在智能交通领域,交通场景图像质量的高低直接影响对车辆及其牌照、交通标志等目标的检测和识别,从而关系到车辆辅助驾驶系统的正常运行。然而,在获取和传输图像的过程中,由于外界噪声干扰以及光学成像设备的硬件限制,获取的图像往往存在被噪声污染以及分辨率不高等问题。因此,研究这些情况下的图像预处理技术就有着十分重要的意义。为了解决车载成像平台在采集图像时发生的图像含噪及分辨率不高的问题,本文提出了针对该问题的图像清晰化预处理技术。主要的研究内容有如下三个方面:针对交通场景图像被外界噪声污染的问题,在介绍了小波理论和小波系数统计特性的基础上,提出了一种新的基于小波系数统计模型的图像去噪方法。该方法利用二维广义自回归条件异方差(2D-GARCH)模型对小波系数进行建模,能够更好地利用小波系数“尖峰厚尾”的分布特性和系数间的相关性等重要特性。利用基于果蝇优化算法的极大似然估计代替传统的线性规划方法求解模型参数,提高了建模的准确性。在此基础上再采用最小均方误差估计对未受噪声污染的原始图像的小波系数进行估计从而达到去噪目的。针对成像系统的硬件限制而导致的图像分辨率不高的问题,采用基于稀疏表示的图像超分辨率重建方法对低分辨率的图像进行超分辨率重建。本文介绍了稀疏表示理论在图像超分辨率领域的应用,同时详细介绍了基于双字典的稀疏表算法和基于结构聚类型字典的稀疏表示算法这两种经典的稀疏表示算法,并结合这两种算法的特点提出了一种新的基于子字典对稀疏表示的算法,该算法在基本保持了图像重建效果的前提下大幅降低了算法的复杂度。在Visual Studio 2008的环境下利用C#和Mat Lab混合编程的方式完成了成像预处理系统软件界面的开发,该系统软件能够实现图像文件的读取、图像灰度化、图像去噪、图像超分辨率重建以及处理结果的保存等功能。同时,利用车辆检测算法和车牌识别算法分别对去噪前后的交通场景图像和超分辨率重建前后的车牌图像进行检测和识别,验证了本文预处理算法的有效性。