在很多场合,图像在获取的过程中,由于物理条件的限制,往往只能得到低分辨率的图像,而这些分辨率较低的图像不能很好地满足实际需要,于是利用超分辨率算法来提高图像的分辨率已经越来越受到关注。由一序列低分辨率变形图像来估计一幅(或一序列)较高分辨率的非变形图像,同时还能消除加性噪声以及由于有线检测器和光学元件产生的模糊,这一技术称之为超分辨率重构(或复原)。图像的超分辨率重构主要可以分为以下几类:单幅图像的超分辨率重构,静态图像序列的超分辨率重构,视频序列的超分辨率图像重构以及压缩视频流中的超分辨率图像重构。本文属于单幅图像的超分辨率重构,即观察到的低分辨率图像只有一幅。超分辨率重构涉及到的主要问题包括:图像的像素配准,降晰函数模型的构建以及有效的重构算法等。在图像超分辨率领域,目前研究最多的是基于灰度图像的超分辨率重构,而对于遥感、太空探索、高清晰数字电视以及医学影像等多方面的应用,获得彩色的高分辨率图像具有非常重要的意义。赵书斌、张蓬[1]等人提出了一种基于小波域HMT(隐马尔可夫树)模型的彩色图像超分辨率复原算法,取得了较高的信噪比和很好的视觉效果。然而,该方法需要进行模型参数训练,多次迭代运算,并且采用了RGB彩色图像模型,需要进行自适应图像变换,其时间复杂度太高。所以,本文提出了一种基于小波域基于YUV模型的彩色图像超分辨率算法。该算法基于彩色图像的YUV模型,在其亮度通道(Y通道)上采取了基于小波域的局部高斯模型的超分辨率重构,而在另外两个色差通道(U、V通道)上采取了较低(相对亮度通道)清晰度的复原,在保证很好的视觉效果的同时大大减少了计算量。本文首先介绍了图像超分辨率重构的基本概念,给出了超分辨率重构的数学描述,并详细介绍了迭代反投影法,投影凸集方法,最大后验方法和最大似然估计方法等一些经典的算法,之后扩展到彩色图像的超分辨率重构,给出了超分辨率重构图像质量的度量标准。本文第二部分内容着重集中在小波域局部高斯模型的讨论上。文中首先介绍了图像超分辨率问题的规整化,之后给出了图像超分辨率问题的小波域描述,详细剖析了小波域局部高斯模型,以此作为图像的先验概率模型对小波域复原问题进行规整化。最后通过彩色图像YUV三通道的联合高分辨率重构很好地实现了超分辨率重构。本文在最后对提出的方法进行了实验仿真,并对实验结果进行了分析。实验结果表明,该算法重构出来的高分辨率图像信噪比较高,计算量明显下降,有着较好的视觉效果。