1.一种基于压缩感知和SVR的单幅图像SR重建方法，其特征在于：所述重建方法包括以下步骤：

步骤1：图像块分类，根据图像当前像素点是属于边缘还是背景来分类保存其周围的设定尺寸图像块；

步骤2：图像块稀疏表示，使用training_instance来训练字典D，再使用得到的D和training_instance来稀疏编码得到稀疏向量alpha；

步骤3：SVR学习和预测，把所述重建问题看成是一个回归问题，SVR用于解决如下最优化问题：

其中，0≤ν≤1，对于回归问题，用ν来代替ε，而对于分类问题，用ν来代替C；

使用图像块的稀疏系数αi来代替上述φ(xi)中的输入属性向量xi，yi表示该稀疏系数αi对应的图像块的正中间像素的标签，把正中间像素灰度与当前图像块灰度均值的差值作为像素的标签；使用ν-SVR模型来找到LR图像块和HR图像块中心像素标签之间的映射函数；

(3.1)在训练阶段，学习SVR模型的训练集的属性是以得到的稀疏系数αh和αl为准，把块分类后得到的高频标签向量training_label和低频标签向量training_label_low作为学习SVR模型的训练集的标签，SVR模型学习这些输入的特征和HR图像中对应的像素标签之间的映射函数，并得到一个模型文件；

(3.2)在测试阶段，对测试图像稀疏编码得到稀疏系数αh和αl，再使用上述训练阶段得到的模型文件来预测测试图像的像素标签。

2.如权利要求1所述的基于压缩感知和SVR的单幅图像SR重建方法，其特征在于：所述重建方法还包括以下步骤：

步骤4：保持边缘的后处理，根据图像边缘不连续性的图像先验知识，对重建后的图像进行后处理，该先验知识由自然图像先验和重建约束两部分组成，其表达形式如下：其中{y}表示LR图像，{x}表示HR图像，自然图像先验约束是等号右边第一项，第二项是重建约束，目标是使得该条件概率达到最大值，再把(2)式转化为一个因子图的表示形式，并使用max-product置信度传播算法来计算随机变量的最大后验概率MAP的估计。

3.如权利要求1或2所述的基于压缩感知和SVR的单幅图像SR重建方法，其特征在于：所述步骤1中，图像块分类的过程如下：

(1.1)首先在训练SVR模型阶段采用双三次插值对输入的训练图像truthImg缩小4倍，得到的图像记为inputImg，同时也记为HRImg，然后对inputImg用双三次插值缩小2倍记为LRImg，再对LRImg采用双三次插值放大2倍得到插值图像interpImg。

(1.2)用高斯拉普拉斯算子对插值图像interpImg边缘检测，得二值图像记为HRBndyImg；

(1.3)对图像HRImg块分类，从HRBndyImg的左上角像素点开始遍历，即第一个像素的位置为第3行，第3列，第二个像素的位置为第4行，第3列，最后的像素的位置为第(imageSizeY-2)行，第(imageSizeX-2)列，其中imageSizeX表示HRBndyImg的宽度，imageSizeY表示HRBndyImg的高度；取水平和垂直的采样间隔为1，如果HRBndyImg第j行，第i列的灰度值为255，则当前像素点是边缘的一部分，为了归一化到0-1的大小范围把HRImg第j行，第i列处的像素的灰度值除以255，再将该灰度值记录到一个标签向量training_label中保存起来，该标签向量training_label就保存着HRImg中所有属于图像边缘的那些像素的灰度值；同时，在interpImg中取出以第j行，第i列位置处的像素为中心位置的大小为5×5的图像块，再对图像块内的每个像素的灰度都除以255以归一化到0-1，并转换为行向量保存到矩阵training_instance中，矩阵training_instance的每一行都保存的是interpImg中以归类为边缘点的像素为中心的5×5大小的图像块；若图像HRBndyImg第j行，第i列的像素灰度为0，则当前像素点是背景的一部分，同样对其进行归一化处理并将该灰度记录到另一个标签向量training_label_low中。在interpImg中取出以第j行，第i列的像素为中心的大小为5×5的图像块，归一化处理并转换为行向量后保存到矩阵training_instance_low中；training_instance_low的每一行都保存的是interpImg中已归类为背景点的像素为中心的5×5大小的图像块，列向量training_label的行数和矩阵training_instance的行数相同，同理training_label_low的行数和矩阵training_instance_low的行数也相同；

在测试学习好的SVR模型阶段，先对输入的测试图像用双三次插值缩小2倍记为LRImg，再把LRImg用双三次插值放大2倍记为HRImg和interpImg，并像训练阶段一样对interpImg进行图像边缘检测和图像块分类；对分类后的每一个图像块都计算其图像块内的灰度均值，对于分类后属于图像边缘的图像块，把列向量training_label中的每一个值都减去该均值，同理也把矩阵training_instance中该行的每一个值都减去该均值。

4.如权利要求1或2所述的基于压缩感知和SVR的单幅图像SR重建方法，其特征在于：所述步骤2中，所述图像块稀疏表示的过程如下：(2.1)使用在线字典学习算法对图像信号集合training_instance和training_instance_low训练字典得到高频字典Dh和低频字典Dl；

(2.2)采用高效的LARS-Lasso算法对高频和低频的图像信号集合来进行稀疏编码，分别得到稀疏系数向量αh和αl。