超分辨率技术旨在通过单帧或多帧低分辨率图像重建出高分辨率图像,可广泛应用于网络视频、数字电视和公共安全等领域。压缩感知是一种可以突破Nyquist采样原理极限的信号理论,本文的主要研究内容就是利用压缩感知理论解决视频超分辨率问题。论文阐述了超分辨率技术与压缩感知理论的研究背景和研究意义,归纳总结了单帧图像、多帧图像和视频序列超分辨率技术的研究现状。并着重介绍了压缩感知的理论框架与在视频超分辨率领域的应用。论文提出了一个基于压缩感知与自学习的单帧图像超分辨率方法,通过自身图像及其下采样版本训练一个过完备自学习字典。在压缩感知框架下,实现超分辨率并不需要利用高低分辨率字典的对应关系,从而解决了不同下采样模型会导致对应关系难以准确匹配的问题,拥有更好的鲁棒性。此外,本文还提出了一个自相似块匹配的方法,通过在输入低分辨率图像中寻找自相似块,然后重建残差,达到保持图像的边缘细节的目的。针对视频序列,论文将压缩感知方法分别与运动估计和相似匹配两种方法结合,提出了两种基于压缩感知的视频超分辨率算法。基于运动估计的方法通过块匹配运动估计与光流法运动估计结合,得到准确的亚像素运动矢量,从而确定多帧间的相似信息及其准确的位置信息,最后通过多帧信息联合建立稀疏表达最优求解方程组,利用基于压缩感知的迭代加权最小二乘法(Iteratively Re-weighted Least Squares,IRLS)重构算法得到超分辨率结果。基于相似性的方法则是通过相似块匹配的方法,在多帧图像中找到尽量多的相似块,得到多帧图像间的冗余信息,再通过双边正则化的方法,计算出这些信息与高分辨率图像的映射关系,最后通过多帧图像信息联合建立稀疏表达最优求解方程,通过IRLS重构算法,构造出高分辨率图像。此外,本文还提出了一种针对视频序列的自学习稀疏表达字典更新方法。在前一帧图像训练完成的字典的基础上,通过去除无关原子,再加入新样本原子,得到当前帧的稀疏表达字典。此方法在提高重建效果的同时,有效地缩短了运算时间。