图像的分辨率是指图像区域内像素点的数目,代表图像信息的存储量。日常生活中,由于采集环境和设备的限制或数据传输的要求,大量有价值的图像,以含有低信息量的低分辨率形式存在。而单幅图像超分辨率算法,就是使用数字图像处理技术,由一幅低分辨率图像自身,重建出包含更多图像信息和细节的高分辨率图像,最终满足生产和生活的需要。因其在医学成像、卫星遥感影像以及监控系统等领域的广泛应用,单幅图像超分辨算法一直是图像处理方向的研究热点之一。目前,传统的插值方法因为操作简单、便于理解,得以被大量使用,但它往往会使图像因为缺少高频信息而变得过于平滑。在基于重建的方法中,迭代反投影方法能够有效弥补图像高频信息,但同时也不加处理地引入了一些图像误差。随着近些年计算机技术的兴起与发展,基于样本的学习方法已成为单幅图像超分辨算法的主流。但对于基于外部图像库的学习方法而言,结果好坏过于依赖外部实例数据库与目标放大图像的内容关联程度。另外,在基于内部图像库的学习方法中,存在如何构建轻便高效的内部实例数据库,以及采用何种学习训练模型才能重建出更高质量的高分辨率图像等研究性问题,解决这些问题赋有一定的价值和挑战。基于以上分析,本文提出了一种新的单幅图像超分辨算法——基于内部实例数据库和奇异值分解优化的单幅图像超分辨率算法,算法主要包括基于内部实例数据库的学习与映射、基于局部特征的双三次曲面插值和基于奇异值分解的非局部结构优化三个部分。首先,论文根据图像的自相似性研究,利用双三次下采样方法和本文提出的基于局部特征的双三次曲面插值放大方法,由一幅输入低分辨率图像自身构建了一个内部实例数库,并结合机器学习中的线性回归模型学习和映射了初始插值放大图像中缺少的高频信息。其中,基于局部特征的双三次曲面插值放大方法,采用双二次多项式拟合多个局部曲面,在多项式系数求解时,结合了图像边缘等信息,之后其通过融合相互重叠的局部曲面得到整幅图像的双三次采样曲面,实验证明,这种曲面插值方法的性能明显优于传统的双三次插值方法。算法的最后,为了减少插值和学习过程中造成的图像误差,本文在传统的迭代反投影模型基础上增加基于奇异值分解及软阈值收缩的操作,进一步提升了重建高分辨输图像的质量。为了验证上述所提单幅图像超分辨算法每一步骤的合理性与有效性,在实验结果部分,论文针对以下几个方面设计了阶段性实验:基于局部特征的双三次曲面插值方法与传统双三次插值方法的比较、基于奇异值分解的非局部结构优化方法与传统的迭代反投影方法的比较,以及内部实例数据库架构的优势分析。另外,论文还通过在Set5、Set14和Urban100数据集上进行不同放大倍数的实验和对比试验,对方法的整体性能进行了分析与评估。经过与当前不同类型的图像超分辨方法比较后发现,本文方法无论是在视觉效果还是在量化指标上都取得了良好的结果。