超分辨率图像重建技术是将多幅变形、模糊、有噪、频谱混叠的低分辨率降质图像(或视频序列)融合估计出一幅高质量高分辨率图像。空间分辨率是决定图像质量的重要因素,高分辨率有利于图像的进一步分析处理。图像插值可以放大单幅图像的尺寸,但不能恢复图像在下采样过程中损失的高频成分。超分辨率图像重建利用同一场景的多幅低分辨率图像之间的相对运动信息,将它们融合到单幅高分辨率图像中,并去除低分辨率图像中的模糊和噪声。近年来,超分辨率图像重建技术已经成为备受关注的研究领域之一,它在视频监控、卫星图像、视频标准转换、医疗数字影像等领域都有着广泛的应用。随着超分辨率图像重建技术的发展,国内外研究工作者们先后提出了多种超分辨率图像重建方法,这些方法大致可分为频域方法和空域方法两类。空域方法比频域方法有更多的灵活性和更广的适用范围,能更充分地利用图像的先验信息,因此目前研究较多的是空域方法。本文采用空域方法中最常用的POCS算法和MAP估计算法进行超分辨率图像重建。POCS算法是一种集合理论重建方法,本文根据POCS算法的原理,给出了模拟-修正迭代超分辨率图像重建方法和实现步骤,并针对用标准的POCS算法重建的高分辨率图像中出现的导致图像边缘质量下降的现象,提出了一种改进方法。该方法将中心在边缘像素的PSF与一个指数型权值函数相乘,使得修改的PSF系数沿着边缘正交的方向减小。实验结果表明,这样的修改有效地保持了边缘的特性,明显地提高了重建图像的质量。而且,边缘检测带来的计算量是比较小的。MAP估计算法是一种统计重建方法。本文研究和实现了MAP超分辨率图像重建算法,并针对标准的MAP估计算法运算量大的问题,提出了两点改进。第一点是采用非精确一维搜索确定步长,避免了运算量庞大的Hesse矩阵的计算,第二点是当计算梯度时,直接计算目标函数的增量,避免了函数值的冗余计算。实验结果表明,这样的改进在很大程度上提高了MAP超分辨率图像重建的速率,与此同时保证了算法的收敛性,且重建效果基本不变。运动估计是根据视频序列中时间上相关的信息估计场景或目标的二维运动向量场的过程。运动估计在超分辨率图像重建中的作用是把所有低分辨率观测帧的像素映射到参考帧的相应位置,实现图像细节的恢复。精确的运动估计是超分辨率图像重建的关键。因为块运动估计的简单性和有效性,它已经成为目前使用最广泛的运动估计方法。本文设计了一种结合空间预测和CDS的快速块匹配算法。若当前块和相邻块的运动相似,则选择相邻块的运动向量中使当前块的匹配误差最小的一个作为当前块运动向量的预测估计,再以该预测值为中心,比较SDSP上搜索点的块匹配误差。若当前块和相邻块的运动不相关,则采用CDS算法从原点开始搜索运动向量。实验结果表明,本文设计的算法兼顾了搜索速率和匹配精度,相比N3SS、DS、HEXBS、CDS、CDHS算法,更好地适用于超分辨率图像重建。