【技术实现步骤摘要】
本专利技术涉及针对文字图像的稀疏约束自适应NLM超分辨率重建方法，尤其针对低分辨率文字图像的自适应h参数NLM(Non-local mean)超分辨率重建方法，在字符文字取证、物联网视频感知、智慧城市领域等方面具有广泛应用前景。
技术介绍
改善图像质量是图像处理领域的重要课题，图像超分辨率作为改善图像质量的一项重要技术已经成为目前研究的热点。高分辨率文字图像是文字图像识别等应用的前提，在文字取证、物联网视频感知、智慧城市领域等方面具有广泛应用前景，如交通路口视频监控是违章、肇事等车辆的车牌、车型检测与识别的一个重要环节。目前，一方面由于成像设备等因素的制约，监控视频图像分辨率较低，此外，天气、光照以及光学系统像差、散焦、抖动等因素常常导致获得的字符序列图像和交通视频中车牌字符图像分辨率低、无法识别； 另一方面由于监控设备在成像过程中CCD存在欠采样、在视频采集和传输环节中，数据压缩编码也会造成信息丢失，使本来已经难以辨认的视频文字图像或车牌字符更加难以检测与识别。但视频序列图像之间存在大量帧间冗余和互补信息，这些帧间互补信息以及单幅图像的自相似冗余信息为超分辨率重建提供了数据基础和技术可行性。基于时间分辨率与空间分辨率在一定条件下相互转化的准则，超分辨重建利用多幅低分辨率的图像序列，由算法处理多帧图像的互补信息，获得一帧高空间分辨率的图像。传统的超分辨率重建算法主要包括频率域方法和空间域方法。现有的NLM超分辨率重建算法没有针对字符图像的重建的研究，并且存在参数选择依赖经验和图像比较子块之间的相似性度量等问题，参数选择不合适导致超分辨重建失败或者产生过平...
【技术保护点】
一种针对文字图像的稀疏约束自适应NLM超分辨率重建方法，其特征在于，包括以下步骤：步骤1，由参数输入模块输入超分辨率重建所需数据及参数，包括：低分辨率字符图像观测序列{yt}，t＝1,2,3...n、超分辨率尺度因子s、高分辨率网格图像搜索窗尺寸p、低分辨率网格图像比较窗尺寸q；步骤2，由初始化模块针对上述输入的参数进行高分辨率网格图像初始化，即对每帧低分辨率字符图像{yt}进行s倍最邻近插值，得到其高分辨率初始估计网格图像步骤3，由图像边界延拓模块对每帧高分辨率初始估计网格图像进行图像边界延拓，得到延拓后图像步骤4，由权值调节因子模块获取权值调节因子h，即计算步骤3中每帧高分辨率初始估计网格图像的像素平均灰度值差avgΔx，由avgΔx计算出当前帧图像权值矩阵的权值调节因子h；步骤5，由逐点超分辨率重建模块进行逐点超分辨率重建，即针对步骤3中的高分辨率初始估计网格图像中每个像素点(k,l)，依据(k,l)为中心的对应搜索窗，进行Z字型遍历逐点进行超分辨率重建计算；步骤6，由迭代更新模块以代替步骤3中的初始估计重复步骤4、5、6进行高分辨率网格图像数据迭代更新，得到n次迭代后的重建结果...
【技术特征摘要】
1.一种针对文字图像的稀疏约束自适应NLM超分辨率重建方法，其特征在于，包括以下步骤 步骤1，由参数输入模块输入超分辨率重建所需数据及参数，包括低分辨率字符图像观测序列{yt}，t = I, 2，3. . . η、超分辨率尺度因子S、高分辨率网格图像搜索窗尺寸P、低分辨率网格图像比较窗尺寸q; 步骤2，由初始化模块针对上述输入的参数进行高分辨率网格图像初始化，即对每帧低分辨率字符图像{yj进行s倍最邻近插值，得到其高分辨率初始估计网格图像忒h 步骤3，由图像边界延拓模块对每帧高分辨率初始估计网格图像( ;)进行图像边界延拓，得到延拓后图像(t—}; 步骤4，由权值调节因子模块获取权值调节因子h，即计算步骤3中每帧高分辨率初始估计网格图像j丨的像素平均灰度值差avgAx，由avgAx计算出当前巾贞图像权值矩阵的权值调节因子h; 步骤5，由逐点超分辨率重建模块进行逐点超分辨率重建，即针对步骤3中的高分辨率初始估计网格图像找丨中每个像素点(k，1)，依据(k，I)为中心的对应搜索窗，进行Z字型遍历逐点进行超分辨率重建计算； 步骤6，由迭代更新模块以(尤代替步骤3中的初始估计戍丨,重复步骤4、5、6进行高分辨率网格图像数据迭代更新，得到η次迭代后的重建结果{之. }; 步骤7，由字符图像去模糊模块用自适应TV去模糊算法对步骤6中获取的重建超分辨率重建结果J进行去模糊，最终得到去模糊的清晰高分辨率字符图像丨;0。2.根据权利要求1所述的针对文字图像的稀疏约束自适应NLM超分辨率重建方法，其特征在于，所述的步骤4中包括以下子步骤 步骤4.1.由权值矩阵获取子单元进行权值矩阵W的获取，即根据调节因子...
【专利技术属性】
技术研发人员：孙涛，张巍，许田，唐贤秀，陈王丽，林立宇，秦前清，
申请(专利权)人：武汉大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。