随着科学技术的进步和发展,智能生活和生产逐渐走进了人们的视野,相关的技术受到了广泛的关注和研究。图像和视频作为生活和生产中触手可及的信息和数据,常常被用于处理各种实际问题。因此,人们对高质量图像和视频的需求越来越大。图像超分辨率作为一种极其重要的图像质量提升技术,成为计算机视觉和图像处理领域重要的研究方向。单图像超分辨率是从低分辨率图像中重建出高分辨率图像的技术,该研究的关键是对图像原有像素的复原。但是基于对目前典型算法的调研发现,图像高频细节信息的重建是一个亟待解决的问题。着眼于该问题,本文结合了对图像低频信息和高频信息的理解,运用了函数逼近的思想,设计出了有效的算法。本文的主要贡献如下:(1)针对图像像素的复原问题,本文将图像超分辨率技术视作是超分辨率图像对高分辨率图像的逼近,本质上属于二维函数逼近范畴。图像由低频信息和高频信息组成。本文模型基于卷积神经网络的框架,设计了低频信息迁移路径,用于对高分辨率图像的低频信息进行逼近。同时,模型设计了高频信息预测路径从低分辨率图像中分离和预测出相应的高频信息,并对高分辨率图像的高频信息进行逼近。通过对两种信息的融合,可以重建出高分辨率图像。模型使用图像差值的L1范数作为损失函数,保证重建图像在像素值水平上逼近高分辨率图像。(2)针对图像细节信息的重建问题,本文使用了小波分析的知识对图像细节特征进行建模。根据细节特征设计了一种细节感知损失函数,用于度量图像细节特征的相似性。通过特征的相似性,对超分辨率模型的参数进行优化。这使模型在图像重建过程中,可以在细节特征的水平上对图像进行逼近,保证高频细节的重建。(3)本文从网络的深度、宽度、参数量、残差块消融、损失函数对比等实验来分析模型的超参数和性能。通过Set5、Set14、BSDS100和Urban100四个数据集的图像重建实验发现,与先进的图像超分辨率方法相比,本文模型在图像细节重建上取得了优异的效果。