一種基于mca和字典學(xué)習(xí)的車牌超分辨率重構(gòu)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，設(shè)及一種基于MCA和字典學(xué)習(xí)的車牌超分辨率重 構(gòu)方法，可用于低分辨率車牌的超分辨率重構(gòu)。
【背景技術(shù)】
[0002] 近年來，我國經(jīng)濟(jì)高速發(fā)展，汽車數(shù)量不斷增加，隨之而來的即是違章車輛增多， 交通事故頻發(fā)、車輛通行費(fèi)大量流失，乃至汽車爆炸事件等安全問題。隨著車輛的普及W及 交通壓力的增加，在城市中越來越多的監(jiān)控系統(tǒng)用來監(jiān)控交通狀況和記錄異常事故。車牌 是汽車的重要身份標(biāo)識，車牌識別能準(zhǔn)確實(shí)時高效地實(shí)現(xiàn)對交通車輛的管理、交通流引導(dǎo) W及控制。車牌識別的準(zhǔn)確性在很大程度上取決于車牌圖像的分辨率。然而，由于季節(jié)的 變化更替、光照強(qiáng)度的強(qiáng)弱變化、車輛與監(jiān)控設(shè)備間的相對運(yùn)動、圖像采集設(shè)備自身參數(shù)或 年久退化等因素，攝像機(jī)捕獲的圖像存在著分辨率較低的現(xiàn)象。為了提高由于上述因素引 起的退化車牌圖像的清晰度和質(zhì)量，必須對低分辨率車牌圖像進(jìn)行重構(gòu)處理，然后再進(jìn)行 識別。因此，研究針對車牌圖像的超分辨率重構(gòu)技術(shù)具有很大的應(yīng)用價值和現(xiàn)實(shí)意義。
[0003] 現(xiàn)有的車牌超分辨率重構(gòu)方法包括MAP(maximuma-posteriori)方法，極大似然 估計法，凸集投影法等方法。該些基于模型的方法在進(jìn)行車牌重構(gòu)時會產(chǎn)生過平滑現(xiàn)象W 及銀齒效應(yīng)，并且在高放大因子條件下重構(gòu)圖像的質(zhì)量下降比較嚴(yán)重?；痚eman等提出的基 于學(xué)習(xí)的重構(gòu)方法，通過馬爾科夫隨機(jī)模型和先驗(yàn)知識來學(xué)習(xí)低分辨率圖像和高分辨率圖 像之間的關(guān)系，然后重構(gòu)出高分辨圖像，但該種方法不能很好地保持高分辨圖像的高頻細(xì) 節(jié)，并且計算復(fù)雜度較大，效率偏低。Yang等提出了一種基于稀疏表示的圖像超分辨率重構(gòu) 算法，該方法通過學(xué)習(xí)得到的高、低分辨率字典對來表示先驗(yàn)信息進(jìn)行圖像超分辨率重構(gòu)， 然而該方法得到的重構(gòu)圖像邊緣較為的平滑，紋理未能較好地恢復(fù)，圖像質(zhì)量有待提高。
[0004] 車牌圖像本身含有豐富的紋理信息，而低分辨率車牌圖像中的各種不良因素主要 集中在其紋理部分，則車牌圖像超分辨率重建的主要任務(wù)即對圖像紋理部分的重建。因此， 特別需要一種改進(jìn)的車牌圖像超分辨率重構(gòu)方法，W解決現(xiàn)有技術(shù)存在的不足。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種基于MCA和字典學(xué)習(xí)的車牌超分辨率重構(gòu)方法，針對 現(xiàn)有技術(shù)的不足，可W獲得較好的邊緣和紋理效果。該方法在圖像重構(gòu)過程中引入MCA圖 像分解理論，把圖像看成是結(jié)構(gòu)部分（Struc化re)和紋理部分（Tex化re)的線性組合，針對 圖像結(jié)構(gòu)部分和紋理部分的不同屬性，運(yùn)用不同的圖像超分辨率重建方法分別對其進(jìn)行重 建，最后合成期望的目標(biāo)高分辨率圖像，W更好地重建出圖像的高頻紋理信息。
[0006] 本發(fā)明所解決的技術(shù)問題可W采用W下技術(shù)方案來實(shí)現(xiàn)：
[0007] 一種基于MCA和字典學(xué)習(xí)的車牌超分辨率重構(gòu)方法，其特征在于，它包括如下步 驟：步驟一；將低分辨率測試圖像y插值到與目標(biāo)高分辨率圖像相同的尺寸，得到插值圖像 Y，并采用MCA算法把插值圖像Y分解成紋理部分Yt和結(jié)構(gòu)部分Y步驟二；低分辨率圖像 特征塊通過K-SVD方法得到低分辨率字典和稀疏表示系數(shù)，利用系數(shù)和高分辨率圖像特征 塊計算得到高分辨率字典。步驟S;對低分辨率圖像y分塊并提取低頻特征，利用該高、低 分辨率字典對對低分辨率圖像塊進(jìn)行超分辨率重建，得到高頻特征圖像塊。合并所有高頻 圖像塊，在圖像塊之間的重疊部分取均值，得到目標(biāo)高分辨率圖像的紋理部分Xt。與插值圖 像結(jié)構(gòu)部分Y式目加，得到目標(biāo)高分辨率圖像X。
[000引進(jìn)一步，所述步驟一中使用MCA算法進(jìn)行圖像分解的步驟具體是指；21 ;采用Bicubic插值算法，將低分辨率圖像插值放大到與高分辨圖像相同的尺寸；22 ;對于同時包 含紋理層和結(jié)構(gòu)層的圖像X，則通過MCA算法進(jìn)行紋理層和結(jié)構(gòu)層的分解。
[0009] 進(jìn)一步，所述步驟二中低分辨率圖像特征塊通過K-SVD方法得到低分辨率字典和 稀疏表示系數(shù)，利用系數(shù)和高分辨率圖像特征塊計算得到高分辨率字典，包括W下具體步 驟；31 ;將高分辨率訓(xùn)練圖像集經(jīng)過下采樣操作，得到相應(yīng)的低分辨率圖像集；32 ;將低分 辨率圖像集中的圖像劃分成大小為NXN的圖像塊，并提取特征；33 ;利用K-SVD算法將低 分辨率圖像特征訓(xùn)練成低分辨率字典Di;34 ;將低分辨率訓(xùn)練圖像插值到與高分辨率訓(xùn)練 圖像相同的尺寸，并進(jìn)行MCA分解，得到插值圖像的結(jié)構(gòu)部分；35 ;將高分辨率訓(xùn)練圖像減 去低分辨率插值圖像結(jié)構(gòu)部分后的剩余部分作為高分辨率圖像的紋理部分，將紋理部分劃 分成大小為（RN)X(RN)的圖像塊并連成向量，作為高分辨率圖像塊的特征向量；36 ;在假 設(shè)高、低分辨率圖像塊在高、低分辨率字典對下具有相同的稀疏表示系數(shù)r的前提下，通 過最小化W下逼近誤差來計算高分辨率字典Dh。
[0010] 進(jìn)一步，在所述步驟=的具體步驟是指；41 ;將低分辨率測試圖像y劃分成大小為 NXN的圖像塊，并提取特征；42 ;計算低分辨率圖像塊在低分辨率字典下的稀疏系數(shù)和高 分辨率圖像塊的特征向量；43 ;合并所有高頻圖像塊，在圖像塊之間的重疊部分取均值，得 到目標(biāo)高分辨率圖像的紋理部分Xt。與插值圖像結(jié)構(gòu)部分Y,相加，得到目標(biāo)高分辨率圖像 X。
[0011] 本發(fā)明的有益效果在于；將低分辨率圖像插值到與所要求的高分辨率圖像相同的 尺寸形成插值圖像。對插值圖像進(jìn)行MCA圖像分解，形成插值圖像的結(jié)構(gòu)部分和紋理部分， 由于紋理部分往往會含有較多低分辨率圖像本身所帶有的模糊、噪聲等不良因子，因而可 直接將其舍棄。對低分辨率圖像分塊并提取低頻特征，利用訓(xùn)練得到的高、低分辨率字典對 對其進(jìn)行基于稀疏表示的超分辨率重建，得到高頻特征圖像塊，合并后形成高分辨率圖像 紋理部分，與插值圖像的結(jié)構(gòu)部分相加，得到最終所期望的高分辨率圖像。該方法得到的重 構(gòu)車牌圖像能夠很好地保持圖像的邊緣、紋理等信息。
【附圖說明】
[0012] 為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對本發(fā)明作進(jìn) 一步的詳細(xì)描述，其中：
[0013] 圖1為基于MCA和字典學(xué)習(xí)的車牌圖像超分辨率重構(gòu)算法框架圖。
[0014] 圖2為高、低分辨率字典構(gòu)建示意圖。
【具體實(shí)施方式】
[0015] 下面將結(jié)合附圖，對本發(fā)明的優(yōu)選實(shí)施例進(jìn)行詳細(xì)的描述。
[0016] 圖1為基于MCA和字典學(xué)習(xí)的車牌圖像超分辨率重構(gòu)算法框架圖，本方法包括w 下步驟：
[0017] S1 ;將低分辨率測試圖像y插值到與目標(biāo)高分辨率圖像相同的尺寸，得到插值圖 像Y，并采用MCA算法把插值圖像Y分解成紋理部分Yt和結(jié)構(gòu)部分Y具體包括W下步驟：
[0018] S11 ;采用Bicubic插值算法，將低分辨率圖像插值放大到與高分辨圖像相同的尺 寸；
[0019] S12 ;對于同時包含紋理層和結(jié)構(gòu)層的圖像X，采用基于MCA的分解方法通過字典 Tt，L尋找一個最優(yōu)的稀疏表示，進(jìn)行紋理層和結(jié)構(gòu)層的分解。基于MCA的分解方法，求解 公式為：
[0020]
【主權(quán)項】
1. 一種基于MCA和字典學(xué)習(xí)的車牌超分辨率重構(gòu)方法，其特征在于包括下述步驟： 步驟一：將低分辨率測試圖像y插值到與目標(biāo)高分辨率圖像相同的尺寸，得到插值圖 像Y，并采用MCA算法把插值圖像Y分解成紋理部分Yt和結(jié)構(gòu)部分Y s。 步驟二：低分辨率圖像特征塊通過KSVD方法得到低分辨率字典和稀疏表示系數(shù)，利用 系數(shù)和高分辨率圖像特征塊計算得到高分辨率字典。 步驟三：對低分辨率圖像y分塊并提取低頻特征，利用該高、低分辨率字典對對低分辨 率圖像塊進(jìn)行超分辨率重建，得到高頻特征圖像塊；合并所有高頻圖像塊，在圖像塊之間的 重疊部分取均值，得到目標(biāo)高分辨率圖像的紋理部分X t，Xt與插值圖像結(jié)構(gòu)部分Y s相加，得 到目標(biāo)高分辨率圖像X。
2. 根據(jù)權(quán)利要求1所述的一種基于MCA和字典學(xué)習(xí)的車牌超分辨率重構(gòu)方法，其特征 在于：在步驟一中，具體包括以下步驟：21 :采用Bicubic插值算法，將低分辨率圖像插值放 大到與高分辨圖像相同的尺寸；22 :對于同時包含紋理層和結(jié)構(gòu)層的圖像X，則通過MCA算 法進(jìn)行紋理層和結(jié)構(gòu)層的分解。
3. 根據(jù)權(quán)利要求1所述的一種基于MCA和字典學(xué)習(xí)的車牌超分辨率重構(gòu)方法，其特征 在于：在步驟二中，具體包括以下步驟：31 :將高分辨率訓(xùn)練圖像集經(jīng)過下采樣操作，得到 相應(yīng)的低分辨率圖像集；32 :將低分辨率圖像集中的圖像劃分為NXN大小的圖像塊，并提 取特征；33 :利用KSVD算法將低分辨率圖像特征訓(xùn)練成低分辨率字典D1;34 :將低分辨率訓(xùn) 練圖像插值到與高分辨率訓(xùn)練圖像相同的尺寸，并進(jìn)行MCA分解，得到插值圖像的結(jié)構(gòu)部 分；35 :將高分辨率訓(xùn)練圖像減去低分辨率插值圖像結(jié)構(gòu)部分后的剩余部分作為高分辨率 圖像的紋理部分，將紋理部分劃分為（RN) X (RN)大小的圖像塊并連成向量，作為高分辨率 圖像塊的特征向量；36 :在假設(shè)高、低分辨率圖像塊在高、低分辨率字典對下具有相同的稀 疏表示系數(shù)r的前提下，通過最小化以下逼近誤差來計算高分辨率字典D h。
4. 根據(jù)權(quán)利要求1所述的一種基于MCA和字典學(xué)習(xí)的車牌超分辨率重構(gòu)方法，其特征 在于：在步驟三中具體包括以下步驟：41 :將低分辨率測試圖像y劃分為NXN大小的圖像 塊，并提取特征；42 :計算低分辨率圖像塊在低分辨率字典下的稀疏系數(shù)和高分辨率圖像 塊的特征向量；43 :合并所有高頻圖像塊，在圖像塊之間的重疊部分取均值，得到目標(biāo)高分 辨率圖像的紋理部分Xt，與插值圖像結(jié)構(gòu)部分Y s相加，得到目標(biāo)高分辨率圖像X。
【專利摘要】該發(fā)明提供了一種基于MCA和字典學(xué)習(xí)的車牌超分辨率重構(gòu)方法，把車牌圖像視為結(jié)構(gòu)部分和紋理部分的線性組合，利用高、低分辨率字典對低分辨率的車牌圖像進(jìn)行超分辨率重構(gòu)。具體步驟如下：步驟一：將低分辨率測試車牌圖像插值到與目標(biāo)高分辨率圖像相同尺寸，采用MCA算法把插值圖像分解成紋理部分和結(jié)構(gòu)部分；步驟二：低分辨率圖像通過KSVD方法得到低分辨率字典和稀疏系數(shù)，利用系數(shù)和高分辨率圖像計算高分辨率字典。步驟三：利用高、低分辨率字典對分塊后的低分辨率圖像進(jìn)行超分辨率重建，合并重建后的圖像塊得到高分辨率圖像的紋理部分，與插值圖像結(jié)構(gòu)部分相加，即得到高分辨率圖像。本發(fā)明重構(gòu)得到的車牌圖像能夠較好地保持圖像的邊緣、紋理信息。
【IPC分類】G06T5-00
【公開號】CN104867116
【申請?zhí)枴緾N201510190609
【發(fā)明人】尹宏鵬, 柴毅, 李艷霞, 邢占強(qiáng)
【申請人】重慶大學(xué)
【公開日】2015年8月26日
【申請日】2015年4月21日