1.一种利用多类字典的图像超分辨率方法，其特征在于，其离线的训练阶段包括如下步骤：

1)步骤1，输入图像数据库中的图像作为高分辨率图像的训练图像集；

2)步骤2，将输入的高分辨率训练图像旋转90°、180°和270°，最终训练集中的图像个数扩大为原来的4倍；

3)步骤3，对每一幅高分辨率图像采用如下式(1)的函数进行滤波，其中 为方差参数，然后采用下采样操作得到对应的低分辨率图像，然后，对高分辨率图像和所对应的低分辨率图像进行分块，得到低分辨率的图像块和所对应的高分辨率的图像块；

4)步骤4，对所有的低分辨率的图像块进行分类，分为K个类，并得到每个类的中心每个类中心为一列矢量；

5)步骤5，对每个类中的低分辨率图像块和所对应的高分辨率图像块，进行稀疏表示的K‑SVD方法进行联合字典的训练，得到第k类中的低分辨率的字典Dl(k)，和高分辨率的字典Dh(k)，1≤k≤K，在此，使用粗体符号表示矩阵，其在线的对输入图像的超分辨率放大阶段，包括以下步骤：

1)步骤1，对低分辨率的图像进行分块处理；

2)步骤2，确定低分辨率的图像块 和每个类中心 的距离，并选取其中和 距离最近的类中心的类别k0，并把当前低分辨率的图像块的类中心确定为 把此图像块分为此第k0类；图像块列矢量 由对此图像块按从左到右，从上到下，的逐行顺序扫描得到的像素点值构成，先扫描到的像素值在列矢量中排在前面，以下，所涉及到的图像块的列矢量也由此方法构成，

3)步骤3，在第k0类中，利用这个类的低分辨率的字典Dl(k0)，和优化的匹配跟踪(optimal matching pursuit)方法，可以确定低分辨率块 在这个类的低分辨率字典Dl(k0)上的稀疏表示的系数

4)步骤4，利用这个类的高分辨率的字典Dh(k0)，和稀疏表示的系数 重构高分辨率的放大块 即

5)步骤5，对所有的低分辨率图像上的低分辨率图像块都进行了以上步骤2到步骤4的处理后，在高分辨率的图像上，对图像块与图像块之间重叠的区域，进行取平均值处理，得到重构的高分辨率的图像。

2.如权利要求1中所述的一种利用多类字典的图像超分辨率方法，其中的离线训练步骤4) 所述的对图像块分类的方法的特征在于，采用K‑means(K‑均值)的方法先对低分辨率块进行分类，并分为K个类，在分类过程中采用如下公式(2)计算图像块与图像块之间的距离，其中， 的定义为如下的公式(3)，其中，W为图像块的宽度，H为图像块的高度，λ是平衡因子，需要在实验中优化的确定，输入的图像块 在(i，j)坐标上的像素值为I(i，j)，此图像块首先和中心在图像块坐标的原2

点，方差为σ，的高斯函数

进行卷积运算，得到图像块G，在(i，j)坐标上，滤波后的值G(i，j)为式(5)中 表示图像块G在(i，j)处的梯度， 表示图像块G在(i，j)处的二阶拉普拉斯算子的值，梯度 和 分别为图像在像素点(i，j)处的水平方向和垂直方向的梯度值，则 这样，公式(3)的计算值可以描述图像块的纹理特征的丰富性；在离散的图像像素空间中，有不同的计算梯度和拉普拉斯算子值的方法，这里采用Sobel算子来计算梯度，即，水平方向和垂直方向的梯度值分别用以下的式(6)和式(7)计算，

图像像素点上的拉普拉斯算子值，采用以下式(8)来计算在对低分辨率的图像块分类完成后，可以得到每个类中的中心 同时，每个高分辨率块的类别由其对应的低分辨率块的类别来决定，即，每对低分辨率块和高分辨率块同属于一个类。

3.如权利要求1中所述的一种利用多类字典的图像超分辨率方法，其中的在线的放大过程的步骤2中对低分辨率的图像块确定其所属的类别的方法的特征在于，对于低分辨率的图像块 将计算其和每一个类的中心 之间的距离，即然后，选择 和类中心 距离最近的类k0作为这个低分辨率块所属的类别，即这样，就确定了低分辨率块的类别。