超分辨率图像重建是提高图像质量的有效方法,在图像处理领域具有重要的研究意义,并广泛应用于医学、监控、军事、数字电视等方面。传统超分辨率图像重建方法基本采用基于插值的方法,生成的图像不仅具有明显的块效应,而且对边缘保持也不理想。基于学习的超分辨率图像重建算法是近年图像重建的研究热点,特别是基于流形学习中的局部线性嵌入的重建方法是图像重建技术领域的一个里程碑,随后稀疏表示蓬勃发展使得超分辨率图像重建技术取得更大进步。本课题在基于流形学习和稀疏表示的相关理论上,分析了基于流形学习的图像重建方法及基于稀疏学习的图像重建方法,给出了新的特征提取方法及训练集生成过程,同时针对超完备字典的过冗余弊端引入基于多类别字典的超分辨率图像重建算法,并定义了一种新的距离以进行子字典的选择。具体工作内容如下:(1)分析了图像退化模型,该模型是图像降质过程在数学上的表达,也是超分辨率图像重建的逆过程,可以根据这一退化模型得到图像先验信息。然后实现了传统基于插值的图像重建算法包括近邻插值、双线性插值、双三次插值等,分析其优缺点,并以实验对比分析。(2)引入了流形学习的相关理论,重点分析了基于流形学习中局部线性嵌入的图像重建方法,并针对其特征提取问题引入新的特征提取方法即联合一阶梯度和归一化亮度作为特征值,此外,对于训练集一方面采用分类的方法以提高近邻的选择效率,另一方面对具有丰富边缘信息的图像进行旋转操作从而在保证不增加训练集的情况下获取更多有意义的训练集。实验表明:本章算法无论从视觉角度或是从峰值信噪比和结构相似度方面均优于传统算法,实验结果良好。(3)针对近邻选择问题引入稀疏表示相关理论,并结合当前基于稀疏表示的超分辨率图像重建方法,重点分析基于多类别字典的超分辨率图像重建算法。该方法避免了只训练一个超完备字典的过冗余问题,并且通过对每一类别分别训练一个子字典使该子字典更具有代表性,然后对每个图像块以一种新的距离取代传统欧氏距离计算方法来寻找最优子字典,从而提高整个图像重建质量,此外,对超分辨率图像重建的病态问题引入非局部自相似正则化约束,以更好修正结果。实验表明:本章算法无论从视觉角度或峰值信噪比和结构相似度方面均优于其他算法,并且加入正则化约束后重建结果相对较好。