在成像过程中,由于图像采集环境及采集设备的影响,成像系统往往得不到高分辨率的图像,超分辨重构方法(SR)可以在不改变采集环境和采集设备的前提下,对单帧或者多帧低分辨率图像用数字图像处理的方法,重构出超过成像系统成像范围的高分辨图像。重构图像不仅在视觉效果上有明显提升,在峰值信噪比(PSNR)和相似度(SSIM)上也有相应提升。目前,随着机器学习和模式识别的不断发展,支持向量机作为一种较好的学习方法,在图像超分辨重构方面的应用,得到了很多关注。本文主要研究图像超分辨重构技术,课题来源于天津市应用基础与前沿技术研究计划青年基金资助项目:基于支持向量回归机的超分辨率图像重构(No.14JCQNJC00900),本文将单帧彩色低分辨率图像作为研究对象,具体工作如下:1.根据现实中彩色低分辨率图像的特点,选择相应的降质模型,获取彩色低分辨图像。2.提出一种基于HSV(色度特征)模型的图像超分辨率重构算法。用SVM(支持向量机)作为学习训练工具,针对物体与场景颜色差距小的低分辨彩色图像特征,进行针对性训练,保证匹配搜索过程中样本块与低分辨率图像块内容之间的相关性,减少遍历次数,降低算法复杂度。最后经过重建过程,得到高分辨率图像。通过实验对所提出的HSV空间学习重构的方法进行验证,并与两种基本低分辨图像重构方法的处理效果进行对比,实验结果表明,本文提出的方法比两种基本方法在峰值信噪比和相似度两指标分别提高了3%~5%和2%~4%,是一种能够重构低分辨率图像的有效方法。3.对提出的算法进行了鲁棒性验证。对加入标准差为2及以下高斯噪声的低分辨率图像,用本文提出的方法进行重构,所得图像可以满足人眼观察,峰值信噪比和结构相似度这两个数值指标也能基本达到预期目标。