随着计算机技术和人工智能技术的发展,人们对图像和视频等信号的分析和利用能力越来越高,如公安人员可以借助跟踪算法处理监控视频来监测和跟踪可疑目标,医务人员可以利用检测算法来排查大量的CT图等。然而受到成像设备和传输噪声的制约和影响,采集到的图像的质量往往不能满足任务的要求。因此,面对纷繁复杂的小尺寸和低质量的图像数据,准确高效的进行高清图像复原有着迫切的现实需求。图像超分辨(Super-resolution,SR)技术利用算法来突破成像和传输过程的限制,将模糊的低分辨(Low Resolution,LR)图像重建成为清晰的高分辨(High Resolution,HR)图像,是数字图像处理领域的经典问题。因此,超分辨技术的发展对多媒体应用、医学图像处理、公安安防等领域都具有极其重要的意义。目前,随着机器学习的发展,基于局部图块映射核学习的超分辨算法成为一个热门的研究方向。该类方法通常包含外部样本分类,逐类映射核学习,以及图像后处理等三个关键步骤,本文分别对上述过程中存在的问题进行了研究和改进,提出重建效果更优,重建速度更快的单幅图像超分辨算法。主要创新性研究结果如下:(1)提出了结合基于个体样本映射核的样本分类方案和病态样本剔除机制的图像超分辨算法。该算法改进了当前算法中基于低分辨率图块梯度特征对外部样本LR-HR图块对进行分类的样本分类规则,提出了利用个体样本映射核对外部样本进行分类,并学习朴素贝叶斯分类器对低分辨图块进行归类的超分辨率方法,从而提高对低分辨率图块的重建精度。在映射学习过程中,本算法提出采用病态样本剔除机制来去除远离分类样本集中心的样本,从而提高所学映射核的有效性。对比实验证明所提的方法与当前最先进的基于线性映射的超分辨方法相比实现了在视觉和性能方面的提升。(2)提出了一种将基于个体样本映射向量的样本分类决策树与基于非线性回归的映射核学习相结合的实时高效的超分辨算法,该算法能同时在图块表示和映射学习阶段保证算法的质量和执行速度。在训练阶段,本算法选择每个样本的映射向量作为基础,采用分数范数聚类的方法来实现更加准确的外部样本分类,并通过构建二叉决策树来逐层完成样本分类。每个父节点的样本将基于映射向量来划分为两个子节点。为了保证节点分支的有效性,本算法设计了一种分支决策方案,以保证节点分支的有效性。在叶结点处,本算法学习一个轻量级的全连接网络来实现像素级的HR图块重建,既保证了速度又保证了重建质量。对比实验证明所提的方法与当前先进的基于神经网络的超分辨方法相比,具有更强的速度和视觉优势。(3)提出了一种基于外部实例学习和“空域-频域”纹理图块特征分类的超分辨图像纹理优化后处理算法。所提的优化算法从训练集中收集LR-HR纹理图块对,并对不同类型的纹理图块学习相应的优化映射核。本算法基于“空域-频域”的特征对LR纹理图块进行特征分析。为了保证采集到的纹理图块对中没有噪声样本,本算法训练了一种基于支持向量机SVM的选择器,该选择器利用LR纹理图块的梯度特征和分数傅里叶频谱特征作为支持向量机的输入特征,从而对样本中的纹理图块对进行筛选。对比实验表明作为后处理算法,该算法可以使已有的算法在视觉和性能上得到进一步的提高。本文依据所提的超分辨算法,设计了一套基于映射核学习的图像超分辨系统。经过测试,该系统基本满足了用户对自然图像进行实时多倍超分辨放大任务的需求。