当前,在图像通信中,降质图像重建经常被用于视频图像的分析与处理。高质量图像的使用需求基本上来自于两个应用方向:(1)使图像显示信息更为清晰明确;(2)提升人机对图像更为深刻的识别。伴随着多媒体时代的发展,由于人们更需要高分辨率的图像与高效的多媒体通信,因此降质图像重建技术的发展越来越快。本文针对插值的超分辨率算法进行研究,对经典插值算法的基本原理进行概述,采用多种模型进行实验。字典学习的超分辨率算法主要以基于字典的稀疏表示为主,本文较为简要地介绍了其工作原理。本文将插值算法引入超分辨率重建,开展实验,最后获得测试结果。本文的比较实验,使用了四种不同的图像插值算法,分别为:Bicubic、NEDI、ICBI、边缘保持图像插值(CBEP)算法。结果表明,本文所测试的四种算法中,CBEP由于有其多方向采集的特点,可以较为全面的进行预估,可以减轻传统方法对于边缘处理的误差影响,更能适应一些弱边界图片或者有大量纹理区域的图像。目前,随着用户对高清视频需求的增长以及无线视频传输的广泛应用,基于块的视频编码标准被广泛应用于多媒体技术。然而,数据包在易出错的传输通道上丢失时,会导致严重的质量降低,一种纠正误码的方法是重新发送丢失的数据。然而在许多情况下,由于实时约束或带宽限制,重发是不可能的。因此,本文致力于研究图像通信的错误隐藏(Error Concealment,EC)技术,以便在有限的传输资源下保证接收视频的质量。错误隐藏作为一种后处理方法,无需修改编码器和信道编码方式就能恢复丢失块。错误隐藏的基本思想是在当前图像中运用正确收到的像素或基于视频中具有高相关度的相邻帧来补偿损坏的像素。连续块损失的图像恢复是一项具有挑战性的课题,为了改善其空间错误隐藏(SEC)的性能,本文提出了一种边缘感知空频延拓(ESFE)算法及其边缘导向参数模型,该算法将边缘合成机制选择性地融入到信号延拓的架构中。首先通过Canny检测器来寻找经过丢失块行的主要边缘,然后利用鲁棒的Hough转换来系统地连接这些不连续的边缘。在边缘导向参数模型的生成过程中,合成的边缘能够将丢失块行分成结构保持的若干区域,由此可靠地减少了残差。通过连续地最小化加权残差并更新参数模型,这些基函数分布在一个包含已知样值和未知样值的区域,已知的样本可以由一组基函数来近似。与其它当前的SEC算法相比,实验结果表明,该ESFE算法针对连续块损失可以获得更好的重建质量,同时保持相对适中的计算复杂度。