چکیده: در این پایان نامه یک سیستم فشرده سازی/بازسازی برای تصاویر متنی با درجه ی تفکیک مکانی بالا مبتنی بر فرا تفکیک پذیری طراحی شده است. در تصاویر متنی درجه ی تفکیک مکانی از اهمیت بالایی برخوردار است اما این ویژگی باعث می شود که حجم ذخیره سازی زیاد شود. با توجه به محدود بودن حافظه های دیجیتالی و حجم زیاد این تصاویر نیاز به فشرده سازی تصاویر متنی امری ضروری به نظر می رسد. اما مشکلاتی وجود دارد، 1) فشرده سازی می تواند موجب اثرات مخربی روی تصاویر متنی شود. 2) در روش هایی مانند JPEG و JPEG2000، میزان فشرده سازی یا نرخ بیت خروجی محدود است. ایده اصلی در این پایان نامه این بوده است که با ارائه روشی مناسب بتوان میزان فشرده سازی را بیشتر و اثرات مخرب روی تصویر فشرده شده را نیز کم کرد. برای رسیدن به میزان فشرده سازی بیشتر از ایده کاهش ابعاد در تصاویر متنی استفاده شده است. البته باید به این موضوع توجه شود که کاهش ابعاد روی کیفیت تصویر بی تأثیر نیست و ممکن است باعث تنزل در کیفیت تصویر شود. بنابراین باید روشی انتخاب شود که بتواند هم ابعاد تصویر را افزایش دهد و هم اثرات مخرب تأثیر گذار بر تصویر را اصلاح کند. به همین دلیل از ایده فرا تفکیک پذیری در ترکیب با روش های فشرده سازی استفاده شده است. از روش های فرا تفکیک پذیری مبتنی بر درون یابی و مبتنی بر یادگیری در مرحله بازسازی استفاده شده است. در روش مبتنی بر درون یابی، تصویر وضوح پایین ورودی به سه لایه تقسیم و سپس هر لایه براساس اهمیت اطلاعاتی آن با یک روش بزرگ نمایی شده است. در نهایت لایه های بزرگ نمایی شده با هم ترکیب شده اند و تصویر وضوح بالای نهایی را تشکیل داده اند. در روش مبتنی بر یادگیری، ابتدا پایگاه داده ای مناسب از تصاویر متنی وضوح بالا و وضوح پایین (نسخه های کاهش ابعاد داده شده و فشرده شده ی تصاویر وضوح بالا) ایجاد شده است. برای ساخت واژه نامه از وصله های 3*3 و 5*5 استفاده شده است. واژه نامه ها مبتنی بر ویژگی بوده اند و از چهار فیلتر بالاگذر برای داشتن مؤلفه های فرکانس بالای تصاویر به منظور ساخت واژه نامه ها استفاده شده است. واژه نامه ها برای 50000 و 100000 اتم آموزش داده شده اند. پایگاه داده ی ایجاد شده شامل تصاویر متنی واقعی با درجه ی تفکیک مکانی بالا و متوسط بوده است. برای تصویری با درجه ی تفکیک dpi600، روش JPEG و JPEG2000 توانستند به ترتیب تا 0.07 و 0.015 نرخ بیت فشرده سازی را انجام دهند؛ روش پیشنهادی برای همان تصویر تا 0.004 نرخ بیت در هر دو روش توانسته نتایج قابل قبولی داشته باشد. نتایج براساس معیارهای بازشناسی متن (OCR)، متوسط امتیاز نظرسنجی (MOS) و پیک سیگنال به نویز (PSNR) ارزیابی و با هم مقایسه شده اند. روش پیشنهادی از نظر معیارهای OCR و MOS که در تصاویر متنی مهم هستند جواب بهتری نسبت به روش های دیگر داشته است اما از نظر PSNR جواب خوبی بدست نیامده است.