1.一种基于重建的图像超分辨率方法，特征在于，该方法包括：a、对LR图像Y，生成初始HR图像X0，并将初始HR图像作为最近一次重建的HR图像X'；

b、在最近一次重建的HR图像X'上，为每个图像块计算引导核；对于每个图像块，将引导核系数大于预设门限值Th的像素点作为该图像块中心像素点的同质像素点，并根据该图像块的所有所述同质像素点建立相应图像块的同质像素提取矩阵Fi；

在最近一次重建的HR图像X'上，对于每个图像块，利用该图像块的所有所述同质像素点进行自适应形状的块匹配，找到与该图像块最相似的N-1个图像块，并与该图像块构成相似图像块组，计算所述相似图像块组的预测值Ei＝[ei,1,ei,2,...ei,N]；其中，N是预设的正整数，代表每个图像组中的图像块的数目，i表示图像X'上的图像块索引，xi,n表示第i个图像块的相似图像块组中的第n个图像块；

采用最近一次重建的HR图像X'以及预先基于学习的方法训练好的去噪器，计算所述HR图像X'的梯度预测值G；

c、根据所有图像块的所述同质像素点提取矩阵集合{Fi}、所有图像块的相似图像块组预测值的集合{Ei}、所述HR图像X'的梯度预测值G以及所述LR图像Y，通过求解确定当前次重建的HR图像X；其中，H是模糊算子，S是下采样矩阵，D是梯度算子，Ri是第i个图像块的相似图像块组的提取算子；||·||2代表计算向量的L2范数，||·||*代表计算矩阵的核范数；β和γ是预设的第一、第二权衡因子；

d、若当前迭代次数已达到预设的上限T，则将所述当前次重建的HR图像X作为高分辨率结果图像保存或输出，否则将所述当前次重建的HR图像X作为所述最近一次重建的HR图像X'回到步骤b。

2.根据权利要求1所述的方法，其特征在于，所述通过求解确定当前次重建的HR图

像X包括：通过求解

确

定所述确定当前次重建的HR图像X；其中，α是预设的第三权衡因子，bi是根据Bregman迭代方法进行更新的迭代中间变量，di是第i个图像块的相似图像块组对应的近似变量，近似于Fi(RiX-Ei)。

3.根据权利要求2所述的方法，其特征在于，所述通过求解确

定所述当前次重建的HR图像X包括：

通过交替求解第i个图像块的 相似图像组对应的近似变量di子问题重建HR图像的X子问题

计算所述当

前次重建的HR图像X。

4.根据权利要求3所述的方法，其特征在于，所述计算当前次重建的HR图像X包括：对所述近似变量di进行第k次更新，得到 其中，Ui、Λi和Vi分别是 的计算结果的奇异值分解后得到的左正交基、对角矩阵、右正交基，k为迭代次数；shrink(·)是收缩算子；在第一次迭代时，对HR重建图像X进行第k次更新，得到

对迭代中间变量bi进行第k次更新，得到

5.根据权 利要求4所述的 方法 ，其特征在于 ，采用梯 度下降 法计 算

6.根据权利要求1所述的方法，其特征在于，采用基于CNN的去噪器计算所述梯度预测值G。

7.根据权利要求2所述的方法，其特征在于，选取α＝0.005，β＝0.0006，γ＝4.25，Th＝

0.006。

8.根据权利要求1所述的方法，其特征在于，所述上限T设置为150次。