在计算机视觉领域中,图像超分辨率重建技术是其中的一个研究热点,其可以在不改变现有的硬件成像设备下,能够还原出更清晰的图像。所以,图像超分辨率重建能够被广泛的运用在诸多关键的领域上,比如:公共安全、遥感图像、数据压缩、高清视频等。图像超分辨率重建是通过使用一系列算法对低分辨率图像进行处理,得到一幅输出的高分辨率图像。传统的超分辨重建算法重建出的图像,存在模糊问题和伪影现象。为了提高图像重建的清晰度,本文主要在基于锚点回归的方法的基础上展开相关的研究,所作的主要工作和创新点有:(1)为了不受外部图像样本集的限制,本文构建基于图像本身的样本集。从能量的角度对图像进行分析,图像的能量主要集中在低频分量上,高频分量所占的能量只是其中的极少部分。因此,为了更好的恢复图像的高频信息,本文先用水平梯度算子和垂直梯度算子把图像的高频分量提取出来,再分别对高频分量和低频分量分开重建。最后,采用迭代算法联合重构出低频信息和高频信息。与其它超分辨率算法相比,仿真实验证明了本文所提出的方法重建出的图像在图像的边缘上更锐利。(2)针对现有的锚点回归方法重建出的图像存在边缘较模糊的问题,本文先引入一个卡通纹理分解算法把图像分解成卡通图像和纹理图像,从而得到两类边缘图像。与传统锚点回归方法不同的地方是,本文训练低分辨率字典采用的是MI-KSVD方法,以代替原有的K-SVD方法,使获得的字典原子的独立性更强。另外,在回归学习的过程中,引入局部性可以获得更好的映射矩阵。实验表明,本文所提出的方法在性能上优于传统的锚点回归方法,图像边缘信息的恢复效果更真实。(3)考虑到增加先验信息作为正则化项,可以使得重建出的图像质量更好,本文在锚点回归方法的基础上,添加一个图像的先验信息项用以约束重构图像,使重构出的图像的效果更自然。为了提取多个方向图像的特征,本文使用了四个Sobel方向算子来提取低分辨率图像特征。由于从低分辨率空间映射到高分辨率空间是一个非线性问题,本文做了两次线性映射,用以提高重建图像的精度。经过一系列的实验,表明本文所提出的方法重建出的图像在细节信息上更丰富。