随着数字图像处理技术的快速发展,使得人们需要的图像分辨不断提高。通过硬件设备的不断改善以提高图像分辨率,因其成本及技术等诸多因素难以实现,故而采用软件改善图像分辨率成为较为切实可行的方法,在此背景下,图像超分辨率重建(Super Resolution Reconstruction,SRR)技术应运而生。图像超分辨率重建是指将单幅低分辨率图像或者多幅序列低分辨率图像重建出一幅高分辨率图像。图像超分辨率重建可用于医学图像、视频监控、军事遥感和高清视频电视等领域。首先本文对SRR技术的原理及其发展进行简单介绍,说明SRR是对反问题的求解,其过程是对欠定方程组的求解过程,最后的重建结果是根据限定条件来求取最优解。现有SRR算法主要可分为三类,分别为基于插值的图像超分辨率重建、基于重建的图像超分辨重建和基于学习的超分辨率重建,其中基于学习的图像超分辨率重建是目前研究的热点。基于重建的算法多用于多幅序列低分辨率图像的重建,对序列图像的限制要求较多,难以获得。基于学习的算法多针对单帧低分辨率图像,操作简单直观。基于学习的算法基础是假设不同图像之间的相似的低分辨率特征与相似的高分辨率特征是相对应的。将一一对应的高分辨率和低分辨率图像对,存储在图像样本库中,输入待重建的低分辨率图像,通过学习,即可输出相应的高分辨率图像。基于稀疏域的超分辨率重建是基于学习超分辨率重建的重要研究领域。压缩感知理论从根本上有别于传统的Nyquist采样定理,它对原始信号的采样速率要远低于Nyquist定理的采样速率。压缩感知理论依靠观测信号和图像的先验知识,通过运行合适基的稀疏扩张来达到近似恢复信号和图像的目的。压缩感知理论主要包括信号的稀疏分解、观测矩阵和重构三部分。基于压缩感知的图像超分辨率重建技术,首先要设计一个高分辨率图像训练库,然后对训练库中的图像进行图像退化,得到相应的低分辨率图像库。分别对高低分辨率图像库中的图像进行分块,并提取图像块中的高频信息。利用KSVD算法训练得到字典后,求出低分辨率图像块在低分辨率字典上的稀疏表示系数,再利用高分辨率字典和稀疏表示系数重建出相应的高分辨率图像块,最终将获得高分辨率图像块重构出一幅高分辨率图像。基于压缩感知的图像超分率重建算法将基于稀疏域的超分辨率重建算法与压缩感知理论结合到一起,对Yang提出的超分辨率重建算法进行了改进,在重建图像的质量以及算法运行时间方法均有一定程度的提高。