随着科技的发展人们对于图像质量的要求也越来越高,单纯从硬件方面进行提高,技术上已经达到瓶颈,且成本较高。研究者们想到从软件方面进行突破,有望克服硬件成像设备(如手机或摄像机等)的一些固有分辨率的限制,另一方面还可降低成本。因此,近年来图像超分辨率(SR,Super Resolution)算法研究成为了一个非常活跃的研究领域。现今SR算法可大体分为:基于插值的、基于重建的和基于学习的三类。基于插值的方法计算复杂度低,重建速度快,但易出现锯齿效应,重建质量差,无法满足人们对于图像的需求。基于重建的方法在一定程度上解决了插值算法的不足,使重建质量有所提高,但易出现振铃效应,视觉体验仍旧不太理想。基于学习的算法则是首先对训练集进行学习再进行重建,重建质量大大提升。基于学习的SR算法显著的成果再加上学习算法的蓬勃发展,广大研究者热衷于该类算法的研究。本研究也是基于学习的基础上提出的单图像超分辨率改进算法。本文是在基于稀疏表示的图像SR重建的算法上进行改进的,主要通过学习传统SR算法以及稀疏表示方法,在深入理解其基本思想后,结合实际需求对现有算法提出改进方法,做出有效的解决方案,从而提高图像质量。本文的主要工作如下:提出了扩大训练集再使用具有尺度不变性的锐度测量(SM,Sharpness measure)分类指标进行分类的稀疏重建方法。该方法首先是考虑到图像不同的角度所提取的特征会有所不同,仅从单个角度提取特征进行训练不能达到理想的训练效果,因此我们提出将训练集进行三次90°旋转,再将得到的图像进行翻转,从而实现将训练集扩大为原训练集的八倍,丰富了训练特征。又因这样会造成字典过度冗余,不便于图像重建甚至可能适得其反,因此我们计划对庞大训练集进行细分,分为平滑、次纹理和纹理特征集三类,经过多方分析我们采用具有尺度不变性的SM值作为分类指标进行分类,接着对每类使用K-SVD算法分别进行训练,得到三个子字典对,最后用同样方法将测试集图像分成相应的三类,每类选用对应于该类的子字典对,进行稀疏重建,从而得出相对清晰的SR图像。通过大量实验证明,我们提出的该方法与经典稀疏重建算法相比,优于对比方法。为了解决现有超分辨率重建算法在保持图像纹理信息方面有所欠缺的问题,我们提出添加纹理约束的正则化项进行约束重建,该约束首先使用相关总变分(RTV,Relative Total Variation)来提取图像纹理,接着使得初始化后的高分辨率(HR,High Resolution)图像下采样后提取的纹理与输入的低分辨率(LR,Low Resolution)测试图像提取的纹理差异性最小化,构造出了纹理约束项,从而为重建图像提供纹理细节保护机制。另外,考虑到现有重建方法多是以块为单位进行处理的,则不可避免的会出现块效应,又综合考虑到每个图像块相对于整幅图像中的其他块相似度各不相同,因此我们提出了自适应的全局约束方法,以降低块效应,提高图像质量。其主要工作即在原有稀疏重建算法的基础上添加以上两个正则化项。实验表明,我们提出的SR改进算法重建效果有了明显提升,从而证明了该算法是有效的。