在科技不断取得创新和发展的大背景下,数字多媒体技术(Digital Multimedia Technology)也得到了推广及应用。其中,图像视觉信号已成为数字化多媒体传播信息的主要载体之一,大量的成像设备(如手机、数码相机和iPad等)不断被设计出来。获取高质量的图像是人们不断追求的目标。然而在成像过程中,由于受外界各种不确定因素的干扰,人们最终获得的图像会失真。为了追求获取高质量的图像,经过研究者们的不断研究与探索,图像超分辨率(Image Super Resolution,ISR)重建理论不断得到完善,一些实际的可用性成果已被研究出来。在压缩感知(Compressed Sensing,CS)理论的发展影响下,衍生出一些有效的ISR重建算法。其中,基于信号稀疏表示(Sparse Representation)的ISR重建算法以其相对较好的重建结果受到研究者们的青睐;另一个与CS理论内在相关的理论是图像矩阵的低秩稀疏分解(Low Rank Sparse Decomposition,LRSD)理论,二者是数据的两种不同表示方式。基于两种不同的信号表示理论基础,本文提出了一种新的图像超分辨率重建算法:1.从图像的结构上分析,它的某些微结构间具有相似性。本文首先利用某种特定的方式去分解图像,然后通过图像块间的欧氏距离测量,找出结构相似的图像块,并将图像信号向量化表示,再将它们组成图像矩阵。由于结构相似的图像块信号间存在相关性,所以它们组成的矩阵是天然的低秩矩阵。以上述思想为基础,本文初步重建出一种基于低秩约束的图像重建模型,初步重建出的初始高分辨率图像可以保证与退化低分辨率观测图像基本结构上的一致。2.第二步的工作目标是恢复初始重建图像中缺失的细节信息,即图像中缺失的高频成分。基于稀疏表示的图像重建算法是目前对图像细节信息恢复重建表现较好的算法,本文借鉴它的思想来达到这一节的目的。特别与传统字典训练方法不同的是,结合图像低秩稀疏分解理论本节在样本集的构建阶段提出创新,在提高字典训练效率的同时也改善了图像的重建质量。为了验证本文提出的重建算法的有效性,本文最后进行了仿真实验。通过与该领域一些已有的表现较好的重建算法相比,在标准评价方法下的结果证实了本文提出的算法更具有优越性,对图像的细节部分恢复效果表现更好。