同统计特性的图像噪声，与自适应非局部均值滤波去噪相比，所提算法的峰值信噪比（PSNR）值最多可以得到0.6 dB的改善；与全变分正则化图像去噪算法比较，所提算法的主观视觉效果明显更好，在去噪的同时图像纹理和边缘等细节信息保护得更好，PSNR值最多可以提高10 dB，而多尺度结构相似性度（MS-SSIM）指标可以提升0.3。因此，所提出的图像去噪模型可以在理论上更好地探讨如何合理处理噪声和图像内容本身的高频细节信息，在视频和图像分辨率提升等领域也具有良好的实际应用价值。

任何视频摄像设备均具有一定的时间分辨率限制,时间分辨率不足会造成视频中存在运动模糊和运动混叠现象。针对这一问题常用的解决方法是空间去模糊和时间插值,然而这些方法无法从根本上解决问题。提出一种基于最大后验概率(MAP)的单视频时间超分辨率重建方法,该方法通过重建约束来确定条件概率模型,然后利用视频自身具有的时间自相似先验信息得到先验信息模型,最后求得基于最大后验概率的估计值,即通过对单个低时间分辨率视频重建来得到高时间分辨率视频,从而有效解决由于相机曝光时间过长所造成的“运动模糊”和相机帧率不足引起的“运动混叠”现象。通过理论分析与实验,证明了所提方法的有效性。

目前大部分无参考型的图像质量评价方法都是基于图像的几何特征进行描述的,但是这种方法对于图像的边界要求较为严格,并且在实际应用中的图像的失真类型是未知的。针对这一缺点,提出一种基于梯度相关性分解的无参考图像质量评价(DGS)方法,该方法提取图像的梯度,对其进行奇异值分解作为图像的主要结构信息,以此对图像的质量进行评价。实验结果表明,DGS模型比通用的简单有效的峰值信噪比(或均方误差)模型更符合人眼视觉系统特性,能在无参考的情况下更好地评价图像质量,并与图像的主观评价值达到更准确的一致性。

现有的大多数图像方向估计算法都对噪声非常敏感。因此，提出了一种基于主成分分析（PCA）和多尺度梯度金字塔分解的图像局部方向估计算法,其中主成分分析用于找到局部方向的最大似然（ML）估计。所提出的算法对于噪声图像非常鲁棒。在实验中，通过对模拟图像的和真实图像的方向估计，该算法都可以得到较好的估计效果,对噪声的鲁棒性较强，并且计算速度非常快。