图像超分辨率重建算法通过信号处理的手段从低分辨率图像恢复出高分辨率图像,该技术可以突破目前的成像器件的固有限制和外界环境干扰,提升空间分辨率,在遥感成像、医学诊断、视频监控等领域都具有重要的实用价值。基于稀疏表示的超分辨率重建算法是当前的研究热点之一,该算法结合信号的稀疏表示,从训练样本中获取稀疏先验知识,有效恢复降质过程中丢失的细节,提高图像的分辨率。本文以基于稀疏表示的超分辨率重建算法为研究主线,开展采用正则化技术实现稀疏编码、神经网络实现字典学习、以及图像的全局误差补偿等研究工作,主要研究成果如下:实现了基于正则化技术的图像超分辨率算法。在稀疏编码阶段,分别将自回归、非局部相似和流形学习正则化项引入稀疏编码目标函数中。其中,自回归正则化项可以引导每个图像块自适应选择一个合适的自回归模型以调节解空间,改善对局部细节的恢复;非局部相似正则项化可以获得图像非局部冗余,用以保持图像边缘信息;流形学习正则化项可以获得图像的结构先验知识,用以增强结构信息。基于正则化技术,一方面,实现一种基于正则化技术和引导滤波的图像超分辨算法,采用提出的基于加权引导滤波的全局误差补偿模型实现重建图像的误差补偿,进一步恢复图像的细节信息;另一方面,实现一种基于正则化技术和低秩矩阵恢复的图像超分辨率算法,采用不同的算法重建低秩分解获得的不同特征的子图像,更加有效地利用图像的不同特征指导重建。实验结果表明,相比于常规基于稀疏表示的超分辨率重建算法,所提算法恢复了更多的边缘、纹理和结构等方面细节信息,而且通过与一些经典算法相比,具有更高的峰值信噪比和结构相似度。实现了一种基于改进稀疏自动编码器的超分辨率重建算法。首先在数据预处理阶段,以训练样本的高频信息为特征,分别构造高、低分辨率图像训练集,并通过ZCA白化技术对联合训练集去相关以降低其冗余性;其次在传统稀疏自动编码器的代价函数中加入构造的稀疏正则化项,进一步加强对隐含层的稀疏性约束,然后采用改进的稀疏自动编码器实现无监督的联合字典学习,并将字典应用于图像的超分辨率重建。该算法学习到了更加准确和鲁棒的字典,取得了更好的重建效果。实现了一种基于深度置信网络的医学图像超分辨率算法,首先根据字典学习的需要调整深度置信网络,然后将调整后的深度置信网络用于字典学习,并将得到的字典应用于医学图像的重建。该算法得到更加准确的图像特征,更好地将超分辨率重建技术应用于医学图像,有效地辅助医疗诊断。