二维条码技术作为信息自动采集方式,被广泛应用于物流、服装、工业行业,移动支付、停车场、小区门禁和智能家居设备等地方。然而,在二维条码图像采集识别时,因为操作不当或摄像头分辨率不足,导致拍摄出的图像分辨率不足难以识别。更换高分辨率的硬件设备虽然能增加对二维条码的识别度,但硬件设备价格昂贵经济性差,并不被普遍应用。为了解决上述问题,提出二维条码图像的超分辨算法,分别对基于稀疏表示和改进SRGAN模型的算法进行研究,并通过对低分辨率二维条码图像的超分辨重建实验证明该方法的可行性。论文的主要研究内容如下:1.提出基于稀疏表示的二维条码图像超分辨算法。能够根据二维条码图像的特征提取、稀疏表示复原模型的建立和稀疏字典的建立三方面实现二维条码图像的超分辨率重建。与现有同类超分辨算法进行比较,所提出的方法在理论上具有更好的超分辨效果。2.提出一种低分辨率二维条码图像的特征提取方法。通过Kirsch算子,类Kirsch纹理直方图法和滤波器和构造特征提取器F,分别提取二维条码图像的边缘特征,纹理特征和水平和竖直方向的二阶高频特征。实验表明,该特征提取方法对基于稀疏表示的二维条码图像超分辨算法是有效的。3.首次将深度学习的方法应用于二维条码图像的超分辨重建中,提高算法的运行速度和重建效果。具体从网络模型的整体结构设计,生成模型的设计,判别模型的设计和损失函数的设计四个方面出发,提出基于SRGAN改进的二维条码图像超分辨算法。4.在改进SRGAN的生成模型中提出不同于SRGAN网络的残差密度块、密集连接和去除多余的批规范化操作BN。在判别模型设计中,通过增加判别器的网络深度,其网络表征能力较原模型得到提高。在损失函数设计方面,利用基于L1的损失函数代替原有的基于MSE的损失函数。实验表明,改进SRGAN模型和L1损失函数的设计提高了二维条码图像的超分辨效果。