图像超分辨率重建技术是利用一幅或多幅低分辨图像重构出具有更丰富细节的高分辨图像,该技术对后续图像识别、分析和跟踪等处理有着重要作用,已广泛应用于卫星遥感、公共安全、医学成像和模式识别等领域。因此,深入研究图像超分辨率具有重要的理论意义和应用价值。目前,常用的超分辨率方法有基于插值、重建和学习的方法。基于学习中的基于稀疏表示的方法已成为解决超分辨率问题的热点研究方向,其关键在于学习字典的构建。近年来,图像的非局部自相似性作为一种先验信息,已被成功应用于图像去模糊、图像去噪和图像修复等领域。基于此,本文利用图像固有的非局部自相似性以及方向边缘特性,围绕构建表达能力强、鲁棒性好的学习字典展开研究,并将其应用于图像超分辨率。本文工作主要包括以下三个方面:1.学习和研究基于插值的、基于重建的和基于学习的三类超分辨率方法,并数值实现和对比分析了部分算法。2.提出一种基于方向边缘学习字典的图像超分辨率方法。首先构造一对具有边缘方向特性的模板对图像块聚类;然后分别对每一类图像块采用K-SVD算法训练字典,获得两对方向边缘字典;最后结合稀疏编码实现图像超分辨率重建。实验结果表明,该方法可恢复出更好的边缘结构和细节信息。3.提出一种新的基于结构不相似学习字典的图像超分辨率方法。以图像固有的非局部自相似性为约束,先利用三种不同的相似性判断方法删除训练集中的相似块,构造不相似小样本集;然后训练小样本集获得结构不相似学习字典;进而结合稀疏编码实现图像超分辨率。实验表明,在充分保证图像重建质量的前提下,该方法可以大大降低训练样本数量,提高学习字典的构建效率。总之,围绕提高学习字典的表达能力和构建效率,本文提出了方向边缘字典和结构不相似字典两种学习字典,并成功应用于图像超分辨率中,获得了较好的超分辨率结果。