基于深度网络分级特征图的图像超分辨率重建

从低分辨率图像中提取特征图恢复高分辨率图像中的高频信息是超分辨率重建的一个关键问题,针对该问题提出一个新的基于卷积神经网络的超分辨率重建算法.网络结构由卷积层与子像素卷积组成,特征提取网络中卷积层提取低分辨率图像的特征,重建网络中子像素卷积神经网络作为上采样算子.针对不能充分利用多级特征图的问题,采用跳跃连接和特征图联结在特征提取网络末端跨通道融合特征图,同时降低特征图的维度.并在此基础上再次提取特征图应用于重建.实验结果表明,算法在PSNR、SSIM和人类视觉效果上与其他基于深度学习的算法相比有着显著的提高.

基于图像超分辨率的车牌识别研究

由于大多数情况下摄像机获取到的车牌图像的分辨率很低,导致有些车牌识别系统不能正确识别车牌图像。针对该问题,提出在经典模板匹配识别算法的基础上,结合Single Shot Multi Box Detector车牌检测方法,同时使用基于子像素卷积神经网络对车牌图像进行超分辨率,然后利用"字符轮廓检测+区域筛选合并"的方法分割字符。实验表明,重建后的整块车牌的识别率为63.2%,单个字符识别率为92.8%,所使用的方法有效提高车牌识别率和识别精度。也就是说,所提出的单幅图像超分辨率方法可以有效地促进车牌识别。