图像超分辨率重建是一种由低分辨率(LR)图像获得高分辨率(HR)图像的技术,其目的是恢复图像在降质过程中损失的高频信息和细节信息。其主要方法包括基于插值、基于重建、基于学习、基于边界模型,本文主要关注于基于边界模型的超分辨率重建方法。本文重点研究了基于边界模型的超分辨率重建算法,然后提出两种基于边界优先的超分辨率重建算法,主要研究成果如下:1.提出基于线性样本回归的超分辨率重建方法,其中包含两种梯度估计方法:基于脊回归的方法和基于线性映射函数的方法。首先对图像块去均值后进行聚类,使得分类后的同一个子集的图像块具有相似的几何结构。在基于脊回归的方法中,使用脊回归函数模型求解图像块的稀疏滤波特征对同一子集中HR样本特征的表示系数,然后将HR样本的梯度和特征表示系数的线性组合作为估计的HR梯度块;同时,通过将投影矩阵预先保存,降低了算法的时间复杂度。在基于线性映射函数的方法中,对分类后的每一个子集,建立插值图像块的梯度与HR图像块的梯度的线性映射关系;在测试阶段,对插值图像块,根据已得到的线性映射系数的先验,估计对应的HR梯度块。实验表明,将估计出的梯度作为重建模型的梯度域约束,可以使得重建图像的边缘信息更加真实。2.提出基于极限学习机(ELM)回归的双域联合约束超分辨率重建算法,主要包括两部分:1)梯度域和高频域的估计;2)双域联合约束的重建模型。对分类后的每个子集,将插值图像块的去均值向量作为ELM的输入,对应的高频成分作为输出,训练网络参数,用于高频图像的初步估计;然后将去均值向量和初步估计的高频成分联合作为输入,对应的高频成分估计误差作为输出,用于高频图像的精细估计,同时将水平垂直梯度以及方向梯度作为输出。在重建阶段,首先将估计得到的水平垂直梯度以及方向梯度作为第一个重建模型的两个正则化约束,得到边界锐化的初始重建图像;然后将精细估计的高频图像作为第二个重建模型的第一个正则化约束,将初始重建图像作为第二个正则化约束,同时对每次的迭代图像的高频部分进行非局部均值滤波,使得高频信息更加丰富。实验结果表明,将梯度域信息和高频域信息结合,可以获得细节信息更丰富的图像。