图像是人类获取外界信息的重要媒介,高分辨率的图像有助于人们对外界事物的感知与了解。但由于成像设备自身探测器性能的限制以及外界环境的影响,常常造成图像的退化。如何在现有成像设备的基础上提高图像的分辨率,已成为图像处理领域的研究热点。超分辨率重建是解决图像分辨率不足的有效手段,但现有超分辨率重建算法只关注于聚焦良好的图像,而在调焦过程中产生的离焦图像因为视觉效果模糊而被丢弃。事实上,这些模糊的离焦图像也是对场景的一种观测,同样包含了有价值的目标信息。基于此,本文对离焦模糊图像的超分辨率重建进行研究,通过挖掘离焦模糊图像蕴含的观测信息,进而实现图像的超分辨率重建,论文的主要工作如下:(1)对离焦模糊图像的点扩散函数估计方法进行研究,提出了一种基于粒子群算法的点扩散函数估计方法。由于仅凭低分辨率模糊图像,无法直接估计出高分辨率图像对应的点扩散函数,因此,论文从图像离焦模糊的本质出发,对高、低分辨率图像间的点扩散函数关系进行分析,建立了两者的等价变换关系;然后,根据图像的模糊过程,建立了点扩散函数估计的代价函数,并根据圆盘模型,将点扩散函数的估计问题转化为对模糊半径的寻优问题,最终由粒子群算法实现估计。实验结果表明,该方法能够准确地估计离焦模糊图像的点扩散函数。(2)将点扩散函数的估计和图像的重建结合起来,提出了一种基于交替迭代法的点扩散函数估计方法。在点扩散函数估计环节,固定高分辨率图像不变;在图像的重建环节,固定点扩散函数不变;通过交替迭代的方式更新点扩散函数和高分辨率图像,直至算法收敛。实验结果表明,该算法能够准确地估计图像的点扩散函数,并且选择图像的平滑区估计点扩散函数,能够获得更快的算法收敛速度和更高的估计精度。(3)在字典的学习方面,传统的方法一般是选择与重建图像无关的自然图像库作为字典学习的样本,然后通过学习获得一个具备广泛表达能力的全局字典。这样不仅费时,字典学习效率低,而且获得的全局字典自适应性较差。为了降低字典的学习时间,提高学习效率,论文构建了金字塔式的样本训练集,金字塔的每一层均是由待重建的图像插值得到,这样不仅大大减少了样本的数量而且可将图像的多尺度结构相似性融入到字典学习中,从而提高字典对重建图像的表达能力。同时,为了提高字典的自适应性,论文采用分类字典学习的方式。首先采用K均值分类方法对训练样本进行分类;然后针对每一类样本采用主成分分析法学习对应的子类字典;这样针对不同结构类型的图像就能学习得到多类字典,在重建时可根据图像结构类型的不同,自适应地选择最为匹配的子类字典。因此,相对于单一的全局字典,自适应字典能够更准确地表达图像的结构信息。(4)针对图像超分辨率重建问题的不适定性,引入了非局部均值正则化约束和双边总变分正则化约束,很好地改善了图像的重建质量。论文根据图像的多尺度结构相似性在自然图像中普遍存在这一现象,将其作为图像超分辨率重建的先验约束,构建了非局部均值约束正则项;同时,引入双边总变分正则项,该正则项从像素的空间关系以及灰度关系两方面对图像进行约束,能够很好地保持图像的边缘信息。实验结果表明,在上述双正则化约束框架下,本文算法在图像超分辨率重建方面取得了良好效果。