随着视频监控、医学、遥感等领域对数字图像的高分辨率要求,数字图像的超分辨率复原技术已经成为图像处理领域的重点研究对象之一。因为数字图像在获取的过程中会受到许多因素的影响,导致图像质量退化。为了适应应用场景和科学研究的要求,需要研究出一种超分辨率复原技术来解决图像的退化问题。实现利用一帧或多帧低分辨率图像复原出一张高分辨率图像,解决现今复原算法的实用性差、复杂性高、复原图像质量低、时间长等问题,以满足人们生活领域和科学研究领域对图像的高分辨率要求,提高传统算法的性能和复原效率。本文提出一种基于深度森林的图像超分辨率复原算法,本文通过改进级联森林模型和采用多粒度扫描算法进行特征提取实现单帧图像超分辨率复原,完成训练模型的结构优化,提高图像复原的效率和性能。解决基于深度学习的单帧图像超分辨率复原算法,特征提取少,复原时间长,大量计算等问题。在分而治之策略的思路下,提出了基于深度森林的多帧图像超分辨率图像复原算法。通过决策树改进多帧图像的配准算法。对多帧图像实现精准复原。充分提取多帧序列图像所包含的信息量,实现多帧图像复原质量的提高。解决传统多帧复原质量不高,结构复杂等问题。根据实验验证,本文提出的单帧和多帧图像复原算法在高维图像数据和多帧序列图像位移较大情况下,比目前流行的算法在实用性和价值性上都有很大的提高。提高了传统图像超分辨率复原算法的性能;扩展了图像超分辨率复原算法的思路;满足生活应用领域和科学研究领域的需求;推进图像处理,模式识别等学科的发展。本文主要工作如下:(1)增强图像特征的信息量:本文通过多粒度扫描算法,多窗口扫描提取特征。无需进行重复抽样,就可以得到信息量丰富的图像特征向量。(2)级联森林学习模型提高复原图像的质量:使用完全随机森林和普通随机森林两种森林组成的级联森林模型进行多层级循环训练。把每一层复原出的高分辨率图像块作为下一层的输入,通过对前后两层复原出的高分辨图像块进行比较,判断是否结束训练。(3)基于深度森林的图像超分辨率复原算法:采用多粒度扫描算法对输入的低分辨率和高分辨率图像块对分别进行特征提取,用级联森林模型中的级联方式迭代训练特征,通过叶子节点处的高低分辨率图像块对的映射关系得到回归模型。用回归模型进行图像复原。(4)基于决策树的配准算法:本文通过改进配准过程中特征提取的算法,解决传统学习算法提取特征少的问题,并结合EM算法进行精确配准。提高低分辨率图像配准的精确度。提高了深度森林模型在多帧图像超分辨率复原应用中的实用性和价值性。