高分辨率图像中含有丰富的细节信息,但受目前探测器工艺水平及成像过程中抖动、模糊等客观因素的影响,获取到的目标图像的分辨率往往无法满足应用需求。通过改变光学系统结构或采用更高分辨率的探测器提高成像分辨率会导致系统复杂度及加工成本的大幅增加,而利用软件算法提高图像分辨率作为一种适用性强、性价比高的方式,一直是国内外超分辨率成像领域的主要研究热点。基于学习的图像超分辨率重建算法通过提取自然图像的特征信息重建高分辨率图像,由于在字典训练过程中引入了大量样本的高频成分,因而可以显著提升重建图像的空间分辨率。但传统的基于学习的超分辨率重建算法对不同的低分辨率图像均采用相同的训练字典进行重建,忽略了不同图像以及同一图像中不同区域之间的差异性,扩大了算法的重建误差,因此本文提出分类字典学习图像超分辨率重建算法,通过聚类的方式获得多对训练字典,在图像重建时根据低分辨率图像的不同特征选取最匹配的一对训练字典,该方法可以在不增加算法运算量的基础上进一步提升图像质量。本文的研究工作及主要创新点如下:(1)研究单字典学习图像超分辨率重建算法。通过建立自然图像样本库,提取其中的高频信息进行单字典训练,对不同的低分辨率图像均采用相同的训练字典进行图像重建。同时提出图像分区域管理重建和样本特征降维两种优化方法来提升算法的运行效率,通过大量重建实验验证该方法的有效性。(2)提出分类字典学习方法。通过Gabor滤波求出训练样本中各像素点的多维特征值,将其作为数据点的多维坐标并投射到高维空间中,采用K-means算法对各数据点进行聚类,最后以4?4大小的窗口为单位对各数据点进行归属划分,得到五类样本特征集并分别进行字典训练。(3)对低分辨图像块进行分类重建。首先对LR图像进行分块处理,然后分别计算各子块图像与分类训练得到的各类训练字典之间的相似度,选择最匹配的字典对进行图像重建,该方法可以在不增加字典中原子数量的情况下提高图像重建精度,最后进行图像拼接。(4)进行图像超分辨率重建实验。为了验证文中提出的分类字典学习图像超分辨率重建算法的优越性,设计多组重建实验并进行对比分析,结果表明,本文提出的方法重建图像在主观感知和客观数据指标上都更具有优势,将该方法拓展至红外图像处理领域,也得到了很好的重建效果。