图像超分辨率重建是目前计算机视觉研究领域中的一个重要分支.因为该技术可以在不改变成像设备的条件下有效地提升图像的质量,所以在卫星图像、医学图像、视频编解码、模式识别等领域中有广泛的应用.本文在卷积稀疏编码算法的基础上,利用深度学习理论和稀疏表示理论研究图像超分辨率重建算法.具体工作如下:1.基于自适应卷积稀疏编码和卷积神经网络的图像超分辨率重建算法.首先,采用低通滤波将低分辨率图像分成低频部分和高频部分.其次,利用卷积神经网络构建低频部分的低分辨率图像和其高分辨率图像之间的映射关系来重建低频部分的高分辨率图像.同时提出了自适应卷积稀疏编码方法来重建高频部分的高分辨率图像.对比实验表明,本文提出的自适应卷积稀疏编码算法比卷积稀疏编码算法、卷积神经网络等图像超分辨率算法具有更好的重建效果.2.基于四通道的卷积稀疏编码图像超分辨率重建算法.该方法将输入图像依次翻转九十度作为四通道的各自输入,首先将输入图像分解成高频和低频部分,分别利用卷积稀疏编码算法和三次插值算法对各通道的低分辨率图像的高频部分和低频部分进行重建,然后对四通道输出图像加权求均值获得重建的高分辨率图像.本文所提算法提高了重建图像的细节轮廓,加强了重建图像的稳定性.实验结果表明,所提的算法比一些经典的超分辨率重建算法在峰值信噪比、结构相似度和抗噪性上具有更好的重建效果.3.基于自适应字典选择和卷积稀疏编码的图像超分辨率重建算法.首先,将低分辨率图像分成低频部分和高频部分.其次,利用自适应稀疏域选择算法来重建低频部分的低分辨率图像.同时,采用自适应卷积稀疏编码方法重建高频部分的高分辨率图像.对比实验表明,本文提出的超分辨率算法比卷积稀疏编码算法、卷积神经网络等图像超分辨重建算法具有更好的重建效果.