单幅车牌图像超分辨率重建算法研究

发布时间：2023-04-20 01:32

　　在计算机视觉领域中,图像是许多重要信息的载体。图像质量的好坏直接决定了各种视觉任务的难度和效果。受成像设备性能以及远距离拍摄的限制,图像的画质经常会变差,无法看清车牌字符。如果提升成像设备的质量,不仅成本较高,而且仍然存在远距离的场景,因此通过软件的方法对图像进行超分辨率重建得到了广泛的应用。由于卷积神经网络可以学习低分辨率图像与高分辨率图像之间复杂的映射关系,所以基于深度学习的方法从低分辨率车牌图像超分辨率重建出高质量的车牌图像,已经成为当前计算机视觉领域的热点问题。本文主要的研究任务为将低分辨率车牌图像超分辨率重建为4倍的高分辨率车牌图像,主要研究内容和创新点如下:(1)为了充分利用图像中的高频信息,降低车牌图像的重建误差,本文结合残差结构和密集连接结构,提出了一种基于密集残差采样网络的车牌图像超分辨率重建算法。在密集残差采样网络中,本文构建了一种含有采样层和通道注意力机制的残差采样块,能利用通道注意力机制更好的探索上采样后高分辨率特征的高频信息,因此更有利于重建出车牌图像的形状边缘等细节信息。在网络的全局结构中,本文采用密集的跳线对残差采样块进行连接,提高了特征利用率;采用1×1...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文研究内容
    1.4 本文结构安排
第2章 基于深度学习的超分辨率重建算法理论
    2.1 图像降质模型
    2.2 基于深度学习的超分辨重建方法
        2.2.1 可学习的上采样方法
        2.2.2 基于残差网络的超分辨率重建方法
        2.2.3 拉普拉斯金字塔网络
        2.2.4 反投影网络
    2.3 车牌数据集及评价指标
        2.3.1 车牌数据库制作
        2.3.2 评价指标
    2.4 本章小结
第3章 基于密集残差采样网络的车牌图像超分辨率重建
    3.1 通道注意力机制
    3.2 密集连接结构
    3.3 密集残差采样网络
        3.3.1 初始化特征提取模块
        3.3.2 密集连接的残差采样块
        3.3.3 重建模块
        3.3.4 损失函数
    3.4 实验设计与分析
        3.4.1 数据集选择与实验配置
        3.4.2 参数设置与模型分析
        3.4.3 对比研究
    3.5 实验结果与分析
        3.5.1 客观评价
        3.5.2 主观评价
    3.6 本章小结
第4章 基于逐级反投影网络的车牌图像超分辨率重建
    4.1 车牌区域检测与提取
        4.1.1 车牌区域检测算法
        4.1.2 车牌区域检测与提取结果
    4.2 逐级反投影网络
        4.2.1 初始化特征提取模块
        4.2.2 逐级反投影模块
        4.2.3 重建模块
    4.3 实验设计与分析
        4.3.1 数据集选取及实验环境
        4.3.2 网络参数
        4.3.3 网络性能
    4.4 实验结果与分析
        4.4.1 客观评价
        4.4.2 主观评价
    4.5 本章小结
第5章 总结与展望
    5.1 本文工作总结
    5.2 研究展望
参考文献
攻读学位期间取得的研究成果
致谢



本文编号：3794615