图像超分辨率重建目的是提高图像空间分辨率、改善视觉效果,具体包括一般重建技术和插值技术。现有算法可分为基于图像自身信息的算法和基于外部数据的学习算法,后者能够从外界获得先验信息,从而生成高质量的图像。本文围绕“混合模型”和“随机森林”两种学习类算法开展研究,并提出重建效果更佳的算法。图像中一般都会存在大量相似的局部结构。基于这一事实,学习类的重建算法将配对的高、低分辨率图像块作为输入,按照“先聚类再回归”的准则来训练模型。为了提升重建图像的品质,本文提出了一种“残差引导”策略,并创新性地应用在了两种机器学习模型之上。主要思想是鉴于图像的残差直接反映了重建结果的缺陷,可以用残差图像代替高分辨率图像作为训练的目标,从而更有效地完成训练。为此,在模型的每一层级,我们通过聚类的方式对残差图像块空间进行划分,进而计算出各子空间对应的回归函数。进一步地,利用新构建的模型对残差进行“精炼”,并以精炼的残差来引导下一层级的训练,实现对重建结果的迭代更新。基于以上创新思想,具体提出了两种图像重建算法,即“残差引导的混合模型图像超分辨率重建算法”以及“残差引导的随机森林图像插值算法”。主要思路是利用随机森林和混合模型均具有层级结构的特点,分别应用残差引导策略来构建并训练模型。理论上,随着训练层级的增加,图像残差收敛于零,从而可以实现对重建效果的改善。训练过程中各层级均保存了对应的回归函数,即低分辨率图像块与当前阶段残差图像块的映射关系。在执行具体的图像重建任务时,我们利用这些回归函数来预测残差。鉴于模型训练的收敛性质,每一层级的预测残差均是对前一层级残差的优化。通过融合各层级预测的残差,完成对图像的重建并保证了重建的质量。理论分析和数值验证结果表明,新算法比现有的同类算法具有更好的性能表现。