随着信息社会的不断发展,人们对高品质、高清晰图像的需求越来越大。图像超分辨率重建技术是指利用信息处理方法,通过计算机软件技术,从单帧或多帧低分辨率图像中重建出相同场景下的高分辨率图像。与多帧图像重建相比,单帧重建技术仅利用一幅低分辨率图像进行重建,其实际需求和应用范围更广,因此本文主要对单幅图像的超分辨率重建算法进行研究。目前,图像的超分辨重建技术主要有三大类:基于插值的方法、基于重建的方法和基于学习的方法。基于学习的方法引入机器学习理论,很好地引入了外部高频信息,有效增强了图像的重建细节,是近几年来图像领域的研究热点,因此论文围绕基于学习的图像超分辨率重建算法展开研究。主要内容如下:(1)针对基于字典学习的超分辨率重建算法中,单一通用过完备字典无法表征所有图像块的自然特征,以及在重建阶段由于稀疏编码的影响,重建算法效率降低从而影响算法的时效性等缺点,本文提出基于多字典学习和线性回归的图像超分辨率重建。通过聚类算法对样本特征块进行分类,使具有相似结构的图像块聚集在一起,分别进行字典训练得到多个紧凑的子字典。利用线性回归思想,直接计算低分辨率空间到高分辨率的映射矩阵,有效提高算法的重建效率且充分利用了训练图像块所包含的信息。实验验证表明,图像重建的质量和算法效率方面均取得更好的效果。(2)图像特征的有效利用将有利于最终重建效果,根据图像自相似性特性,结合矩阵低秩理论,提出了基于低秩理论和字典学习的图像超分辨率重建。对图像进行低秩稀疏分解之后,可将其分为低秩部分和稀疏部分。图像大部分信息存在于低秩部分,结合提出的多字典和线性回归算法对其进行重建,稀疏部分由于包含了少量差异信息,仅采用双三次插值的方法完成重建,最后将两部分重建结果相结合作为最终超分辨率重建图像。稀疏部分经过插值放大后并未继续进行复杂学习重建,从而减少了原图像中噪声等因素对重建过程的影响。