中文摘要：

针对目前图像增强技术计算效率低、增强效果不理想等问题，研究了基于学习的超分辨率图像增强的核心环节-匹配问题，围绕匹配特征提取、高速匹配方法、匹配后的歧义图像块的消除等关键环节提出新颖有效的解决方法。探索光照不变的图像表示机理，提出改进的Retinex方法用于图像预处理，提高匹配特征的鲁棒性；研究高维特征索引和高速检索方法，提出用"近似匹配"代替"最优匹配"的新思路，极大提高匹配的计算效率；构建相邻图像块之间的关系模型，提出全局和局部两种优化模式，解决近似匹配块的歧义消除问题，有效地提高增强精度和视觉效果。本课题提出的新颖光照不变的图像表示机制和高速匹配方法，极大提升了匹配的计算效率和准确度，提高了基于学习的超分辨率技术的实用性、准确度和鲁棒性，使图像增强技术在公安、遥感等领域发挥更大作用。

结论摘要：

根据课题任务书要求，本项目研究了基于学习的超分辨率图像增强的核心环节—匹配问题，围绕匹配特征提取、高速匹配方法、匹配后的歧义图像块的消除等关键环节提出新颖有效的解决方法。探索了光照不变的图像表示机理，提出改进的Retinex方法用于图像预处理，提高匹配特征的鲁棒性；研究了高维特征索引和高速检索方法，提出用“近似匹配”代替“最优匹配”的新思路，极大提高匹配的计算效率；构建了相邻图像块之间的关系模型，提出全局和局部两种优化模式，解决近似匹配块的歧义消除问题，有效地提高增强精度和视觉效果。 通过本课题的研究，提出了光照不变的图像表示机制和高速匹配方法，建立了一种高性能的超分辨率重建的处理流程，提高了基于学习的超分辨率技术的实用性、准确度和鲁棒性，使图像增强技术在公安、遥感等领域发挥更大作用。 截止目前为止，已发表论文9篇，申报国家专利4项(其中授权2项)，培养研究生4人，出色完成课题任务。