图像超分辨率的最终目标就是从一幅或成组已知低分辨率图像中得到清晰的高分辨率图像。作为计算机图形图像处理领域中的一个基本操作,它被广泛应用在计算机医学,军事图像,虚拟现实和多媒体技术等多个领域[5]。由于需要从已知的低分辨率图像的像素群准确预测未知的高分辨率图像像素,所以在图像超分辨率领域,我们仍然还面临着许多的挑战与难题。在一幅图像中,边缘,纹理等像素变化强度大的高频区域信息能够很好地传达图像所呈现的大多数有效信息,因此如何保持高分辨率结果图像的这些高频区域信息一直是图像超分辨算法研究领域的热点和难点。传统的图像插值算法利用数学模型还原图像空间,由于其易运算,时间成本低等特性,被广泛应用在图像处理的多个实际生产生活场景。但这些经典的插值算法并不能很好地抑制高频信息的缺失,通常都会引起纹理信息的模糊以及边缘的锯齿效应。近些年来,基于实例学习的图像超分辨率算法逐渐变得流行起来。这种类型的算法是通过学习大量的已知实例对得到回归模型,来预测高分辨率图像的未知像素信息。相较于常见的图像插值放大算法,基于实例学习的算法虽然都具有更高的计算复杂度和时间成本,但是得到的最终超分辨图像却往往能保持更好的视觉效果,保留更多的图像特征和更多的图像细节信息。因此,本文考虑通过融合插值算法与基于多实例学习算法,首先利用一种简单且高效的插值算法获得初始化插值图像;同时,充分考虑同处于不同分辨率层次的图像块之间的相似性关系,利用图像自身相似块之间的学习,从而解决图像插值导致的高频信息丢失和细节模糊,从而获得更加清晰和精准的高分辨率图像。传统的基于多实例学习算法为了计算方便和节省时间成本,往往会选取较为简单的多项式插值算法来初始化高分辨率图像。但是,正如上文我们提到的那样,由于没有充分考虑图像的特征区域信息,这些传统的多项式插值算法总是会引起文理区域模糊和沿边缘方向的锯齿效应。高质量的初始化高分辨图像对最终的图像结果有着决定性的影响,因此,本文首先提出一种简单高效的特征约束多项式插值的算法来初始化高分辨率图像,作为整个图像处理过程中的初始化步骤,此后我们利用图像自身的相似性特性,训练学习模型,并利用该回归模型得到初始化高分辨图像过程中丢失的高频信息。最后我们利用迭代反投影算法作为全局的后处理手段,得到最终的高分辨率结果图像。在实验过程中,本文选择了部分医学图像和自然图像作为实验图像的样本,完成了大量的实验并与近些年来多个图像超分辨算法的结果图像做了对比。实验结果表明,对比于近些年来具有代表性的超分辨率算法,本文提出的算法能取得更好的视觉效果,尤其是在纹理和边缘等高频信息区域,保留了更完整的信息。在量化数据方面,本文提出的算法也较其他的算法有明显提升。