计算机信息处理和传输技术的快速发展加速社会信息化进程,这使得数字图像极大丰富了人们学习、工作和生活的方式。图像分辨率是衡量图像质量的一个重要指标。图像分辨率越高,其所提供的信息也越丰富。由于外界成像条件和成像设备的限制,我们有时会得到质量较差、分辨率较低的图像。图像超分辨率技术能够以较低经济成本从低分辨率图像中预测出与之对应的高分辨率图像。现有的图像超分辨率算法大多是基于学习的单幅图像超分辨率算法,但它们存在计算复杂度高或是重建过程运行速度慢等问题。本文旨在采用新的图像特征提取方法和映射模型求解方法来探索单幅图像超分辨率问题,提高重建图像质量,同时加快运行速度。本文主要工作内容如下:(1)提出了基于哈达玛模式的单幅图像超分辨率算法。通过对低分辨率训练数据进行哈达玛变换获得其哈达玛模式(图像特征),然后利用生成的哈达玛模式对训练数据进行分类,并为每一类用划分到此的训练数据学习出从低分辨率空间到高分辨率空间的映射模型。其中哈达玛变换的运算子是哈达玛矩阵,分类过程采用了三叉决策树,映射模型求解采用了最小二乘法。(2)提出了基于极限学习机的单幅图像超分辨率方法。采用与(1)相同的步骤对训练数据进行分类,然后使用极限学习机的方法为每一类用划分到此的训练数据学习出从低分辨率空间到高分辨率空间的映射模型。(3)设计并实现了单幅图像超分辨率软件。将本文算法学习出的从低分辨率空间到高分辨率空间的映射模型投入实践应用。实验结果表明本文提出的超分辨率算法较之其他超分辨率方法运行速度更快,可以生成带有更多高频细节的高质量图像。