高分辨率(high-resolution)图像(简称HR)具备清晰的图像细节,通常用于临床医学、计算机视觉、空间科学的实际应用。但是受限于硬件设备、成像技术、环境干扰因素以及网络带宽等,我们获得的图像分辨率往往并不理想,达不到要求的分辨率。使用硬件来提高图像分辨率通常需要更高的代价,因此从算法方面提高分辨率的技术即图像超分辨率(super-resolution)技术便应运而生。本文主要研究基于输入的一幅低分辨率(low-resolution)图像(简称LR),利用软件算法获得图像高频信息的技术,也就是单幅图像超分辨率重建技术(简称SISR,single image super-resolution)。目前SISR方法可分为三大类:基于插值的SISR方法、基于重建的SISR方法和基于学习的SISR方法。基于插值的SISR方法通常使用插值点周围的已知像素点的像素值来估计当前点的像素值,这种方法简单且快速。基于重建的SISR方法则根据结合了一些先验知识的图像降质模型进行重构HR。基于学习的SISR方法则通过离线训练学习HR和LR块之间的映射。在线重建阶段根据已训练的映射关系对LR块执行超分辨率处理。在基于岭回归的思想基础上,本文进行了一些改进,提出了两种基于岭回归的SISR方法。第一种方法中,在经典的岭回归超分辨率的框架基础上,提出了在离线训练阶段使用迭代反向投影对双三次插值的图像进行特征加强,用加强后的图像特征参与后续的岭回归训练。在在线重构阶段,采用具有梯度因子的非局部均值方法(NLM)来增强双三次插值图像的效果,然后进行特征提取;而在对每个图像块筛选映射函数时,不像传统方法只选取一个最接近的函数,而是筛选了若干个最优的映射函数并采用邻域嵌入方法的加权映射的形式得到图像高频信息。该种方法中,不论是加入梯度因素的非局部均值法加强特征,还是若干最优映射函数的筛选,相比传统的岭回归方法而言,更好地保留了越来越多有价值的图像信息,使得超分辨率结果更佳。第二种方法中,同样是以传统岭回归方法为基本框架,针对岭回归方法存在忽视一些非线性关系的缺点,提出多层级岭回归的形式。出于时耗与效果的考虑,最终在层级选择上定为2。因此,离线训练分为两个层级进行。通过第一层级训练获得的HR图像被用作第二层级的初始LR,并且进行第二层的映射矩阵训练。同样地,在线重建阶段也分为两个层级进行。在重建过程中,首先从训练的第一层映射矩阵重建输入的LR以产生HR。再通过第二层映射矩阵将得到的图像重建为更好的高分辨率图像。最后将得到的图像经过迭代反向投影进行效果增强。该方法有效地克服了传统的单层线性映射的缺陷,重建出更优的高分辨率图像。