基于稀疏表示车牌图像超分辨率算法研究.docVIP

基于稀疏表示车牌图像超分辨率算法研究 　　摘要： 介绍一种应用于车牌图像的稀疏表示超分辨率算法，依据稀疏表示理论，自然图像在合适的过完备字典下总存在稀疏的表示，为输入的低分辨率图像寻找一个稀疏表示，用稀疏系数来生成高分辨率输出图像。通过对低分辨率和高分辨率图像补丁的联合训练生成字典，该字典提供低分辨率图像补丁的稀疏表示，用来生成高分辨率图像补丁。 　　关键词： 稀疏表示；车牌图像；超分辨率 　　中图分类号：TU991.2 文献标识码：A 文章编号：1671－7597（2011）0920088－01 　　 　　0 引言 　　近年来，基于图像的车牌识别系统的研制引起了许多学者的广泛兴趣，车牌识别的技术发展很快，就其识别基础，主要可分为间接法和直接法两种：间接法是基于IC卡鉴别（REID）或基于条码的识别。直接法是基于图像的汽车牌照识别。该方法识别的技术关键即是图像识别处理。 　　图像超分辨率于60年代由Harris和Goodman提出，当时是指基于单帧图像的超分辨率处理技术。比较常用的是基于插值的方法[1]。如Bicubic插值，但简单的插值方法会生成过平滑图像，而采用图像自身先验的插值将产生好的结果。 　　近几年出现基于机器学习技术的方法，该方法试着捕获在高分辨率和的分辨率补丁之间一并存在的先验。[2]提出了一种基于例子学习的方法，从低分辨率到高分辨率预测是通过MRF学习的，然而种方法需要庞大的高分辨率和低分辨率补丁数据库，因此计算量非常大。[3]采用了局部线性嵌入原理（LLE）。从流型学习假设在高分辨率和低分辨率补丁空间两个流形之间的相似性。使用这种方法，使用小的训练数据库就能表示更多的图像补丁。然而，由于过度或者不足拟合经常导致图像模糊。 　　1 算法介绍 　　令D是一个过完备字典，x能被表示为一个关于D的线性稀疏组合。由稀疏表示法原理知，信号x可以写成，这里的是一个有很少非零元素的项。在试验中，我们通常只观测到x的一部分测量集y，可以表示为： 　　 （1） 　　这里的L是一个投影矩阵，在我们的超分辨率方法中，x是一个高分辨率图像或补丁，y是他的低分辨率部分或是从它自身确定的特征。等式y=LDa是欠估计的，在一般情况下，该等式的稀疏解a0是唯一的。如果D满足一个接近等距的条件，则对于大部分的L，在字典D的条件下，若高分辨率补丁x足够线性稀疏，则x可以从低分辨率补丁中被很好的恢复。 　　1.1 字典学习 　　1）独立字典训练：稀疏编码是寻找与过完备字典D相关的信号的稀疏表示的问题，字典通常是通过一系列的训练例子学习的。稀疏编码要求学习一个紧凑的字典，将L1的标准形式与L2_norm，通过线性规划与迭代法实现字典学习。 　　2）联合训练字典：所给的采样训练图像补丁对P={Xh，Yl}，此处Xh是被采样的高分辨率图像补丁集，Yl是相应的低分辨率图像补丁（或者特征）。为了高分辨率补丁的稀疏表示与相应的低分辨率补丁的稀疏表示一样。我们令高分辨率和低分辨率表示共享一个相同的编码。 　　1.2 重建约束 　　要求通过关于这个图像的观测模型，被恢复的X可以由输入的Y组成，这个被观测的低分辨率图像Y是高分辨率图像X的一个加模糊并被下采样的版本，即Y=SHX，此处的H代表了一个模糊滤波器，S表示下采样因子。 　　1.3 稀疏先验 　　超分辨率是特殊的病态问题，对于低分辨率输Y，无限多的高分辨率图像X满足以上的约束条件。我们通过在X的补丁x的先验信息校正这个问题。即这个稀疏表示法α通过输入图像Y的补丁y恢复。 　　假设高分辨率补丁能够在一个相近的完备字典中被稀疏表示，并且他们的稀疏表示能够从低分辨率观测中恢复。在字典Dh中，高分辨率图像X的补丁x能够被表示为一个线性组合，该字典从训练图像下采样得到的高分辨率补丁中，经过训练得到。 　　1.4 稀疏法图像超分辨率 　　目前，稀疏表示法在图像处理中有很多应用，比如去噪和重建.在我们的设想中，不是直接计算高分辨率补丁的稀疏表示，而是使用Dl中相应的地分辨率补丁的稀疏表示直接恢复Dh中的高分辨率补丁。 　　该算法试着从输入的每个低分辨率图像补丁估计高分辨率图像补丁。为了这个局部模型，我们学习字典Dh和Dl，使他们成为对于每个高分辨率和低分辨率图像有相同稀疏表示的补丁组合。由于每个补丁都减去像素平均值m，所以这个字典只表示图像纹理而不是全部强度，m是通过低分辨率补丁预测的。 　　对于每个输入的低分辨率补丁y，采用一个与Dl相关的稀疏表示.通过这些系数将基于Dh的高分辨率补丁组合起来，用来生成输出的高分辨率补丁x，寻找y的稀疏表示问题本质上是一个线性回归正则化，令F表示一个线性特征确定因子。本文中使用一阶和二阶导数作为低分辨率图像补丁的特征.在我们的算法中，用