随着数字医疗影像技术在医学领域中的应用日益普及与发展,多种医学图像的成像与处理系统在医学影像图像存储、图像信息检索、临床治疗应用、科学实验的探索研以及远程诊断的通信系统中所发挥的作用将会越来越重大。由于采样时间、噪声污染等因素的限制,往往获取得采样数据是不完整或受损的,从而限制了对医学图像的分析与理解。超分辨率重建技术能改善降质图像质量,对医学图像具有很好的应用前景和重要的科研意义。针对上述问题,本文主要基于稀疏表示的超分辨率重建算法的研究,以提高医学图像的分辨率为核心,并围绕着稀疏表示、字典学习展开研究,具体完成内容及贡献如下。本文总结了国内外图像超分辨发展现状与发展趋势,针对当前图像超分辨率技术面临的挑战,在新技术的基础上深入研究,拟定解决方案。本文将采用超分辨率复原技术对单帧医学图像进行后处理,主要从以下两方面着手:其一,通过非负稀疏表示模型,提出图像块间的不相似性度量准则作为代替图像块间的相似性的新惩罚函数,在稀疏权重模型中引入其作为正则项,从而能够提升稀疏系数的稳定性和训练字典的精确性,使输入的低分辨率图像块与样本库中的图像块达到高度匹配,进而恢复出所需的高分辨率图像,经过实验验证,此算法在提高分辨率的同时能够有效抑制噪声;其二,在此基础上,提高算法的时间性能在医学图像的应用中极其重要,为了提高算法的时间性能,将要估计的高频信息认为是由主要高频和冗余高频两部分组成,提出了一种基于双字典学习和稀疏表示的医学图像超分辨率算法,首先将要待处理的观测图像分为主要成分和冗余成分,然后分别训练出它们的主要字典和冗余字典,进而分别恢复出主要高频细节和冗余高频细节,最后将其融合在一起恢复出超分辨率图像。实验结果分析和比较证实,所提出双层递进方法能够恢复更多的图像细节且在性能指标上比现有的其他几种方法均有所提高,也为医学诊断提供参考依据。