图像分辨率是限制图像质量的主要因素,随着图像在信息传输领域重要程度的提高,高分辨率图像的需求量也日益增大。图像超分辨率重建技术可以突破图像采集所受到的限制,提高所得图像的分辨率,从而获得清晰图像。而人脸图像超分辨率重建技术是图像超分辨率技术的一个分支,又称人脸幻生,专门对人脸图像进行处理,以提高模糊人脸图像的清晰度,被广泛应用于人脸识别以及视频监控等领域。本文主要研究了基于稀疏表示理论的人脸图像超分辨率技术,通过对Yang算法的深入学习,改进了算法中图像样本库的提取方法来提高重建质量,并且利用分步构造的字典训练方式来提高图像重建效率,主要成果包括以下两个方面:首先,传统重建算法中图像训练样本库采用随机选取的方式建立,从而导致不相关冗余信息加入训练样本库,干扰了图像重建结果。同时,随机选取方式使得每次图像重建过程中训练得到的字典并不相同,无法得到稳定的图像重建质量。针对上述问题,本文提出一种基于高频信息字典的人脸图像超分辨率重建算法,通过对高分辨率图像与低分辨率插值放大得到的高分辨率图像估计求残差,得到图像的高频信息区域,再对图像高频信息区域提取分块来建立图像训练样本库。这样训练得到的字典对高频信息拥有较好的表达能力,从而提高图像重建质量。此外,高频信息区域图像块的选取,也巧妙解决了图像重建质量不稳定的问题。通过实验对比发现,算法的重建质量略优于传统算法重建质量,并且重建结果稳定。其次,传统人脸图像超分辨率重建过程采用联合字典对训练方法来获取高低分辨率字典对,其过程耗时较长。为提高图像重建效率,本文提出一种基于分步构造高频信息字典的人脸图像超分辨率重建算法,在训练高频信息字典的基础上,利用高分辨率字典求解低分辨率字典的方式来获取高低分辨率字典对。这种字典训练方式降低了参与训练信息的维度,从而提高训练效率。仿真实验证明,算法在低倍重建时可以有效节省训练时间,并且只有较小的图像质量损失。