随着信息化的不断深入,人类对获得生动性、形象性的信息越来越注重。高质量的图像恰好能满足这一需求。但是在现有成像系统中,由于硬件限制以及外界不定因素的影响,使获得的图像分辨率经常不能满足实际需求。而从硬件上寻求方法以获得高质量图像需要很高的成本。因此,从软件上解决这一问题的方法应运而生。相对于传统的超分辨率重建算法,基于学习的图像超分辨率重建算法是近来的研究热点。文中在研究目前学习算法基础上,对现有算法中存在问题提出改进。然后针对现有算法的不足提出基于极限学习机的图像超分辨率重建。主要研究内容和创新如下:(1)字典的构建是基于学习的图像超分辨率重建方法的关键,针对现有字典学习算法训练不够充分,无法获得足够的先验信息用于重建低分辨率图像,提出改进的字典学习算法。字典学习算法同时更新字典矩阵和稀疏系数矩阵中的非零元素项,再结合联合字典的思想,使得改进后的算法求得的字典稀疏误差更小,求得的字典原子更优,并且字典收敛速度更快。(2)针对样本图像块所含信息较多,字典训练时间过长的问题,提出了低秩矩阵结合改进字典的超分辨率方法,将图像分解为低秩部分和稀疏部分别进行处理,能更加有效利用图像的特征信息,获得高质量的超分辨率图像。(3)针对稀疏表示的图像超分辨率重建中存在的块状效应以及重建后的图像细节信息不充分的问题,提出在小波域构造字典用于图像超分辨率重建。在单一特征空间上训练更紧凑的字典,能较好地恢复图像的局部纹理和边缘,针对带噪声的低分辨图像进行实验取得了不错的效果。(4)面向图像的稀疏表示以及字典学习算法,借鉴机器学习算法的思想,采用时效性更高、参数调节少的极限学习机算法,实现图像超分辨率重建。在字典学习的基础上,将极限学习机理论应用于图像超分辨率重建,研究极限学习机算法用于图像超分辨率重建的优化方法。最后通过实验证明,所提超分辨率重建模型无论是在客观指标评价方面还是在主观视觉方面都取得了较优的效果。