视觉一直以来都是人类获取信息最重要的方式,因此机器视觉发展成为一个热门学科是信息科技发展的必然趋势。随着图像显示设备的不断发展,人们对高质量图像的需求越来越大。由于图像采集设备的多样性导致图像质量参差不齐,所以图像超分辨率重建技术应运而生,并且成为了机器视觉领域的经典问题。图像超分辨率重建的目的是根据图像先验基于低分辨率图像生成高质量的高分辨率图像。根据图像先验的不同,图像超分辨率重建可以被分为四种类型:预测法、基于边缘的方法、图像统计法和基于图像块的方法。上述四种方法的实现过程中通常涉及稀疏表示、支持向量回归等经典机器学习算法,而深度学习的出现几乎颠覆了上述四种图像超分辨率重建方法。作为深度学习算法的一种,基于卷积神经网络的图像超分辨率重建采用低分辨率图像及其对应的高分辨率图像分别作为卷积神经网络的输入数据和标签来训练卷积神经网络模型。利用训练所得的卷积神经网络模型,基于卷积神经网络的图像超分辨率重建实现了高质量的图像超分辨率重建效果。本文通过对基于卷积神经网络的图像超分辨率重建方法进行改进,提出了两种图像超分辨率重建方法:基于空间域聚类驱动卷积神经网络的图像超分辨率重建和基于频域聚类驱动卷积神经网络的图像超分辨率重建。基于空间域聚类驱动卷积神经网络的图像超分辨率重建将训练数据集中的图像裁剪成图像块,采用K均值算法对这些图像块进行聚类,对每一类图像块分别训练一个卷积神经网络模型。在超分辨率重建过程中,该方法将低分辨率图像裁剪成图像块并判断图像块所属类别,利用该类对应的卷积神经网络模型从低分辨率图像块中生成高分辨率图像块。最后,该方法将所有高分辨率图像块汇集成高分辨率图像。基于频域聚类驱动卷积神经网络的图像超分辨率重建采用小波变换提取训练数据集中高分辨率图像的各频率成分,以低分辨率图像和高分辨率图像的各频率成分分别作为输入数据和标签训练卷积神经网络来获取各频率成分对应的卷积神经网络模型。在超分辨率重建阶段,该方法利用训练所得的卷积神经网络模型从低分辨率图像中生成高分辨率图像各频率成分,对各频率成分作小波反变换生成高分辨率图像。基于空间域聚类驱动卷积神经网络的图像超分辨率重建缓解了低分辨率图像到高分辨率图像的“一对多”问题,而且它采用卷积神经网络实现了低分辨率图像到高分辨率图像的非线性映射。基于频域聚类驱动卷积神经网络的图像超分辨率重建提出了一种针对图像不同频率成分分别进行超分辨率重建的新方法。本文提出的两种新算法从不同的角度为图像超分辨率重建提供了新的技术手段,两者都具有较高的应用价值和研究潜力。