图像的超分辨率重建算法是图像处理领域的一项重要技术,旨在重建出低分辨率图像对应的高分辨率图像。对于图像而言,更高的分辨率意味着更多的高频信息和更好的视觉效果,然而在实际的成像过程中,由于成像设备及成像条件的限制,所得图像的质量往往不能满足要求,因此图像超分辨率重建技术意义重大,在众多领域有着广泛的应用。现有单帧图像超分辨率重建大致可分为:基于插值、基于重建以及基于学习的方法。本文主要研究基于学习的方法,特别是其中基于高斯过程回归的方法。现有基于高斯过程回归的方法以欧氏距离为标准来划分训练数据集,所得训练数据子集不符合统计学规律。而单一数据集对不同测试数据的泛化能力较差。上述问题导致现有算法的重建质量不高。针对这些问题,本文提出一种基于训练集优化与高斯过程回归模型的单帧图像超分辨率重建算法。在训练阶段,以高斯均聚类方法得到具有更高信息量的符合高斯分布的训练数据子集,然后用主动采样的方法削减训练数据子集的规模并建立单独的高斯过程回归模型。在测试阶段,寻找各测试数据的最近邻训练数据子集进行回归重建,在降低算法硬件消耗的同时提高了重建效果。仿真实验证明了与现有算法相比,本文所提算法在性能和效率上都取得了较好的效果。传统基于高斯过程回归的算法常使用单核函数作为计算协方差矩阵的核函数,单核函数以单一距离标衡量图像特征之间的相似性,所得模型无法适应不同类型的图像特征,导致重建图像质量欠佳。针对这个问题,本文提出了一种基于谱混合核高斯过程回归模型的单帧图像超分辨率重建算法。算法中的谱混合核函数可以组合多种距离函数并以不同频率加权的形式来表征图像特征之间的相似性,以此所建立的高斯过程回归模型可以更好地度量不同复杂图像特征之间的距离,捕获到更多的相似性信息,进而提高超分辨率重建的效果。实验结果表明,本文算法与传统算法相比,重建图像能够呈现更多细节,重建效果得到提升。