高分辨率图像不仅可以带给人们更好的视觉体验,更可以为众多应用场景下数据分析精度的提升提供帮助,因此高分辨率图像在医学成像、安防监控、卫星遥感、军事侦察、高清电视等各个领域都有着重要应用。然而在数字图像的获取过程中,场景信息会受到一系列降质因素的影响,很难直接获得高分辨率图像,难以满足实际应用需求。通过增加采集设备传感器阵列采样密度或者改变光学系统的结构来提高成像分辨率则往往会导致设备成本与系统复杂度倍增,限制着其实际应用的范围。而图像超分辨率(Super Resolution,SR)技术可以在算法层面来提高分辨率,绕开了成像系统硬件方面的限制,具有更高的性价比与更广泛的适用范围,因而一直是国内外图像处理领域的研究热点。基于学习的图像超分辨率算法可以利用样本库中自然图像的特征作为先验信息,为低分辨率图像补充高频细节,能够有效提升图像分辨率。因此,本文在该类算法的基础上展开研究。本文的主要研究工作如下。(1)研究基于学习的超分辨率算法及其改进思路和方法。研究基于学习SR算法的原理,从SR领域常用的稀疏表示理论和结构相似性约束出发对算法改进设计,实施了一种基于区域分析的超分辨率算法,利用函数模型直接对区域特征整合后的相应SR映射关系进行精确学习,而后依据区域分析结果对SR映射模型加权来重建图像。(2)基于模糊理论的区域特征整合方法设计。为了保证在训练阶段可以精确学习到高、低分辨率图像间的映射关系,本文引入模糊理论以隶属度形式量化分析图像区域并对区域特征信息进行整合,该处理方式可以保证训练时所利用特征信息一致性,提高重建过程中的数据预测精度。(3)基于高斯过程混合模型的SR映射关系学习方法设计及实现。为了节省SR重建阶段的计算成本,本文利用函数模型直接对SR映射关系进行学习,同时,为了提升训练所得映射关系的精确性,本文设计采用高斯过程混合模型来训练映射模型参数以降低单模型学习结果产生的偏差。(4)超分辨率重建实验验证及结果分析。为了验证本文所设计的基于区域分析SR算法的有效性,利用大量标准集图像与实拍图像进行图像重建实验并进行结果分析和比较,并且在实拍图像的测试过程中,对该算法进行了基于降质模型的扩展。实验结果表明,本文算法可获得较好的重建效果且可以有效提升重建速度。