灰度图像超分辨方法研究和实验对比分析

介绍了图像超分辨率重建方法、图像超分辨率重建的理论和技术方法,在图像超分辨率重建算法和重建结果的评价及图像超分辨率重建技术的应用等方面进行了分析,对最大后验概率（MAP）和凸集投影（POCS）两种方法进行了实验．     

基于块匹配和迭代反投影的车牌图像超分辨率重建

利用超分辨率重建技术提高车牌图像的质量,以获取更好的识别效果。首先采用基于小波变换的块匹配方法对车牌图像进行配准,然后利用迭代反投影算法对配准后的图像进行重建获得高分辨率的图像。对模拟生成的多帧图像和标准测试视频序列进行了实验,实验结果表明：该算法能有效提高车牌图像的质量。     

H.264标准压缩视频的超分辨率重建

为利用低分辨率压缩图像序列来重建高分辨率图像序列,提出一种在凸集投影(POCS)方法框架下基于整数DCT域量化噪声模型的针对H.264标准压缩视频的超分辨率重建方法.首先建立压缩视频的降质退化模型,然后根据H.264标准中的整数DCT变换和量化过程建立整数DCT域的量化噪声模型,最后在凸集投影算法的框架下给出了基于整数DCT域量化噪声的超分辨率重建算法.实验表明该算法的超分辨率重建结果的主观质量提高明显,峰值信噪比可达到30dB,一般迭代5次即可得到良好结果,算法复杂度较低.     

探究车牌识别中的超分辨率算法

通过对车牌原始图像进行水平位置和垂直位置定位算法优化,提高超分辨率识别效果,实现了支持向量机的车牌识别目的;通过平滑处理对图像进行分割优化,保证图像噪音点能够在不同的频域产生高频分量,保证能够在图像处理过程中建立平滑处理方程,使图像处于平滑的状态.按照边缘提取控制方法实现超分辨率优化,达到了分辨率算法设计提升车牌识别性能的效果.     

基于流形学习的车牌图像超分辨率算法

为了解决视频监控系统中车牌图像分辨率较低、车牌字符难以辨识的问题,提出一种基于流形学习的车牌图像超分辨率重建算法。首先学习训练样本库中高、低分辨率图像之间的映射关系,然后利用线性判别分析(Linear Discriminant Analysis,LDA)算法提取图像特征,并利用流形学习中的局部线性嵌入(Locally Linear Embedding,LLE)算法对特征向量进行参数建模,最后通过特征映射关系获得高分辨率图像。实验表明,该方法对监控系统中的低分辨率车牌图像具有较好的超分辨率复原效果,不仅提高了字符的可读性,而且具有更高的峰值信噪比。     

基于超分辨率重建的车牌图像增强算法

在低分辨率视频序列的车牌识别中,针对序列中车牌图像分辨率低、噪声污染严重的问题,提出了一种基于超分辨率重建技术增强车牌图像的方法。在图像实现亚像素级配准的基础上,根据局部图像明显的结构信息,构建归一化卷积的局部结构自适应高斯核函数,并将不同序列中包含的不同车牌信息的图像融合成一幅高分辨率图像。实验结果表明,该算法与传统方法相比,重构出的高分辨率图像具有更高的图像信噪比,且边缘保持性更好,能够有效地重构出高分辨率的车牌图像,提高车牌识别的准确率。     

改进型字典学习的图像超分辨率重建

针对现有算法中字典训练花费的时间非常大,且超分辨率图像重建效果不够理想等问题,提出一种改进型字典学习的超分辨率图像重建算法.该算法在字典训练阶段,先采用PCA对低频样本集进行降维,再单独训练出低频字典,然后利用稀疏表示系数集和高频图像样本集训练出对应的高频字典,从而提高了字典构建速度.在重建阶段,先利用字典重建出初始的高分辨率图像,再根据图像结构自相似的特征,对图像进行结构自相似优化,然后对图像进行全局优化,从而提高了重建图像的质量.实验结果表明,该方法无论是在客观评价指标还是主观视觉效果方面都有明显的提高.     

基于双路径残差网络的虹膜图像超分辨率重建

低分辨率虹膜图像所含有效信息较少,实际应用到虹膜识别中会影响识别精度,而图像超分辨率重建技术能够有效解决这一问题。针对虹膜图像的结构和纹理差异,提出了适用于虹膜图像超分辨率的双路径网络结构,设计了双支路残差密集块提取深层虹膜特征,并采用后置放大策略重建图像。针对CASIA-IrisV4虹膜图像库进行了实验,并与主流重建算法进行了比较,发现重建的图像结构清晰,纹理细节丰富。虹膜匹配实验结果表明,该算法的等错误率均为最优,重建图像具有良好的识别效果。     

车牌识别系统中车牌定位及倾斜矫正算法研究

为了提高车牌定位的实时性和有效性,利用车牌的几何特征和纹理特征,提出了基于边缘检测和投影法相结合的车牌定位算法.由于车牌图像摄取的特殊性,使得拍到的车牌图像有不同程度的倾斜变形,而倾斜的车牌很难被分割和识别,必须对车牌定位之后的车牌图像进行倾斜矫正,该文给出了基于Radon变换的倾斜矫正算法.实验结果表明该车牌定位算法和倾斜矫正算法都是快速有效的.     

一种图像快速超分辨率复原方法

在对凸集投影超分辨率图像复原方法的研究中发现,图像的边缘区域与其他区域并不需要使用相同的松弛算子,据此提出一种快速的凸集投影方法,解决了传统凸集投影方法中一直存在的运算量大的问题,提高其实际应用性能．在凸集投影图像复原过程中引入模糊熵进行边缘检测,根据其邻域一致性测度构造一单调递增函数,以此作为定义迭代步长的松弛算子,从而可以根据图像各部分的区域特征来自适应选取迭代步长,大大减少了运算量．实验表明,快速凸集投影方法经过几十次的迭代能得到近似甚至优于传统凸集投影方法上百次迭代后的复原效果,并且由于复原过程中引入了边缘先验信息,对振铃效应也有很好的抑制作用．