在现实生活中,由于成像传感器自身的质量原因或者成像时的外界因素干扰,·人们获得的图像的分辨率可能会比较低,从而不能满足日常生活或者生产环境的需要。而图像超分辨率重建技术就是一种相应的解决方法,其旨在利用一定的算法提高图像的分辨率,并且尽量重建出更多的图像细节信息,以保持图像清晰。目前,图像超分辨率重建技术在医学成像、智能监控、遥感图像等领域均有着广泛的应用。近年来,随着计算机技术的发展,图像超分辨率重建技术也获得了很大的突破,特别是基于学习的超分辨率重建。与传统的方法相比,基于学习的方法往往更容易生成一些待重建的图像自身所没有的高频细节信息,因而获得了许多学者的关注和研究。本文主要围绕字典学习的方法进行超分辨率重建研究。全文的主要研究内容如下:1.本文阐述了图像超分辨率重建的相关研究背景和意义,并对这项技术的研究现状进行了介绍。另外,本文重点描述了图像稀疏表示技术和图像特征分类技术,这两项技术是本文超分辨率重建算法的基础。其中在图像特征分类阶段中,本文提取图像块的三类相关特征并构造了一棵分类决策树,此树将用于分类图像块。2.传统的字典学习方法是直接利用整个训练集进行训练字典,因此具有不同种类特征的字典原子将无差别地排列在字典中,这将不利于图像块的表示和重建。故本文提出了基于特征分类和字典映射的超分辨率重建算法,该方法首先利用分类决策树分类图像块,然后使用每一类中的低分辨率训练集进行训练低分辨率字典,然后基于稀疏系数不变性的假设进行学习高分辨率字典,并将其用于最终的图像重建。3.实际上,高分辨率字典对高分辨率图像块的表示系数与低分辨率字典对相应的图像块的表示系数并不是严格相等的。因此,本文进一步据此建立字典训练模型,提出了基于独立字典训练和最大后验概率(MAP)框架优化的超分辨率重建方法。首先该方法分别独立地训练高低分辨率字典,并获得二者对应的系数矩阵。对于一个待重建的低分辨率图像块来讲,为能获得其潜在的真实高分辨率图像系数,该方法依据当前已有的高低分辨率系数矩阵进行了系数映射学习,并将其应用于图像重建过程中。接下来,该方法将非局部自相似性和自回归以正则项的形式加入到了 MAP框架中,并以此进行优化重建图像,获得了比较不错的重建结果。