1、圖像是當前人們獲取信息的重要載體。無論日常生活還是科學研究，人們都希望使用高分辨率圖像。分辨率越高，圖像中的邊緣區(qū)域更加清晰，細節(jié)更加豐富，人們能夠獲得的信息就更多。然而，受到硬件設備和天氣條件的限制，實際的成像過程往往受到模糊、下采樣和噪聲等因素的影響，導致采集到的圖像分辨率低、質量差，無法滿足人們的需求。圖像超分辨率重建技術利用圖像處理手段，可以由單幀或多幀低分辨率圖像獲得高分辨率圖像，成本低，可行性高。因此，圖像超分辨率重建算法的

2、研究已成為當前圖像處理領域的一個研究熱點。
　　基于學習的超分辨率方法借助外部訓練樣例，可以恢復出低分辨率圖像中丟失的高頻成分，從而獲得較好的結果。因而，近年來越來越多學者關注這類算法的研究。鄰域嵌入超分辨率算法便是其中比較有代表性的一種，該方法直接將低分辨率空間中的鄰域關系嵌入到高分辨率空間，從而得到高分辨率圖像。但是，在訓練樣例的選取和處理、近鄰數K的確定、去除由于訓練樣例選取不當而產生的人工痕跡，以及提高算法速度等方面，都還

3、有很大的改進空間。本文針對上述問題，從不同角度入手，對鄰域嵌入算法進行了分析改進，所取得的主要研究成果為：
　　1.提出了一種基于預放大非負鄰域嵌入單幀圖像超分辨率算法。鄰域嵌入算法假設高、低分辨率圖像塊在各自特征空間能形成具有相似局部結構的流形，但放大倍數較大時該假設不再成立；我們也無法對不同圖像確定一個通用的近鄰數K。為此，我們使用預放大技術進行過渡，訓練高分辨率圖像和中分辨率圖像之間的映射關系，緩解了鄰域關系無法保持的問題；

4、另一方面，使用非負鄰域嵌入解決了近鄰數K的選取問題。
　　2.提出了一種基于非局部正則化的非負鄰域嵌入單幀圖像超分辨率算法。鄰域嵌入算法速度慢，難以滿足實際需求；若訓練樣例選取不當，容易在結果中引入人工痕跡。為此，我們在訓練階段對訓練圖像塊進行聚類，同時對低分辨率塊提取新的特征，降低尋找K近鄰的運算量以提升算法的速度。重建階段利用自然圖像中局部塊的自相似性，構造非局部正則項，對超分辨率重建問題進行約束，從而抑制人工痕跡。