超分辨率(Super-resolution)技术利用单张或一组同一场景下的低分辨率图像,引入定的先验知识,通过信号处理的方法提高图像的分辨率。超分辨率技术可以在不改变图像传感器硬件设备的条件下显著改善成像质量,具有重要的理论与应用价值,并有巨大的应用前景。论文主要研究了单张图像的超分辨率处理技术。论文简要概述了超分辨率图像处理技术的研究现状,介绍了近年来图像处理领域广泛使用的稀疏表示理论。基于学习的超分辨率方法作为近年来该领域的研究热点,取得了优于传统方法的结果,而基于稀疏表示的超分辨率方法是学习类方法中效果最为突出的一种。论文对基于稀疏表示的联合字典超分辨率方法进行改进,研究了自适应多子字典超分辨率处理方法。基于自适应多子字典的超分辨率处理方法根据图像结构进行聚类,分类训练多子字典,在重建过程中自适应地选择与输入图像块最接近的聚类空间,选取最适应的子字典进行重建。仿真实验验证了基于自适应多子字典的超分辨率图像重建效果优于原有的联合字典超分辨率重建方法。此外,论文研究了自适应加权稀疏度模型、全局逆向投影模型与非局部结构自相似模型在超分辨率图像处理中的应用方案。论文的仿真实验表明,引入这三种模型作为超分辨率重建过程中的正则化约束项,可以进一步提高超分辨率图像重建质量。论文尝试将压缩传感过程与超分辨率图像重构相融合,研究了基于压缩传感框架的超分辨率重构技术。基于压缩传感框架的超分辨率重构技术一方面可以降低图像测量成本,更好地满足无线通信传输带宽要求,另一方面可以使压缩测量结果能够高分辨率重建获的高质量图像。论文通过引入高斯模糊滤波器算子,增大了压缩测量矩阵与图像基之间的不相关性,有效改善了基于压缩传感框架的超分辨率问题的可解性。仿真实验验证了基于压缩传感框架的超分辨率图像处理技术的可行性。研究结果表明,基于压缩传感架构的超分辨率图像处理技术在不需要进行字典训练的条件下,在重构的实时性与重构质量之间取得了较好的平衡。