1.一种基于对偶图的图像超分辨率方法，其特征在于包括如下步骤：步骤1：设置下采样倍率，对原始图像X使用双三次插值进行下采样和上采样，得到双三次插值的高分辨率图像I,计算此时的PSNR值，并记为PSNR1；

步骤2：将双三次插值后的高分辨率图像I分成若干个重叠小块，对于每一个小块在搜索窗内寻找K个相似块，并拉成列向量，构造相似块组G；

步骤3：针对构造的相似块组G，将其每一个列向量看成是一个节点，构造基于向量的列Graph模型；同时将其每一个行向量看成是一个节点，构造基于向量的行Graph模型；

步骤4：将对偶图作为正则项，设置字典D为单位矩阵，将超分辨率后的组G'与字典D的乘积DG'和相似块组G之间的偏差平方作为二次项，对表达式进行凸优化处理求解；

步骤5：处理完每一个重叠小块对应的相似块组后，采用加权平均对高分辨率图像I进行更新，得到超分辨率图像Y，并计算原始图片X与超分辨率图像Y之间的PSNR值，此时得到的PSNR值记为PSNR2；

步骤6：对得到的超分辨率图像Y进行正则化迭代，多次利用对偶图模型，得到最优的PSNR值；

步骤3具体如下：

Graph模型描述了矩阵内部的特性，主要由各节点组成，节点之间的关系程度可以用加

2 2 T

权矩阵W来表示；图拉普拉斯矩阵L是图||xG||的关键要素，可以用公式||xG|| ＝tr(xLx)来表示图模型，x为列向量，x的维数代表了节点的个数；构造图模型的关键是构造出图拉普拉斯矩阵，传统的计算拉普拉斯矩阵L的方法决定于加权邻接矩阵W，其计算方式如下L＝Δ‑W；而加权矩阵W的计算方式与节点间距离的高斯核有关：其中dij为节点di与dj之间的相似度，σ为固定值，ε为最小的距离阈值；将25×16的相似块组G的每一列或每一行看成是一个节点构造加权矩阵，dij即为列向量之间的欧式距离；具体的构造基于向量的构造Graph方式如下：对于25×16相似块组G，即 将G看作

其中 是一个行向量， 与 的欧式距离作为节点 与 之间的相似度，G是一个包含25个行向量的矩阵，计算其相似度，即有从而得到基于向量的行拉普拉斯矩阵Lr，同理，将相似块组G的每一列看成是一个节点，可得到基于向量的列拉普拉斯矩阵Lc，最终构造出对偶图模型。

2.根据权利要求1所述的一种基于对偶图的图像超分辨率方法，其特征在于步骤2具体如下：首先将图片I进行分成若干个5×5的重叠小块，重叠的间隔为3,设置局部搜索为10×

10，搜索出16个与其相似的小块，并将各相似小块拉成列向量，得到一个相似块组G；即对于每一个重叠小块均可得到一个25×16的相似块组G，后续的操作会针对相似块组G构造图模型，同时对每一个小块对应的相似块组G进行超分辨率操作。

3.根据权利要求2所述的一种基于对偶图的图像超分辨率方法，其特征在于步骤4具体如下：首先引入字典D作为稀疏矩阵，并将稀疏矩阵设置为单位矩阵，将步骤3得到的对偶图作为正则项，待恢复的相似块组G与超分辨率后的组G'与稀疏矩阵的乘积DG’作为二次项构造优化方程求解：其中，θ1与θ2对应的是行图与列图的正则化参数，设置为0.4和0.6；此方程通过优化工具在Matlab中进行求解，最终得到超分辨率后的相似块组。

4.根据权利要求3所述的一种基于对偶图的图像超分辨率方法，其特征在于步骤5具体如下：图像更新的目的是将处理后的每一个重叠小块对应的相似块组转换成最终的图片，其原理是记录相似块所参与超分辨率的次数进行加权平均更新，得到一次迭代生成的超分辨率图像Y，并计算处理后的超分辨率图像Y与原始图片X之间的PSNR值，此时得到的PSNR值记为PSNR2。

5.根据权利要求4所述的一种基于对偶图的图像超分辨率方法，其特征在于步骤6具体如下：将每一次处理完后图片的偏差回传到双三次插值超分辨率后的图片，进行迭代操作，得出最优结果，具体的迭代方程如下：i+1 i

y ＝y+δ(y‑y)

i

y对应的为第i此迭代对应的超分辨率结果图，设置迭代次数i为5，分别计算5次迭代的结果与原始图的PSNR值，结果表明多次迭代的PSNR值要好于双三次插值的超分辨率PSNR值。