图像超分辨率重建是指从一副或多幅低质量、低分辨率图像中重建出高质量、高分辨率图像的图像处理技术。超分辨率重建技术可以有效地打破成像设备和环境的限制,重建出传统数码相机所无法获取到的高分辨率场景信息,在特征提取、信息识别、生物医学工程、公共安全监控等多个领域拥有广泛的应用前景,成为现今图像处理和计算机视觉领域最活跃的研究课题之一。论文重点对基于学习的超分辨率重建方法进行研究,对图像退化模型和压缩感知理论进行分析,并在此基础上提出了基于双字典学习和稀疏表示模型的图像超分辨率重建方法。具体研究内容与创新成果如下:(1)针对医学图像中单一高分辨率字典易造成低分辨率图像块的误匹配问题,本文提出一种基于改进双字典学习的医学图像超分辨率重建方法。该方法利用主成分分析方法同时训练低分辨率和高分辨率图像块,构建高-低分辨率双子字典,提高了高低分辨率块稀疏表示映射的相似性;对于输入的每个低分辨率图像块,在低分辨率字典中寻找与其最为相似的子字典,得到与之对应的高分辨率子字典;最后用线性Bregman迭代算法解决不适定的超分辨率重建问题,生成高分辨率图像块,得到整幅高分辨率图像。实验表明,文中算法不仅能够有效减少字典训练时间,而且可以进一步提高图像的重建质量。(2)针对单一外部图像训练库容易引入与图像本身不相关的细节特征,而利用图像自身的结构自相似性需要利用多级低分辨率图像的下采样信息,导致重建边缘不准确这一问题,本文通过结合稀疏表示理论,提出了基于改进邻域嵌入和双字典学习的超分辨率重建方法。该方法通过引入非局部均值正则项来改进邻域嵌入方法,进而获得更加准确的高频初始估计;利用低分辨率图像的多尺度结构相似性和外部字典稀疏表示误差来构造模型约束项,提出了一种基于改进邻域嵌入和双字典学习的超分辨率重建方法。该方法通过优化训练集的方式对于同一图像块同时采用内部字典和外部字典进行复原,增强了先验估计的表达能力,具有较好的性能。