一种基于MCA和字典学习的车牌超分辨率重构方法技术

该发明专利技术提供了一种基于MCA和字典学习的车牌超分辨率重构方法，把车牌图像视为结构部分和纹理部分的线性组合，利用高、低分辨率字典对低分辨率的车牌图像进行超分辨率重构。具体步骤如下：步骤一：将低分辨率测试车牌图像插值到与目标高分辨率图像相同尺寸，采用MCA算法把插值图像分解成纹理部分和结构部分；步骤二：低分辨率图像通过KSVD方法得到低分辨率字典和稀疏系数，利用系数和高分辨率图像计算高分辨率字典。步骤三：利用高、低分辨率字典对分块后的低分辨率图像进行超分辨率重建，合并重建后的图像块得到高分辨率图像的纹理部分，与插值图像结构部分相加，即得到高分辨率图像。本发明专利技术重构得到的车牌图像能够较好地保持图像的边缘、纹理信息。

【技术实现步骤摘要】

本专利技术属于图像处理
，设及一种基于MCA和字典学习的车牌超分辨率重 构方法，可用于低分辨率车牌的超分辨率重构。
技术介绍
近年来，我国经济高速发展，汽车数量不断增加，随之而来的即是违章车辆增多， 交通事故频发、车辆通行费大量流失，乃至汽车爆炸事件等安全问题。随着车辆的普及W及 交通压力的增加，在城市中越來越多的监控系统用来监控交通状况和记录异常事故。车牌 是汽车的重要身份标识，车牌识别能准确实时高效地实现对交通车辆的管理、交通流引导 W及控制。车牌识别的准确性在很大程度上取决于车牌图像的分辨率。然而，由于季节的 变化更替、光照强度的强弱变化、车辆与监控设备间的相对运动、图像采集设备自身参数或 年久退化等因素，摄像机捕获的图像存在着分辨率较低的现象。为了提高由于上述因素引 起的退化车牌图像的清晰度和质量，必须对低分辨率车牌图像进行重构处理，然后再进行 识别。因此，研究针对车牌图像的超分辨率重构技术具有很大的应用价值和现实意义。 现有的车牌超分辨率重构方法包括MAP(maximuma-posteriori)方法，极大似然 估计法，凸集投影法等方法。该些基于模型的方法在进行车牌重构时会产生过平滑现象W 及银齿效应，并且在高放大因子条件下重构图像的质量下降比较严重。化eeman等提出的基 于学习的重构方法，通过马尔科夫随机模型和先验知识来学习低分辨率图像和高分辨率图 像之间的关系，然后重构出高分辨图像，但该种方法不能很好地保持高分辨图像的高频细 节，并且计算复杂度较大，效率偏低。Yang等提出了一种基于稀疏表示的图像超分辨率重构 算法，该方法通过学习得到的高、低分辨率字典对来表示先验信息进行图像超分辨率重构， 然而该方法得到的重构图像边缘较为的平滑，纹理未能较好地恢复，图像质量有待提高。 车牌图像本身含有丰富的纹理信息，而低分辨率车牌图像中的各种不良因素主要 集中在其纹理部分，则车牌图像超分辨率重建的主要任务即对图像纹理部分的重建。因此， 特别需要一种改进的车牌图像超分辨率重构方法，W解决现有技术存在的不足。
技术实现思路
本专利技术的目的在于提供一种基于MCA和字典学习的车牌超分辨率重构方法，针对 现有技术的不足，可W获得较好的边缘和纹理效果。该方法在图像重构过程中引入MCA图 像分解理论，把图像看成是结构部分（Struc化re)和纹理部分（Tex化re)的线性组合，针对 图像结构部分和纹理部分的不同属性，运用不同的图像超分辨率重建方法分别对其进行重 建，最后合成期望的目标高分辨率图像，W更好地重建出图像的高频纹理信息。 本专利技术所解决的技术问题可W采用W下技术方案来实现： 一种基于MCA和字典学习的车牌超分辨率重构方法，其特征在于，它包括如下步 骤：步骤一；将低分辨率测试图像y插值到与目标高分辨率图像相同的尺寸，得到插值图像 Y，并采用MCA算法把插值图像Y分解成纹理部分Yt和结构部分Y步骤二；低分辨率图像 特征块通过K-SVD方法得到低分辨率字典和稀疏表示系数，利用系数和高分辨率图像特征 块计算得到高分辨率字典。步骤S;对低分辨率图像y分块并提取低频特征，利用该高、低 分辨率字典对对低分辨率图像块进行超分辨率重建，得到高频特征图像块。合并所有高频 图像块，在图像块之间的重叠部分取均值，得到目标高分辨率图像的纹理部分Xt。与插值图 像结构部分Y式目加，得到目标高分辨率图像X。[000引进一步，所述步骤一中使用MCA算法进行图像分解的步骤具体是指；21 ;采用Bicubic插值算法，将低分辨率图像插值放大到与高分辨图像相同的尺寸；22 ;对于同时包 含纹理层和结构层的图像X，则通过MCA算法进行纹理层和结构层的分解。 进一步，所述步骤二中低分辨率图像特征块通过K-SVD方法得到低分辨率字典和 稀疏表示系数，利用系数和高分辨率图像特征块计算得到高分辨率字典，包括W下具体步 骤；31 ;将高分辨率训练图像集经过下采样操作，得到相应的低分辨率图像集；32 ;将低分 辨率图像集中的图像划分成大小为NXN的图像块，并提取特征；33 ;利用K-SVD算法将低 分辨率图像特征训练成低分辨率字典Di;34 ;将低分辨率训练图像插值到与高分辨率训练 图像相同的尺寸，并进行MCA分解，得到插值图像的结构部分；35 ;将高分辨率训练图像减 去低分辨率插值图像结构部分后的剩余部分作为高分辨率图像的纹理部分，将纹理部分划 分成大小为（RN)X(RN)的图像块并连成向量，作为高分辨率图像块的特征向量；36 ;在假 设高、低分辨率图像块在高、低分辨率字典对下具有相同的稀疏表示系数r的前提下，通 过最小化W下逼近误差来计算高分辨率字典Dh。 进一步，在所述步骤=的具体步骤是指；41 ;将低分辨率测试图像y划分成大小为 NXN的图像块，并提取特征；42 ;计算低分辨率图像块在低分辨率字典下的稀疏系数和高 分辨率图像块的特征向量；43 ;合并所有高频图像块，在图像块之间的重叠部分取均值，得 到目标高分辨率图像的纹理部分Xt。与插值图像结构部分Y,相加，得到目标高分辨率图像 X。 本专利技术的有益效果在于；将低分辨率图像插值到与所要求的高分辨率图像相同的 尺寸形成插值图像。对插值图像进行MCA图像分解，形成插值图像的结构部分和纹理部分， 由于纹理部分往往会含有较多低分辨率图像本身所带有的模糊、噪声等不良因子，因而可 直接将其舍弃。对低分辨率图像分块并提取低频特征，利用训练得到的高、低分辨率字典对 对其进行基于稀疏表示的超分辨率重建，得到高频特征图像块，合并后形成高分辨率图像 纹理部分，与插值图像的结构部分相加，得到最终所期望的高分辨率图像。该方法得到的重 构车牌图像能够很好地保持图像的边缘、纹理等信息。【附图说明】 为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进 一步的详细描述，其中： 图1为基于MCA和字典学习的车牌图像超分辨率重构算法框架图。 图2为高、低分辨率字典构建示意图。【具体实施方式】 下面将结合附图，对本专利技术的优选实施例进行详细的描述。 图1为基于MCA和字典学习的车牌图像超分辨率重构算法框架图，本方法包括w 下步骤： S1 ;将低分辨率测试图像y插值到与目标高分辨率图像相同的尺寸，得到插值图 像Y，并采用MCA算法把插值图像Y分解成纹理部分Yt和结构部分Y具体包括W下步骤： S11 ;采用Bicubic插值算法，将低分辨率图像插值放大到与高分辨图像相同的尺 寸； S12 ;对于同时包含纹理层和结构层的图像X，采用基于MCA的分解方法通过字典 Tt，L寻找一个最优的稀疏表示，进行纹理层和结构层的分解。基于MCA的分解方法，求解 公式为：【主权项】1. 一种基于MCA和字典学习的车牌超分辨率重构方法，其特征在于包括下述步骤： 步骤一：将低分辨率测试图像y插值到与目标高分辨率图像相同的尺寸，得到插值图 像Y，并采用MCA算法把插值图像Y分解成纹理部分Yt和结构部分Y s。 步骤二：低分辨率图像特征块通过KSVD方法得到低分辨率字典和稀疏表示系数，利用 系数和高分辨率图像特征块计算得到高分辨率字典。 步骤三：对低分辨率图像y分块并提取低频特征，利用该高、低分辨率字典对对低分辨 率本文档来自技高网...

【技术保护点】
一种基于MCA和字典学习的车牌超分辨率重构方法，其特征在于包括下述步骤：步骤一：将低分辨率测试图像y插值到与目标高分辨率图像相同的尺寸，得到插值图像Y，并采用MCA算法把插值图像Y分解成纹理部分Yt和结构部分Ys。步骤二：低分辨率图像特征块通过KSVD方法得到低分辨率字典和稀疏表示系数，利用系数和高分辨率图像特征块计算得到高分辨率字典。步骤三：对低分辨率图像y分块并提取低频特征，利用该高、低分辨率字典对对低分辨率图像块进行超分辨率重建，得到高频特征图像块；合并所有高频图像块，在图像块之间的重叠部分取均值，得到目标高分辨率图像的纹理部分Xt，Xt与插值图像结构部分Ys相加，得到目标高分辨率图像X。

【技术特征摘要】

【专利技术属性】
技术研发人员：尹宏鹏，柴毅，李艳霞，邢占强，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;85