毕 萍，杨 洋，刘 颖

(1.电子信息现场勘验应用技术公安部重点实验室，陕西西安710121;2.陕西省无线通信与信息处理技术国际合作研究中心，陕西西安710121;3.西安邮电大学图像与信息处理研究所，陕西西安710121;4.西安邮电大学通信与信息工程学院，陕西西安710121)

有损压缩(Lossy compression)是一种使用不精确近似来表示编码内容的数据编码方法［1］。在科技信息爆炸的时代，采用有损压缩格式存储数据可以节省带宽和存储空间。安防监控领域的图像多为有损压缩格式。图像的有损压缩容易产生方块伪影，不仅降低了车牌图像的视觉质量，还严重影响以压缩图像作为输入的后续图像处理，例如目标检测［2］、目标识别［3］和图像检索［4］等。

车牌数据均采用JPEG压缩处理。JPEG压缩指将图像分割为8×8像素块，并在每个块上分别应用块离散余弦变换(DCT)，然后将量化应用于DCT系数，以节省存储空间。当每个块被编码而不考虑与相邻块的相关性时，会产生块效应，导致8×8边界处的不连续性。由于高频分量的粗量化，图像的边缘易发生振铃效应，进而高频成分可能丢失，造成图像模糊现象。

有多种方法可以应对各种压缩伪影。在空域中，设计不同类型的滤波器［5-7］自适应地处理特定区域中的块效应，其方法是沿着块边界进行滤波，以减少块效应。但该类方法不能获得图像锐利的边缘，使得纹理过于平滑。Liew［8］和 Foi［9］提出的算法主要消除振铃伪影，其方法是使用阈值自适应小波变换和形状自适应DCT变换去除伪影，这类方法会产生模糊的输出结果。Jung［10］提出了基于稀疏表示的压缩重建方法，可以获得锐化的输出图像，但会伴有边缘噪声和不自然的平滑区域。

如果将图像压缩视为一种失真，那么其重建算法可以采用凸集投影的方法(POCS)［11］、求解地图问题(FE)［10］、基于稀疏编码的方法［12］和基于回归树场的方法(RTF)［13］。RTF将 SA-DCT的结果作为基础和产生图像重建与回归树场模型。Dong［1］将多层卷积神经网络用于图像压缩重建，取得了非常好的效果。

深度学习可用于图像重建［14-15］。Dong等人提出的SRCNN［16］显示，卷积神经网络在图像重建中的作用，基于稀疏编码的图像恢复模型可以被视为一个深层卷积模型。Ledig［14］提出，随着网络层数加深，特征个数不断增加，特征尺寸不断减小，最后，可通过两个全连接层和最终的sigmoid激活函数获得重建图像。基于卷积神经网络的图像重建算法随着网络层数的加深，性能也逐渐增强，但是网络的复杂性也随之增加，训练的参数增多，目标函数很难快速收敛，致使训练的时间也较长。

本文将利用车牌图像的纹理稀疏性结构，并结合文献［1］，给出一种通过增加网络宽度的方式来提高车牌图像重建质量的方法。

1 算法原理

算法的网络结构如图1所示。所给方法增加了第一层特征提取层的滤波器尺寸，并将其得到的特征图进行拼接融合，使得训练网络能够捕捉到车牌图像的更多特征。

图1 网络结构

网络主要由四个卷积层组成，网络仅在初始层采用多尺度提取特征，目的是保证网络特征多样化的同时，使得网络结构简单，训练的时间少。

网络的第一个卷积层为特征提取层，其得到输入图像的特征图可以表示为

其中 W11，W12，W13和 B11，B12，B13分别表示滤波器的权重和偏置，“*”表示卷积运算，“”表示拼接。

网络的第二个卷积层为特征增强层，第三个卷积层为非线性映射层，均可以表示为

其中Wi对应于尺寸为fi×fi的ni个滤波器，Bi是ni维矢量。

网络的第四个卷积层为重建层，可表示为

其中W4对应于尺寸为f4×f4的1个滤波器，B4是一个标量。

损失函数采用的是欧氏损失，其表达式为其中，n是训练图像个数，Yi是第插值后的LR图像块，Xi是与Yi对应的第i块HR图像块，F(Yi;Θ)是在Θ网络参数条件下重建后的HR图像块。

2 实验结果及分析

2.1 实验结果

实验环境为 linux14.04，内存4 G，GeForce GTX 950。实验数据为986张车牌图像。其中10张用于测试(图2)，976张用于训练(部分见图3)。测试集选取了不同颜色和不同形状的车牌图像。

图2 测试数据集

图3 训练数据集

如图1所示实验网络的参数设置为分别为:32个9×9的滤波器，32个 11×11的滤波器，32个13×13的滤波器;然后经过特征融合层进行特征融合，迭代200万次，其测试结果如表1所示。实验结果表明，测试10张车牌数据，其PSNR的平均值为26.027 3 dB，SSIM 的平均值为 0.929 5。

2.2 网络参数调整

2.2.1 不同尺寸融合

为了更进一步验证融合特征的多样性，改变9-11-13三种不同尺寸为7-9-11三种不同尺寸进行图像特征融合。迭代200万次，测试结果如表2所示。

实验结果表明，测试10张车牌数据，其PSNR的平均值为 26.814 7 dB，SSIM 的平均值为0.928 5。实验数据表明，7-9-11融合的测试结果与9-11-13融合的结果相比，PSNR提升了0.8 dB，SSIM几乎没有变化。

2.2.2 不同压缩系数重建

以上采用的JEPG压缩系数q为10。另外分别设置q=20和q=30，对7-9-11三种不同尺寸进行图像特征融合。迭代200万次，测试结果如表3和表4所示。

测试10张车牌数据，q=20，其PSNR的平均值为29.897 0 dB，SSIM 的平均值为0.962 3。q=30，其PSNR的平均值为32.335 9 dB，SSIM的平均值为0.971 4。实验数据表明，针对不同的压缩系数，车牌图像重建后的效果均有明显的提升。

表1 采用9-11-13三种不同尺寸且q=10时的测试结果

表2 采用7-9-11三种不同尺寸且q=10时的测试结果

表3 采用7-9-11三种不同尺寸且q=20时的测试结果

表4 采用7-9-11三种不同尺寸且q=30时的测试结果

相关实验结果如图4、图5和图6所示。

图4 q=10车牌图像重建结果(7-9-11)

图5 q=20车牌图像重建结果(7-9-11)

图6 q=30车牌图像重建结果(7-9-11)

2.3 实验结论

实验通过增加网络的宽度，把不同尺寸的特征进行融合，增加训练网络特征的多样性，通过不同的实验参数调整、训练、测试，找出网络的最佳参数。通过改变压缩系数q，训练和测试不同系数下JPEG压缩后车牌图像的重建效果。实验表明通过7-9-11的特征融合伪影的去除效果最佳。

3 结语

深度学习是图像领域的研究热点问题，其应用范围比较广泛。随着其网络的发展，网络的深度越来越深，出现了几百层甚至及几千层的网络。车牌图像作为智能交通和公安刑侦的重要数据，通过重建车牌图像是一个值得研究的热点问题。本文车牌图像重建的网络深度还不够深，训练迭代的次数还不够大，未来应该同时增加网络的深度和宽度，增加网络结构的复杂性，进一步提升车牌图像的重建质量。