图像插值是图像放缩、旋转、几何矫正等图像操作的基础,是数字图像和视频处理中的一项关键技术,已经成为图像处理的研究热点。本文研究了基于支持向量机的图像插值,并将其应用到了彩色滤波阵列(CFA)插值及灰度图像插值。首先研究了彩色滤波阵列(CFA)插值方法。对常用插值方法的分析和比较表明,传统插值方法的结果图像都不同程度存在图像边缘模糊、伪彩色等问题。为此把支持向量机(SVM)引入到了CFA图像插值中,给出了基于支持向量机的彩色滤波阵列插值方案。该方法有效利用图像空间和色彩相关性及支持向量机的全局最优、高泛化能力等优势,获得了高质量的彩色结果图像。支持向量机作为一种机器学习技术,训练样本越多,预测精度就越高。对一幅图像进行插值,只有选择足够的样本,才能有效地提高预测精度,若图像较大,支持向量机的训练时间会很长。在图像的平滑区域用简单的插值方法就可以获得较好的插值结果。因此可以考虑只把支持向量机插值用于图像边缘区域插值。首先给出了一种基于支持向量机插值的边缘矫正方案,即先用简单、快速的插值方法完成CFA图像插值,然后对结果图像的边缘区域用支持向量机进行插值修正。然后又对该方案作进一步的改进,对图像的平滑区域和边缘区域分别采用不同的插值方法得到了一种基于支持向量机的边缘自适应CFA插值方法。在实际应用中支持向量回归机模型的拟合精度、泛化能力等性能与核函数的类型、核函数的参数、惩罚系数及不敏感参数有很大的关系。论文最后探讨了两种基于迭代的优化工具——遗传算法,粒子群优化算法在支持向量机参数选择中的应用,并将寻优后的支持向量机应用到了灰度图像插值中。