图像是当前人们获取信息的重要载体。无论日常生活还是科学研究,人们都希望使用高分辨率图像。分辨率越高,图像中的边缘区域更加清晰,细节更加丰富,人们能够获得的信息就更多。然而,受到硬件设备和天气条件的限制,实际的成像过程往往受到模糊、下采样和噪声等因素的影响,导致采集到的图像分辨率低、质量差,无法满足人们的需求。图像超分辨率重建技术利用图像处理手段,可以由单帧或多帧低分辨率图像获得高分辨率图像,成本低,可行性高。因此,图像超分辨率重建算法的研究已成为当前图像处理领域的一个研究热点。基于学习的超分辨率方法借助外部训练样例,可以恢复出低分辨率图像中丢失的高频成分,从而获得较好的结果。因而,近年来越来越多学者关注这类算法的研究。邻域嵌入超分辨率算法便是其中比较有代表性的一种,该方法直接将低分辨率空间中的邻域关系嵌入到高分辨率空间,从而得到高分辨率图像。但是,在训练样例的选取和处理、近邻数K的确定、去除由于训练样例选取不当而产生的人工痕迹,以及提高算法速度等方面,都还有很大的改进空间。本文针对上述问题,从不同角度入手,对邻域嵌入算法进行了分析改进,所取得的主要研究成果为:1.提出了一种基于预放大非负邻域嵌入单帧图像超分辨率算法。邻域嵌入算法假设高、低分辨率图像块在各自特征空间能形成具有相似局部结构的流形,但放大倍数较大时该假设不再成立;我们也无法对不同图像确定一个通用的近邻数K。为此,我们使用预放大技术进行过渡,训练高分辨率图像和中分辨率图像之间的映射关系,缓解了邻域关系无法保持的问题;另一方面,使用非负邻域嵌入解决了近邻数K的选取问题。2.提出了一种基于非局部正则化的非负邻域嵌入单帧图像超分辨率算法。邻域嵌入算法速度慢,难以满足实际需求;若训练样例选取不当,容易在结果中引入人工痕迹。为此,我们在训练阶段对训练图像块进行聚类,同时对低分辨率块提取新的特征,降低寻找K近邻的运算量以提升算法的速度。重建阶段利用自然图像中局部块的自相似性,构造非局部正则项,对超分辨率重建问题进行约束,从而抑制人工痕迹。本文提出的两种算法能有效解决邻域嵌入算法存在的上述问题。实验结果表明,相对于传统算法,提出的方法重建结果纹理丰富、边缘清晰,视觉效果更佳;算法对噪声的鲁棒性更强,效率更高,更具优越性。