随着互联网时代的发展,数字图像在人们日常信息传递中发挥的作用越来越大,高分辨率图像凭借其良好的视觉体验,广泛应用于社会生活的各个领域,但是由于受硬件系统或拍摄环境的限制,得到的图像往往分辨率较低,而单靠改良硬件提高图像分辨率的难度很大,所以现在尝试应用图像超分辨率算法来增加图像细节信息。超分辨率算法是建立在信息处理理论基础上的软件方法,成本较低,在安全监控、数字通讯以及模式识别等领域具有广泛的应用前景。本文首先介绍了图像超分辨率技术的研究背景,对其发展历程做了一定概括,总结和归纳了现有的超分辨率技术,并重点介绍了近年来研究较多的基于学习的方法。作为图像超分辨率算法的一部分,人脸超分辨率一直是图像处理领域的研究热点,其中邻域嵌入算法也是公认的最有效的人脸超分辨率算法之一,但是其中也存在着一些问题,针对这些问题,本文提出了相应的两种改进方法。第一种方法能够重建出质量较好的高分辨率图像,适用于对图像细节要求较高的环境中;第二种方法主要针对降低算法复杂度,提高运行速度,适用于对实时性有需求的环境中。邻域嵌入算法假设高、低分辨率流形具有相似的几何结构,试图根据低分辨率流形的结构推测高分辨率结构,但是由于高、低分辨率图像之间多对一的关系,这种假设不一定总是成立,尤其是在图像降质程度比较大时,依靠这种假设重建出来的图像质量会更差;而且邻域嵌入算法的重建结果在一定程度上依赖于训练图像集,当训练集中缺乏与测试图像相似的图像块时,重建图像就会出现严重失真。因此,本文提出了一种基于多尺度相似性和非局部相似性的平滑算法,利用人脸图像自身对称特点所包含的冗余信息和同一幅图像不同尺度之间的冗余信息减小测试图像对训练图像的依赖,同时,采用一种迭代的算法分层逐渐重建高分辨率图像,同时在每一层更新训练图像集,保持训练图像和测试图像的重建程度一致。最后,本文通过实验分析了算法的运行结果,并与现有的算法做了比较,通过主观对比和客观对比证明了本算法的优越性。而且,本文进一步设计了对现实生活中拍摄的照片进行超分辨重建,并对重建结果进行了分析。邻域嵌入算法每次寻找邻域图像块时都需要遍历整个训练图像集,算法复杂度较大,运行时间较长,不适合应用于对实时性有要求的环境中。针对这个问题,本文提出同时改进特征量的选取和邻域图像块搜索方式,用图像块矩阵奇异值分解后的奇异值代替传统的以亮度或梯度作为特征量,同时,在邻域搜索前就先将训练图像集聚类,每次搜索前先计算测试图像块与每个聚类中心的欧氏距离,根据聚类中心进一步搜索剩余的邻域块。为了同时考虑高、低分辨率流形的结构,本文寻找邻域图像块的过程在高分辨率空间进行,权重计算过程在低分辨率空间进行。通过仿真实验,证明了本算法能够在保证图像重建质量的同时,缩短算法运行时间。