因硬件设备、网络带宽、网络存储空间等多方面的限制,成像设备上以及网络上的图像有很多为低分辨率图像。而低分辨率图像不清晰、分辨率低、很多情况下达不到对图像分辨率的要求,因此提高低分辨率图像的分辨率获得高分辨率图像的技术成为近年来图像处理领域的研究热点。该超分辨率处理的方法主要可以分为三大类:1.基于图像插值的方法、2.基于图像重建的方法、3.基于学习的方法。其中,基于插值的方法利用插值点周围已知像素点的灰度值来估计该点的灰度值,简单快速,适合实时应用;基于学习的方法通过构建训练集学习高、低分辨率图像块的关系,并利用训练集重建出高分辨率图像块,能充分利用图像的先验知识。本文在这两种原始方法的思想基础上,进行了一些改进,使得所提出方法的性能超过了原有的方法。在原有插值方法的基础上,提出了基于三次样条插值和迭代更新的超分辨率算法、基于一致性区域的超分辨率算法。这两种算法都先利用边缘检测算子检测出图像的边缘像素点与非边缘像素点,然后将图像的边缘像素点与非边缘像素点分开处理。实验结果表明,这两种算法都有效避免了普遍出现在传统插值方法中的边缘模糊问题。其中,在所提出的基于三次样条插值和迭代更新的超分辨率算法中,先用Prewitt算子检测出图像的边缘像素点与非边缘像素点,然后,边缘像素点沿边缘方向进行三次样条插值,非边缘像素点双立方插值后再用各向异性滤波算子滤波。在所提出的基于一致性区域的超分辨率算法中,先用Prewitt算子检测出图像的边缘像素点与非边缘像素点,然后分别确定边缘点与非边缘点的一致性区域,再利用所设计的双边滤波器在像素点的一致性区域进行滤波以确定待定像素点的灰度值。在基于学习的方法中,原有的基于邻域嵌入的方法计算复杂度低、效果较好,本文在原有的基于邻域嵌入的方法的思想基础上,提出了三维邻域嵌入和相乘因子下的超分辨率算法。该算法提取图像块的三维余弦变换(3D-DCT)系数作为图像块的特征,并将3D-DCT系数与所设计的权值模板相乘,实现对3D-DCT中的低频系数赋予较大的权值,高频系数赋予较小的权值。实验结果表明,与原始的邻域嵌入算法相比,利用本文算法重建出的图像在质量与色彩一致性方面具有更好的性能。