为实现图像超分辨力重建, 提出了一个自适应半耦合稀疏字典学习算法。由于耦合字典学习算法中存在稀疏编码约束条件太过严苛的缺点, 本文采用半耦合的字典学习算法。根据在半耦合的字典学习算法中全局字典表达的局限性, 分析和采用了多字典训练算法及相应的重建方法。提出了基于自适应图像块聚类算法的半耦合稀疏字典学习算法。仿真实验结果显示, 新算法重建得到的 Butterfly,Cameraman,Foreman,Plants,Hat和Lena等图像的峰值信噪比 (PSNR)分别比用基于K-means聚类算法的半耦合稀疏字典学习算法得到的重建图像高出 0.18 dB,0.16 dB,0.52 dB, 0.21 dB,0.23 dB和0.14 dB。该算法可以得到更好的图像重建效果。

针对红外云图分辨率低的问题, 提出一种基于耦合过完备字典的超分辨率方法。在分析红外云图成像退化模型的基础上, 建立了采用稀疏表示理论的超分辨率重构框架, 首先随机抽取大量高、低分辨率云图的图像块, 组成训练样本, 经过字典学习获取针对高、低分辨率云图块的两个字典Dh 和Dl, 为保证对应的高、低分辨率云图块关于各自的字典具有相似的稀疏表示, 提出一种耦合字典学习算法, 该算法改变了字典对的更新策略, 通过在每一步迭代中交替优化Dh 和Dl, 得到耦合的过完备字典对; 最后对输入的低分辨率红外云图, 采用最优正交匹配追踪算法(Optimized Orthogonal Matching Pursuit Algorithm, OOMP), 得到满足重构约束的高分辨率云图。实验结果表明, 本文方法与其他方法相比, 红外云图重构质量有较为明显的改善, 而且比同类方法具有更高的计算效率。