Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2015. / Submitted by Camila Duarte (camiladias@bce.unb.br) on 2017-02-08T11:58:57Z No. of bitstreams: 1 2016_AlexandreNatãVicente.pdf: 2792600 bytes, checksum: 05eecdd75b494d329e7b92c084506335 (MD5) / Approved for entry into archive by Ruthléa Nascimento(ruthleanascimento@bce.unb.br) on 2017-03-03T17:00:45Z (GMT) No. of bitstreams: 1 2016_AlexandreNatãVicente.pdf: 2792600 bytes, checksum: 05eecdd75b494d329e7b92c084506335 (MD5) / Made available in DSpace on 2017-03-03T17:00:45Z (GMT). No. of bitstreams: 1 2016_AlexandreNatãVicente.pdf: 2792600 bytes, checksum: 05eecdd75b494d329e7b92c084506335 (MD5) / A melhoria da resolução especial de imagens de placas de veículos em cenários reais possui papel importante no campo da investigação criminal e da ciência forense. Neste trabalho, um método de super-resolução de única imagem baseado em aprendizado é proposto, o qual utiliza o conhecimento a priori de que a entrada é formada por um conjunto de imagens de algarismos de placas capturadas em baixíssima qualidade e baixíssima resolução. O método proposto emprega uma árvore de decisão para classificar cada imagem de entrada e o resultado da classificação é utilizado para ponderar o peso da imagem do bloco na etapa de reconstrução. Adicionalmente, a equalização de histograma é aplicada para melhorar a eficácia do classificador. Para demonstrar que o método proposto produz resultados satisfatórios, experimentos com imagens sintéticas e imagens do mundo real são realizados e analisados. / Spatial resolution enhancement of license plate images in real scenarios plays an important role in criminal investigation and forensic science. This work presents a learning-based single-image super-resolution method based on a priori knowledge that the input is composed of license plate digit images captured at poor quality and very low resolution. The proposed method employs a decision tree to classify each input image and the classification results are used to weight the image patches in the reconstruction step. Additionally, the histogram equalization technique is performed to improve the effectiveness of the classifier. Experiments conducted on synthetic and real-world images demonstrate that the proposed method is capable of producing satisfactory results.