本发明涉及一种无级缩放超分辨率图像的重建方法，包括：字典训练过程、图像重建过程、尺度变化过程三个处理步骤。本发明提出建立图像库训练字典的方法，将图像集离线训练字典库，得到高分辨率图像与低分辨率图像的映射关系，优化图像重建步骤，有效减少方法运行时间，具有自适应性和高效性。本发明中方法中的阈值是基于大量对比试验后进行优化固定，在处过程中不需要进行改变，在不影响图像重建效果的情况下，有效的提高了图像重建效率。本发明获得的超分辨率重建图像可以进行任意大小的尺度变换。在工程应用中可以满足不同的情况下的需求，有较好的适用性。

1.一种无级缩放超分辨率图像的重建方法，其特征在于，包括如下步骤：步骤1，对高分辨率样本图像按照退化模型进行模糊处理和N倍下采样，获得低分辨率样本图像；步骤2，采用K-SVD方法，利用所述低分辨率样本图像进行字典训练，得到高分辨字典和低分辨率字典；步骤3，对待重建的低分辨率图像进行预处理得到若干个低分辨率图像块；步骤4，利用所述低分辨率样本图像计算固定阈值；步骤5，判断每一个所述低分辨率图像块的像素值是否小于所述固定阈值；若是，则判定该所述低分辨率图像块为低信息量图像块；若否，则判定该所述低分辨率图像块为高信息量图像块；步骤6，将所述高信息量图像块采用基于字典学习与稀疏表示算法重建得到高信息量重建子区域；步骤7，将所述低信息量图像块采用插值算法进行重建得到低信息量重建子区域；步骤8，将所述高信息量子区域与所述低信息量重建子区域进行图像拼接得到超分辨率重建图像；步骤9，采用插值算法将所述超分辨率重建图像进行M倍插值得到N*M(N＝2,3,4；M>0)倍的超分辨率重建图像。

2.根据权利要求1所述的无级缩放超分辨率图像的重建方法，其特征在于，所述步骤2包括如下步骤：(21)通过特征提取方法提取所述低分辨率样本图像的图像特征，得到空间目标的高分辨率特征信息和低分辨率特征信息。(22)利用所述K-SVD方法，对所述高分辨率特征信息和所述低分辨率特征信息进行联合训练，得到所述高分辨率字典和所述低分辨率字典。

3.根据权利要求2所述的无级缩放超分辨率图像的重建方法，其特征在于，所述步骤(22)包括如下步骤:(221)利用稀疏K-SVD方法训练低分辨率字典；(222)计算高分辨率字典。

4.根据权利要求1所述的无级缩放超分辨率图像的重建方法，其特征在于，所述步骤3包括如下步骤：(31)对所述待重建的低分辨率图像去噪声得到第一图像；(32)将所述第一图像去模糊得到第二图像；(33)将所述第二图像按照固定长宽进行分割、保存处理，形成所述低分辨率图像块。

5.根据权利要求1所述的无级缩放超分辨率图像的重建方法，其特征在于，所述步骤4包括如下步骤：(41)将所述低分辨率样本图像进行区块分割得到低分辨率样本图像块；(42)利用边缘提取算法提取所述低分辨率样本图像块的边缘信息，统计各所述低分辨率样本图像块的像素值和所有所述低分辨率样本图像块的像素值分布情况；(43)根据所述各低分辨率样本图像块的像素值和所有所述低分辨率样本图像块的像素值分布情况选取X(X>1)个候选阈值；(44)对每个所述候选阈值利用基于学习的稀疏表示图像超分辨率重建算法进行计算形成多个高分辨率候选图像；(45)根据所述基于学习的稀疏表示图像超分辨率重建算法的运算时间及对应形成的所述高分辨率候选图像的分辨率，从X个候选阈值中选择所述信息量阈值。

6.根据权利要求5所述的无级缩放超分辨率图像的重建方法，其特征在于，所述边缘提取算法为Canny算子边缘检测算法。

7.根据权利要求1所述的无级缩放超分辨率图像的重建方法，其特征在于，所述步骤6包括如下步骤:(61)针对所述高信息量图像块进行图像滤波处理，并进行高频特征提取获得高频信息；(62)利用所述高频信息对所述高信息量图像块进行KPCA降维，实现高维数据压缩；(63)采用OMP算法对降维压缩后的数据进行重建得到所述高信息量重建子区域。

8.根据权利要求7所述的无级缩放超分辨率图像的重建方法，其特征在于，所述图像滤波操作采用二维滤波算子滤波器组，所述滤波器组为f＝{f1,f2,f3,f4}，其中，f1＝[1,-1], f2＝f1Tf3＝LOG, f3＝f3TT为矩阵转置操作，LOG为5×5的二维滤波算子。

9.根据权利要求7所述的无级缩放超分辨率图像的重建方法，其特征在于，所述步骤(63)包括如下步骤：(631)根据所述OMP算法计算稀疏表示系数β，其中，其中，y为降维解压后的数据，T0为给定的稀疏度，βi为矩阵β中的子元素；(632)将所述稀疏表示系数β与所述高分辨率字典相乘，得到所述高信息量重建子区域。

10.根据权利要求1所述的无级缩放超分辨率图像的重建方法，其特征在于，所述插值算法为双三次插值算法。