由于成本和物理结构复杂的的限制,大部分成像设备使用单片CCD作为接收图像的传感器,并在其表面覆盖一层彩色滤波阵列。该阵列只测量RGB三基色中的一种颜色分量。为了估计另外两种缺失的颜色分量,得到全彩图像,必须进行插值,这个过程就叫做去马赛克或CFA插值。CFA插值是图像识别、图像分割等后续处理的前提,因此研究有效的CFA插值算法具有重要的应用价值。本文在介绍现有CFA插值的基础上,针对Bayer模式的马赛克图像,提出了基于结构保持的CFA插值。本文的主要工作包括：1：针对现有CFA插值重构图像的纹理细节丢失问题,提出了一种基于残差平面超分辨重建的CFA插值方法。该方法将图像去马赛克问题转化为图像超分辨问题,首先对图像G分量的特征平面以及G分量的残差平面进行字典学习,得到了刻画图像高低频细节的一对高低分辨率字典,进而通过稀疏表示以及超分辨技术,重构残差平面,并回加到低分辨率图像中,得到了具有丰富细节信息的高分辨率去马赛克图像,有效的保持了图像中的纹理和边缘信息。2：针对R／B分量插值,运用了一种改进的方向权重方法,该方法以方向插值为基础,计算未知像素四个方向上的梯度绝对值和平方,以此对残差的估计值进行加权估计。3：对现有去马赛克精细化方法的比较,分析各算法的优缺点,提出了回归判断函数的精细化算法。该算法通过对实验图像的边缘图进行分析,定义了边缘相似性度量,同时结合色差平面梯度等信息,使用了一个线性回归函数的学习器,并以此学习器作为集成决策准则,实现了针对不同精细化方法的有效集成。