目前,煤炭业越来越重视发展以“智能、安全”为核心的开采理念,获取高清的井下视频图像已经成为实现煤矿精准开采的必要条件之一。获取的井下图像分辨率越高,意味着包含的数据量越高,这样有利于煤矿工作者得到更多有效的信息,对实现煤矿开采的安全化和智能化发挥着重要的作用。但是,井下环境特殊,低照度、噪声干扰等现象时有发生,受硬件设备限制,获取的矿井图像往往分辨率较低,易出现图像的模糊和边缘信息的丢失,难以达到满意的视觉效果。图像的超分辨率重建技术可以有效提高矿井图像的分辨率,弥补丢失的高频细节信息,在智慧矿山、煤炭的安全开采、井下无人化工作等领域有着重要的应用。本文主要针对两种条件下的矿井图像超分辨率重建作出研究,在经典的稀疏表示模型框架下,结合字典学习方法,提出两种基于在线字典学习的矿井图像超分辨率重建方法,主要的工作和创新如下:(1)在低照度的条件下,针对矿井图像易出现模糊伪影的问题,对图像的超分辨率重建算法做出改进。分析了传统算法并不能满足对矿井图像重建需求的缺点所在。本论文提出了参数自适应的在线字典学习矿井图像超分辨率重建算法,以经典的基于学习的方法为基础,引入在线字典学习(online dictionary learning,ODL)进行字典训练,得到过完备字典,有效降低对固定训练样本的依赖度,提高字典学习的精度。输入图像的重建过程以稀疏表示理论为模型,通过改进参数的自适应方法使重建阶段的正则项能够被灵活地调整,确保参数可以依据每个像素块自身特点自适应地确定,从而获得最佳正则化参数。为验证所提算法的合理性和先进性,首先将本算法应用于国际标准图像数据集,并将其结果与其他算法进行对比,分析实验结果和数据。通过算法实验的对比和优化后,本算法最终针对低光照条件下出现模糊伪影的矿井图像进行测试,验证本算法在矿井图像重建中的有效性和针对性。由实验的主观结果和客观评价证明,所提算法在不同尺寸的扩大因子下,对低照度条件下的矿井图像重构效果明显优于传统对比算法的处理结果,能够克服矿井图像在重建过程中出现的模糊和视觉伪影的现象。(2)在噪声条件下,矿井图像的边缘信号丢失严重,针对这一问题,分析了传统算法不能有效重建出其边缘细节的原因,结合图像块自身特征,提出非局部自相似性的在线字典学习矿井图像的超分辨率重建算法。在预处理阶段进行边缘融合;引入非局部自相似性正则项到矿井图像的稀疏表示模型中。字典训练阶段先通过K-means算法对样本集进行相似性聚类分块,然后对每个类分块使用ODL算法进行字典块的更新;在图像重建过程中,利用非局部自相似先验从输入低分辨率矿井图像中提取自身的高频信号,实现最佳类字典的选择后,再次参与字典的迭代更新。这样既可以结合外部字典又能利用输入矿井图像自身的信息,使得用于重建的字典可以弥补丢失的边缘信息,同时适应每块低分辨率图像块的结构特征。同样地,选择标准图像集进行对比实验,验证所提算法的抗噪声性能。通过算法的对比和分析后,最终针对噪声条件下矿井图像边缘信息易丢失的问题,对井下视频截取的图像进行了实验测试。通过与传统算法的对比,该算法实验得到的结果数据不论从主观还是客观评估都有明显的质量提升,可以更加清晰地恢复矿井图像的边缘纹理细节,提高了噪声的鲁棒性,证明其适合于噪声环境下矿井图像边缘的超分辨率重建处理。该论文有图41幅,表15个,参考文献96篇。