图像超分辨率重构技术一直以来就是数字图像处理中重要的研究热点与难点,随着不同用户对高分辨率图像需求的与日俱增,这种技术在计算机视觉、安防监控、遥感、医疗等领域的应用也越来越广泛。图像超分辨率重构技术的目标是把图像进行放大,提高其分辨率并且重构出“丢失”的高频信息,改善图像的质量。基于学习的图像超分辨率方法是近年来提出的被学者们认为较有前途的方法,该方法主要是通过学习成对的高、低分辨率图像块之间的关系作为先验知识,对输入图像进行放大。本文首先对图像超分辨率技术的发展和理论做了介绍和总结,然后主要是在基于样例学习的方法框架上进行深入的研究,提出了基于图像分解的超分辨率算法,从而改善了重构图像的质量。该方法先通过卡通和纹理分解技术对图像进行分解,然后建立高低频一一对应的图像库,然后对输入的低分辨率图像进行基于偏微分方程的图像的插值放大,图像高频信息通过样本(example)学习的方法获得,最后把高频图像叠加到放大图像中以重构出最终的高分辨率图像。本文的研究内容主要如下：首先,样本库是学习的对象,给图像重构提供重要的先验知识。本文提出了基于图像卡通纹理分解的方法来获得卡通和纹理部分并分别训练建立样本库,卡通纹理分解得到的卡通部分包含部分中高频信息,纹理部分包含部分中低频信息,这样不但丰富了重构后图像的细节信息,而且也能提高图像匹配的准确度。然后,在图像放大过程中提出了基于偏微分方程(PDE)的图像插值的方法。该算法是对插值放大后的图像利用偏微分方程模型进行处理,保持图像的边缘细节,得到了好的视觉效果。最后,提出了基于边缘增强的样本学习的超分辨率重构方法。该算法首先检测图像的边缘信息,然后在图像样例匹配的过程中对于边缘部分的像素点提高其权重,以提高图像的匹配准确度,从而获得更佳的匹配样本。实验结果表明,所提出的基于图像分解的图像超分辨率算法重构出的图像的效果不管在主观上,还是客观上的SSIM、PNSR等指标都有一定的改善。