受限于图像传感器的实现代价,常见的彩色成像系统仅采集单通道的黑白图像,而彩色信息则通过颜色滤波矩阵（Color Filter Array,CFA）获取。针对红绿蓝三原色图像传感器,CFA将三种不同的颜色信息交织在一起,使得原始的图像均呈现马赛克状。从原始的CFA图像恢复三通道彩色图像的过程称为CFA插值（CFA Interpolation）或者去马赛克（Demosaicing）。去马赛克是整个相机图像处理中最前端,也是最关键的环节之一。如果处理不当,会带来伪影（Artifact）或者伪彩色（Color Aliasing）,在后续的模块中很难恢复出来。过去二十多年,伴随着数字成像的快速发展,去马赛克一直是一个活跃的研究方向。在学术界和工业界的共同努力下,去马赛克研究取得了长足的进步,在标准数据集上的主观和客观的图像质量逐年提升。但学术界的研究与工业界的需求之间依然存在比较大的差距。工业界要求硬件平台上算法实时、代价适中、且涉及尽可能少的行缓冲数据,同时也要求高质量的去马赛克效果,尤其关注主观评价。但学术界一般以PSNR/SSIM等客观评价指标作为最重要的评价指标,研究方法常常忽略硬件实现性,比如使用很大的处理窗口甚至需要缓存整张图、计算复杂度高甚至需要迭代、参数规模较大,因此这些方法不适用于硬件平台实现。在所有的CFA方法中,Bayer CFA是最重要也是使用最广泛的。本文重点研究基于Bayer CFA的面向硬件平台的图像去马赛克算法,在硬件平台允许的复杂度范围内设计高效的去马赛克算法,主要工作如下:（1）提出了一种面向无噪声图像的去马赛克算法。此方向采用无噪声的Bayer图像作为输入,是学术界去马赛克最早最主流的研究方向。由于目标真实图像有三分之一的信息跟原始图像是相同的,因此每个点的缺失信息可用已知采样通道信息来做细调。本文深入分析了 Bayer图像的统计特性以及传统方法在挑战性场景出错的根源,提出了一种新的融合梯度权重和颜色权重的高性能高效去马赛克算法。该方法在满足硬件实现的条件下,解决了拉链噪声、伪彩色、伪影、T型封口等问题,且在主观和客观质量评价上都优于其他传统方法,并接近于复杂度非常高的深度学习算法。（2）提出了一种基于传统方法的联合去噪和去马赛克算法。在工业界应用中,传感器输出的Bayer图像总常含有噪声,需要在去马赛克时考虑噪声的影响,同时去除图像噪声。本文提出了一种面向硬件实现的低复杂度联合去噪和去马赛克的算法,利用插值过程中产生的方向信息同时去噪和去马赛克。为了更好地沿着边缘的方向去噪,本文提出了一种基于投票表决的方向权重计算方法和一种新的边缘保持的二维小波去噪算法。在绿色通道插值后,用方向小波变换去除绿色通道上的噪声,然后插值出红色和蓝色通道。最后在色差通道对红色和蓝色分量采用同样的方向权重进行方向小波去噪。相对于其他传统联合去噪和去马赛克算法,本文的方法在时间复杂度、主观图像质量和客观PSNR/SSIM指标上均有一定的优势。（3）提出了一种基于混合方法的联合去噪和去马赛克算法。鉴于传统方法在去噪上的劣势,以及纯深度学习方案存在的代价过高等问题,本文提出一种结合传统方法和神经网络方法的混合式联合去噪去马赛克算法。本文的算法首先对含噪声的Bayer图像进行去马赛克,采用的算法与面向无噪声图像的去马赛克算法类似,但去除了所有的后处理操作。然后本文设计了一个轻量级的神经网络结构,输入窗口仅为26×26,参数量和运算量也远小于其他深度神经网络方法。实验证明本文的方法在主观图像质量和客观PSNR/SSIM上均优于其他传统方法。与经典深度神经网络方法相比,本文方法以极低的代价,取得了非常接近的效果。