基于L1和L2混合范式的序列图像超分辨率重建

针对超分辨率重建时需要同时滤除高斯噪声和脉冲噪声的问题,提出一种基于L₁和L₂混合范式并结合双边全变分(BTV)正则化的序列图像超分辨率重建方法。首先基于多分辨率策略的光流场模型对序列低分辨率图像进行配准,使图像的配准精度达到亚像素级,进而可以利用图像间的互补信息提高图像分辨率;其次利用L₁和L₂混合范式的优点,用BTV正则化算法解决重建的病态性反问题;最后进行序列图像超分辨率重建。实验数据显示算法可以降低图像均方误差,并将峰值信噪比(PSNR)提高1.2 dB~5.2 dB。实验结果表明,提出的算法能够有效地滤除高斯和脉冲噪声,保持图像边缘,提高图像可辨识度,可为车牌识别、人脸识别和视频监控等方面提供了良好的技术基础。     

多帧图像综合技术在车牌识别中的应用

本文针对车牌识别系统在车牌图像质量不高时识别准确率较低的问题,提出了一种多帧图像综合算法,来更全面地利用车牌图像中所含有的有用信息,以达到提高车牌识别准确率的目的。首先利用图像配准算法对从视频图像中抽取的几帧图像进行配准,然后利用像素值取大算法进行综合,最后得到一幅综合后的车牌图像。实验表明,经过该算法综合后的车牌图像比原图像更接近真实的车牌图像,能够更好地适用于车牌识别,从而提高车牌识别的准确率。     

L_1和L_2混合范式超分辨率重建的车牌识别

针对视频中低分辨率图像的车牌识别准确率低的问题,提出一种结合L_1和L_2混合范式的序列图像超分辨率重建的车牌识别技术。首先对序列低分辨率图像进行L_1和L_2混合范式超分辨率重建,其次对重建后得到的一帧高分辨率图像进行基于HSV颜色模型车牌定位,然后对分割出的字符采用方向梯度直方图和支持向量机相结合的方法进行车牌识别。实验结果显示提出的算法对车牌中的字符识别效率高达96%,对比于传统的基于特征匹配和BP神经网络的车牌识别算法对字符的识别有明显的改善。结果表明,通过L_1和L_2混合范式的超分辨率重建处理,将方向梯度直方图和支持向量机相结合的识别方法对车牌中的字符有较好的识别效果。     

视频序列中消除异常点的SRR鲁棒算法

提高超分辨率图像重建效果一个重要因素是减小数据“异常点”的影响。介绍了LMS算法在超分辨率图像重建中的应用,在这种算法的静态模型基础上,提出了一种重建视频图像序列过程中消除“异常点”影响的方法。在考虑配准误差的条件下,这种方法可以适用于实际应用中的瞬态和稳态相位的图像。     

一种基于齿科序列图像的超分辨率重建算法

医学影像分辨率的提高能够有效帮助医生作出诊断,针对口腔环境复杂性和牙齿拓扑结构多样性的问题,提出一种基于齿科序列图像的超分辨率重建算法.通过对点集筛选和配准策略的优化,以及引入鲁棒损失函数,改进了传统的迭代最近邻点配准法,用于序列图像间的配准;然后针对齿科序列图像非下采样Contourlet变换域内不同的子带信息,采用了特定的子带系数融合策略,用于子带信息融合;最后基于非下采样Contourlet反变换得到了高分辨率齿科图像.实验结果表明,本文算法提高了重建指标,具有较强的鲁棒性.     

亮度—梯度联合约束的车牌图像超分辨率重建

目的 受成像距离、光照条件、动态模糊等因素影响,监控系统拍摄的车牌图像往往并不具备较高的可辨识度。为改善成像质量,提升对车牌的识别能力,提出一种基于亮度与梯度联合约束的车牌图像超分辨率重建方法。方法 首先充分结合亮度约束和梯度约束的优势,实现对运动位移和模糊函数的精确估计;为抑制重建图像中的噪声与伪影,基于车牌图像的文字化特征,进一步确定了亮度与梯度联合约束的图像先验模型。结果 为验证该方法的有效性,利用监控系统获得4组车牌图像,分别进行模拟和真实的超分辨率重建实验。在模拟实验中将联合约束图像先验重建结果与拉普拉斯、Huber-Markov（HMRF）以及总变分（TV）先验的处理结果进行对比,联合约束先验对车牌纹理信息的恢复效果优于其他3种常见图像先验;同时,在模拟和真实实验中,将本文算法与双三次插值、传统最大后验概率、非线性扩散正则化和自适应范数正则化方法的超分辨率重建结果进行比较,模拟实验的结果表明,在不添加噪声情况下,该算法峰值信噪比（PSNR）和结构相似性（SSIM）指标分别为35.326 dB和0.958,优于其他4种算法;该算法在真实实验中,能够有效增强车牌图像纹理信息,获得较优的视觉效果,通过对重建车牌图像的字符识别精度比较,本文算法重建结果的识别精度远高于其他3种算法,平均字符差距为1.3。结论 模拟和真实图像序列的实验结果证明,基于亮度—梯度联合约束的超分辨率重建方法,能够降低运动和模糊等参数的估计误差,有效减少图像中存在的模糊和噪声,提高车牌的识别精度。该算法广泛适用于因光照变化、相对运动等因素影响下的低质量车牌图像超分辨率重建。     

基于粒子滤波的人脸图像超分辨率重建方法

将人脸图像超分辨率重建描述为人脸混合模型的纹理和位置参数的贝叶斯概率估计问题,将超分辨率重建的图像配准和像素融合这两个过程置于统一的概率估计框架下,并利用基于粒子滤波的参数估计算法,同时估计纹理和位置参数,从而实现人脸图像的超分辨率重建.包含灰度和位置两种先验信息的人脸混合模型,同时用于超分辨率重建的两个过程中,提高了图像配准精度和重建算法的性能,避免了通常方法在获得准确鲁棒的运动场估计时需要清晰的高分辨图像,而获得清晰的高分辨图像时又需要准确鲁棒运动场估计的困境.正面人脸合成序列图像实验结果表明,该方法获得的重建结果较为理想.     

基于一种优化的配准算法的图像超分辨率重建

提出了一种优化的图像配准算法.该算法充分结合了时域基于全局运动模型的配准算法和频域基于傅立叶变换的配准算法,并运用到超分辨重建中.假设序列低分辨率图像之间存在旋转和平移,首先运用全局配准法求出旋转参数,对图像进行旋转补偿,然后对补偿后的图像用频域配准法估计平移参数,针对估计出的旋转参数和平移参数对序列低分辨率图像进行超分辨率图像重建,实验表明该方法能较有效地提高图像分辨的效果,并且本文还阐述了低分辨率图像帧数的影响.     

基于纹理特征的图像自动配准方法研究

精确的图像配准是超分辨率重建取得成功的前提。为此,针对大多数图像配准算法存在精度低、抗噪声能力差等缺点,提出一种基于纹理特征的图像自动配准方法。首先用Canny边缘检测算子提取裂缝纹理图像,然后用Photoshop图层工具,通过对待配准帧关于参考帧作变换,得到空间几何变换参数,最后用Matlab编程实现待配准帧的缩放、旋转和平移。对配准后的酸蚀岩板裂缝图像,进行超分辨率重建,结果证明,该方法具有抗噪声能力强、配准精度高、易于编程实现等优点,取得了较好的效果。     

基于SIFT的POCS图像超分辨率重建

针对传统的POCS图像超分辨率重建算法中广泛使用的基于改进的Keren配准算法,对于序列帧间存在剪切和非均匀尺度变换现象时,很难做到精确的亚像素级配准,文中讨论了一种基于SIFT算法的POCS序列图像超分辨率重建算法。首先利用SIFT算法提取序列帧与参考帧间的SIFT关键点对,随后选取匹配关键点对,通过RANSAC去除误配点的同时估算出六参数仿射变换参数,最后使用POCS重建算法得到最终的重建结果。实验结果表明：该方法能有效地解决因运动估计不准而引起的重建图像效果不好的问题,特别是在序列帧间存在剪切和非均匀尺度变换现象时,重建效果明显好于传统的POCS算法,具有更强适应性。     

车牌超分辨率重建与识别

为了从图片中快速准确地识别车牌,提出一种结合图像超分辨率技术的车牌识别方案。车牌图片具有明显的特定的模式特征,只是具体的字符编码不同。因此车牌图片非常适合做超分辨率重建。本文提出的系统主要由车牌检测定位、车牌超分辨率重建、字符分割、字符识别等模块组成。综合基于边缘、基于颜色和基于最大稳定极值区域三种车牌检测策略并采用并行编程方法来综合检测结果得到候选车牌。采用车牌图片正负样本来训练支持向量机分类器。得到分类器模型后对候选车牌判决得到真正的车牌。随后对真实车牌图片进行超分辨率重建。该部分主要由基于固定邻域回归的方法实现。这种方法综合了稀疏字典学习和领域嵌入的方法,比较好的兼顾了准确率和计算速度。运用OpenCV提供的图像处理库来对重建后的图片做字符分割。得到单独的字符图片后采用人工神经网络进行识别。识别前先使用一定数量的字符图片对网络进行有监督训练获取识别模型。采用一个单隐层的神经网络,运用反向传播算法进行训练得到识别模型。最后提取字符图片的特征并输入网络进行分类完成识别。为了测试系统的表现,在实际场景中采集了一百张车牌图片作为测试集。实验表明,该系统具有较高识别准确率和较快的处理速度。     

基于改进BP神经网络的夜间车牌识别算法研究

为了提高夜间条件下车牌识别准确率,提出了一种基于改进BP神经网络的车牌识别算法.为了改善夜间环境下车牌图像的质量和清晰度,在图像预处理过程中采用了图像平滑处理增强技术;利用图像边缘检测技术实现了对图像正确定位,然后通过统计车牌图像白色像素个数的方法对字符分割;在此基础上,使用基于附加动量法和自适应学习速率改进的BP神经网络方法精确识别车牌.实验结果表明,该方法对夜间车牌的分割和识别是有效的.     

基于马尔可夫随机场的低分辨率车牌图像复原算法*

由于采集到的车牌图像分辨率较小,为获取高分辨率的图像,提出基于马尔可夫随机场模型的车牌图像超分辨率复原算法。首先对图像进行分块;然后利用马尔可夫随机场对这些分块进行建模,通过模型学习训练库中高低分辨率图像的关系,预测待复原的低分辨率车牌图像的高频细节信息。实验结果表明,本算法对车牌图像取得较好的复原效果,算法复原的超分辨率车牌图像更接近于真实图像,具有更高的峰值信噪比。     

基于灰度跳变的车牌定位算法及其实现

研究车牌识别定位算法问题。传统的车牌设识别定位算法的识别精确度难以满足现实在交通管理和流量监测中的应用,存在车牌图像定位的精度的不高等问题。为解决上述问题,在对车辆图像预处理基础上,提出了一种基于图像灰度跳变特性的车辆牌照定位算法。主要给出了粗定位和细定位两种定位算法,并用VC++设计实现定位算法。通过实验对实际交通中多幅车牌图像进行处理,对不同的车牌图像进行定位。实验结果表明,新算法能够对车牌图像进行高精度定位,并且具有较强的鲁棒性,为车牌字符的识别与分割奠定了一定的基础。     

基于形态特征的图像分割方法

提出了一种基于形态特征的图像分割方法,主要采用形态特征对目标分类,结合目标数学形态分析犤1犦和局部区域二值化将目标准确地分割出来。该方法主要应用于目标图像背景复杂、目标灰度变化不均、传统方法分割不理想的情况。实验证明该方法具有很强的抗干扰能力,算法简单、速度快在实际应用中分割结果令人满意。     

字符分割前车牌图像的预处理

本文针对车牌图像的特点提出了一种针对字符分割的车牌图像预处理方法。该方法首先将定位出的彩色图片进行彩色图像的灰度化处理,再进行目标增强、二值化、去除铆钉干扰、倾斜校正,从而实现车牌的精确定位,为字符分割做好准备。实验结果表明,该方法处理效果好,对光照不均、对比度低、污迹及倾斜度较大的车牌图像具有很好的鲁棒性。     

基于形态学梯度重建的车牌定位方法

准确定位车牌是车牌识别的重要基础。针对复杂环境下车牌图像容易受背景、光照等因素的影响而导致车牌定位精度较低的问题,提出了一种基于形态学梯度重建的车牌定位方法。该方法首先利用颜色信息确定车牌候选区域;然后利用矢量梯度算子获取候选区域中车牌图像的梯度,利用形态学梯度重建运算提取具有车牌特征的图像结构,同时抑制非车牌特征的图像结构;最后利用车牌固定的宽长比先验信息对矩形区域进行提取,最终得到准确的车牌定位结果。实验结果表明,提出的车牌定位方法能在复杂环境下快速、准确地定位车牌,且具有较高的鲁棒性和实时性。     

自适应复杂天气的车牌定位方法

针对传统的车牌定位算法受天气、光照影响而造成的低定位率问题,提出了一种自适应的车牌定位算法。算法根据车牌颜色特征和图像清晰度判断不同天气及对比度,利用小波系数调整法调整图像对比度,最后利用垂直投影和模板匹配相融合的方法进行车牌定位。所提出的定位算法具有广泛的适应性和较高的车牌定位率,可以在晴天、阴雨天、雾天、傍晚等多种不同光照条件下,对不同对比度的图像进行车牌定位。实验结果表明,该定位方法的车牌平均定位率达到93.4%。