1、單幀圖像的超分辨率重建是以單幅低分辨率圖像作為輸入，重建出指定放大倍數(shù)的高分辨率圖像。單幀圖像的超分辨率重建算法大致可分為基于插值、基于重建和基于實例學習的三類算法。其中，基于實例學習的算法相比較基于插值和基于重建的算法具有更好的性能。本文以提高單幀圖像超分辨率重建的主觀視覺效果和客觀評價指標為目的，深入研究基于編碼和基于回歸的實例學習算法，總結出基于實例映射學習的單幀圖像超分辨率重建算法框架。該算法框架將學習映射與學習公共特征空間結合

2、起來，提升了算法對復雜非線性映射與高維統(tǒng)計數(shù)據(jù)進行建模的準確性。本文在此基礎上提出了兩種單幀圖像的超分辨率重建算法。
　　考慮到基于編碼的實例學習算法通常在訓練階段聯(lián)合訓練低分辨率和高分辨率字典，在合成階段僅可獲得低分辨率特征的條件下并不能確保低分辨率特征與對應的高分辨率特征在各自的字典上具有相同的編碼系數(shù)。針對這一問題，本文提出基于稀疏域選取的單幀圖像超分辨率重建算法，認為低分辨率特征與對應的高分辨率特征在各自的字典上的稀疏編碼

3、系數(shù)具有確定的映射關系，結合高分辨率特征的稀疏表示誤差和稀疏域映射誤差建立優(yōu)化目標式，通過二次約束二次規(guī)劃、稀疏編碼和嶺回歸算法交替優(yōu)化求解高分辨率字典、高分辨率稀疏編碼系數(shù)和稀疏域映射。該算法提升了對低分辨率特征到高分辨率特征的復雜非線性映射關系進行建模的準確性，從而抑制了重建圖像的虛假輪廓，增強了圖像的重建效果。
　　考慮到基于回歸的實例學習算法通常在訓練階段僅依據(jù)低分辨率特征將數(shù)據(jù)空間通過聚類分析分割成若干線性子空間以提高對

4、高分辨率特征估計的準確性。然而在各個線性子空間學習得到的回歸模型因缺少低、高分辨率特征的對應信息而不能確保映射的有效性。針對這一問題，本文提出基于對偶子空間投影的單幀圖像超分辨率重建算法。結合輸入的低分辨率特征與低、高分辨率特征之間的映射關系，以互相關強度最大化為原則構建投影樹，并使用該投影樹將低、高分辨率特征分割成若干對偶線性子空間，在各個對偶線性子空間構建錨點鄰域學習回歸模型。該算法不僅增強了對復雜高維統(tǒng)計數(shù)據(jù)建模的能力，而且提升了