随着社会的进步和特种需求的增加,人们在生活中的一些特定场合越来越需要具有较高分辨率的图像。然而,通过一些成像的设备所得到的图像,往往其分辨率并没有那么高,从而很难将这些图像做特殊的处理和应用。提升成像元器件的硬件水平可以明显的改善获取图像的分辨率,然而,这种方法由于成本高,硬件升级水平低等问题而不能做广泛的推广。一种可靠的方式就是采用以计算机软硬件技术为依托,利用各种图像处理理论知识的方法获得高分辨率的图像。本文通过对图像超分辨率重建技术的深入研究,提出一种新的基于局部秩和稀疏表示的重建方法。为了能够使得由局部秩约束重建的图像具有较好的主客观质量,提出一种全局和非局部约束后处理模型。基于此,本文的主要研究工作如下:①通过对图像超分辨率重建技术的调研分析,提出了基于稀疏表示和局部的秩的重建方法。首先,利用图像的局部秩变换对训练样例库中的图像做变换处理,产生相对应的局部秩图像。为了训练相应的字典,从训练库的图像中提取对应的图像块,这些图像块包括高分辨率的图像块,低分辨率的图像块,正局部秩的图像块和负局部秩的图像块。由于有一些正局部秩图像块只包含有零像素,这些块不仅影响训练字典的精度,而且使得训练字典的时间增加,所以,根据所选取的正局部秩的图像块是否为零,将所有的训练样本块分为两个主要的大类。②对于上述分好类的图像块,分别对每一个类训练相对应的字典。在对每一个类训练字典的过程中,如果单独对每一种图像块分别进行训练字典将会造成训练结果不准确,本文在传统的双字典联合训练模型的基础上提出一种多字典联合训练的方法。③重建图像块的过程中,首先用最短欧式距离法判断每个低分辨率图像块所属的类别,然后由相应的字典重建出相应的初始高分辨率的图像块。为了实现对高分辨率的图像块的边缘约束,用相应的局部秩字典得到对应图像块的局部秩,并用此来约束高分辨率图像块的边缘,达到锐化边缘和减少边缘瑕疵的目的。④提出一种非局部和全局约束优化模型,实现对重建图像的后处理,提升图像的质量。在优化后处理模型中的非局部权值的计算中,提出一种改进的基于局部秩的权值计算方法。