高分辨率的图像意味着有高密度的像素,能够提供更多细节,不但能较好地满足计算机应用需求,而且能更好地满足人们的视觉感官需求。在实际应用中,我们可以通过硬件和软件两方面来提高图像的分辨率。基于硬件的超分辨率方法通常成本较高,技术改进难度大,而且很多情况下所能达到的分辨率仍然难以满足实际需求,因此通过软件编程的方法提高图像的分辨率变得很有意义,既降低了成本,又提供了更详细的细节信息。本文主要研究了基于分类字典的超分辨率图像重建算法,主要研究内容和贡献包括:首先阐述了超分辨率重建技术的原理以及应用领域,分析和对比了主流的超分辨率重建技术,并对其存在的主要问题进行了分析和阐述,介绍了重建图像的评价标准。考虑到单一字典不能很好地表征图像,本文提出了一种基于结构张量的分类字典算法。结构张量由于可以估计方向和分析图像结构被广泛用于纹理分析、角点检测、光流估计等领域。因此本算法构造了一种基于结构张量的特征向量用于表征图像块的局部结构。使用图像块的基于结构张量的特征向量信息作为先验,引导图像块聚类,使得属于同一类的图像块具有相似的模式,训练出的子字典更有针对性。仿真实验表明,在相同的实验条件下,通过结构张量获得的分类字典比单一字典的图像重建效果要好。针对上述方法中使用聚类算法的时间开销和聚类个数很难确定问题,本文提出了一种基于图像哈希的分类字典算法。算法首先提取图像块的梯度特征,通过哈希函数获得哈希值。接着把哈希值相同的图像块分到同一个图像桶,即达到了对图像块分类的效果该方法既提高了图像分类的速度,又使得图像结构分类更细致。算法通过对每个桶里的图像块进行单独的字典训练获得对应的子字典。实验表明,改进后的字典能更好地适应不同纹理,重建效果有所提高。