在许多应用情形下,人们总是需要得到更高质量的图像。但在实际成像过程中,由于受到成像系统、外界环境及成像技术等很多因素的限制,导致图像退化,使我们所获得的图像效果并不理想。而实际应用中,我们对图像质量的要求却越来越高,于是,如何有效地恢复出原始图像或者说是重建出我们所期望的图像,就成为图像处理中一个重要的问题。 图像的超分辨率重建算法泛指一类图像处理算法,它从一组属于同一场景的低质量的、低分辨率图像出发,通过算法来生成高质量的、高分辨率图像。即在保证频带内图像低频信息复原的基础上,对截止频率以上的高频信息进行重建,以使图像获得更多的细节和信息,使重建图像更加接近理想图像。 超分辨率图像重建的方法分为三大类：频域法、空域法和学习算法。频域算法提出的实间较早,只能对具有全局位移的图像序列进行处理；空域算法具有更大的灵活性,是目前的主要研究方向；学习算法是最近几年提出的,已经成为一种新的研究方向,其中心思想就是通过学习算法,抽取低分辨率图像与高分辨率图像间的内在关系,从而重建低分辨率图像。本文主要研究基于迭代反投影的空域算法和基于金字塔模型的学习算法。 本文对基于迭代反投影算法的超分辨率重建方法做了比较细致的研究,对影响该方法重建结果的因素(如运动估计、迭代次数、阈值大小等)进行分析。其中,运动估计对重建结果的影响最大,运动估计的正确与否直接决定超分辨率重建结果是否正确。本文介绍了三种运动估计方法：频域运动估计法、光流法和仿射变换运动估计法,并对基于各种运动估计下的迭代反投影超分辨率重建结果进行了比较和分析。 基于金字塔模型的人脸图像超分辨率重建学习算法通过将训练集合中的人脸图像分解为高斯金字塔、拉普拉斯金字塔和特征金字塔,建立人脸图像的高分辨率和低分辨率之间的内在联系,从而重建低分辨率人脸图像。 在对基于迭代反投影算法的超分辨率重建方法和基于金字塔学习算法的超分辨率重建方法的实验结果进行分析比较的基础上,本文提出了对两种方法的高分辨率重建结果进行融合的思想,以达到结合两种算法的优点,改善图像重建效果的目的。采用了基于小波分解的图像融合方法,该方法能够根据局部区域能量自动选择融合权重,可以更好的保留图像细节信息。