随着多媒体技术和网络技术的飞速发展,在人们的工作、学习和生活中,图像信息越来越重要。但是,图像在获取、存储和传输等过程的各个环节中,会受到技术上的限制、天气因素的影响以及一些其它因素的影响,导致最终获取的图像不可避免地存在各种图像质量下降问题,表现为图像模糊、失真、有噪声等等。而我们需要的是清晰的、高分辨率的图像。因此,对降质的图像进行复原在实际应用和生活中具有非常重要的意义。由于从硬件上改变图像质量受到诸多因素的限制,并且成本越来越高,人们开始考虑从软件上改进图像质量,超分辨率图像复原技术便应运而生了。其中基于学习的超分辨率图像复原方法逐渐成为一种最重要的方法。它的特点在于其对图像的复原准确,有较强的图像特征保持性,对图像噪声的鲁棒性强。在基于学习的框架下,本文以提高图像的主观视觉效果作为最终目标,对基于字典学习和稀疏表示的图像超分辨率复原方法进行了较为深入的研究。本论文的主要内容有:基于图像内容的字典学习和稀疏表示的超分辨率图像复原方法研究。根据训练图像内容间的差异性,引入聚类的概念,利用聚类的算法将一个较为完整且规模较大的训练字典分为不同的类别,并根据待复原图像的内容,有针对性地选择分类,进行图像复原,使算法更具有区分性和针对性,使图像具备良好的自适应性。相对于传统的超分辨率复原算法,该算法无论是在SSIM还是PNSR等客观测试数据以及主观视觉效果上都具有一定的优势。基于内容的双重字典学习和稀疏表示的超分辨率复原方法研究。在将训练图像根据内容分类的基础上,将图像的高频信息划分为主要高频信息和冗余高频信息,对其分别训练字典,形成双重字典,对待复原图像进行双层次的超分辨率图像复原操作,使重构图像能够获得更加丰富的高频信息,使重构效果更好。实验结果表明,该算法捕获了更多的图像细节信息,比其他传统的一些超分辨率图像复原算法的复原效果更佳,充分体现在实验数据和实验的视觉效果图上。基于离散余弦变换的非常低分辨率人脸图像的超分辨率复原方法研究。目前已经存在的大部分算法在非常低分辨率人脸复原中表现得并不是十分令人满意。为了研究这个问题,本文提出一种基于离散余弦变换的改进算法,与普通的离散余弦变换以及基于样条插值等方法进行了比较。实验结果表明改进的离散余弦变换算法可以在非常低分辨率的人脸超分辨率图像复原中获得更好的表现。基于学习和离散余弦变换的双层次的人脸超分辨率复原方法研究。利用离散余弦变换系数代替传统复原算法中对图像空间域中像素点的估算,取训练图像的交流系数形成训练集对人脸图像进行图像复原。在此基础上,将人脸图像中的高频信息划分成主要高频信息和冗余高频信息,并训练字典,结合稀疏表示算法对人脸图像进行第二重的人脸图像复原操作。