随着近年来科技的高速发展,尤其是互联网通信和存储技术的提升,使得包含有较大数据量的图片文件的传输成为了可能。随着人们对于图像质量的要求越来越高,图像的分辨率作为图像质量的重要评价指标,受到了研究者们的大量关注。如何提高图像的分辨率进而提升图像的质量已经成为了图像处理领域的热门研究课题之一。目前,学者们将超分辨率算法分为三类:基于插值、基于重建和基于学习。基于学习的算法由于引入了大量的先验知识,且图像重建后的效果明显优于其他算法,因此成为了超分辨率算法中的研究热点。为了近一步的提高超分辨率算法的效果,本文对基于自相似性的超分辨率算法和基于稀疏表示的超分辨率算法展开研究,针对自相似性算法存在的问题,进行了部分改进,再将改进后的自相似性算法与稀疏表示算法相结合,研究一种基于自相似性与稀疏表示的超分辨率算法。主要方法和结论如下:(1)研究基于自相似性的超分辨率算法,传统的高斯金字塔由于采用单一的采样方式,导致构建的图层较少,因此原图图像块在高斯金字塔中寻找到的相似块较少,严重影响图像重建后的质量。基于此,本文采用了一种改进的多维高斯金字塔。改进后的方法除了传统的横纵轴同时采样之外,增加了仅对横坐标方向上的采样和仅对纵坐标方向上的采样,改进后的高斯金字塔在寻找相似块时能够得到更多的相似块。在相似块搜索的过程中,传统的算法采用固定阈值,针对不同的图像效果不理想。基于此,本文研究了一种自适应阈值,针对不同的输入图像,算法构建不同的自适应阈值。改进后的自相似性算法利用多维高斯金字塔构建亚采样图层,再用自适应阈值寻找相似块。最后根据相似块的距离构建权重进行重建。实验结果表明,改进后的算法比传统的自相似性算法具有较好的效果。(2)研究稀疏表示理论与方法,详细的分析了自相似性算法与稀疏表示算法的不足。自相似性算法仅使用了图像的全局信息,没有引入局部信息和外部信息。传统的稀疏表示算法重建后的效果依赖于训练数据的选取且字典需要提前训练。针对两种算法的缺点,本文研究一种基于自相似性与稀疏表示的超分辨率算法。首先,算法利用图像的自相似性特性构建高低分辨率图像块样本,然后采用联合训练的方式对样本进行训练,得到高低分辨率字典,最后根据输入的低分辨率图像与低分辨率字典求解出稀疏向量,再将稀疏向量与高分辨率字典结合,得到最终的高分辨率图像。本文算法的效果不依赖训练数据,解决了传统算法依赖于训练数据的缺点。同时,本文算法不需要额外训练字典,实现了字典的在线更新。实验结果表明,本文算法在主观和客观评价上均有较好的表现。