AIcode مرجع تخصصی هوش مصنوعی

<aicode>

 

 

 

 

 

در مسئله ابرتفکیک پذیری با استفاده از یک تصویر هدف افزایش کیفیت یک تصویر از لحاظ دقت مکانی (پیکسل بر اینچ) است.
افزایش تفکیک‌پذیری با استفاده از یک تصویر یک زیربخش مهم در بسیاری از کاربردهای افزایش کیفیت تصاویر است. در این قسمت، ابرتفکیک‌پذیری یا بازسازی تصویر بر روی یک تصویر اعمال می‌شود. همچنین در مقالات با نام درون یابی و مقیاس بندی تصویر به آن اشاره می‌شود.

 وقتی که از یک صحنه مطابق شکل ‏1 یک تصویر بدست آمده باشد، به دلیل شرایط محیط و محدودیت های سخت افزاری سیستم تصویربرداری، می‌توان گفت عکس خروجی دارای کیفیت پایینی می‌باشد و حتی بسته به کاربرد میتواند دارای نویز و یا تعداد پیکسل پایین و یا دارای مات شدگی باشد، به گونه ای که وضوح مطلوب کاربر در تصویر نمایان نباشد. در این حالت هدف مسئله بدین صورت می‌تواند بیان شود که بدون داشتن هیچ اطلاعاتی از محیط و سیستم تصویر برداری باید بتوان کیفیت تصویر را افزایش داد و بالطبع با افزایش کیفیت، تعداد پیکسل ها و وضوح اشیا در تصویر نیز افزایش می‌یابد.

Image Super Resolution

 شکل 1: مدل ابرتفکیک‌پذیری با استفاده از یک تصویر

 1‌.1‌ روش دانگ
روش دانگ بر این اساس است که پایه‌هایی را برای مجموعه‌های متفاوت از وصله های تصاویر مختلف در پایگاه‌ داده یاد می‌گیرد. بنابراین برای یک وصله از تصویر کافی است مجموعه ای از پایه های یادگرفته شده را به صورت سازگار انتخاب و وصله را بر اساس آن ها نمایش دهد (Adaptive Sparse). در این بخش ابتدا وصله های تصاویر با کیفیت بالا در پایگاه داده خوشه بندی می‌شوند (با استفاده از روش k-means) و از آن جایی که هر خوشه دارای الگوی مشابه می‌باشد، برای هر خوشه از وصله‌ها می‌توان یک زیرواژه نامه یاد گرفت. برای هر وصله‌ی ورودی، نزدیکترین خوشه به آن انتخاب می‌شود و چون در اینجا نزدیک‌ترین واژه نامه برای نمایش آن انتخاب می‌شود بنابراین می‌توان نتیجه گرفت تمام تصویر با استفاده از این واژه نامه‌ی کلی می‌تواند بهتر و دقیق تر بازسازی شود.
در ادامه دو پارامتر تنظیم سازگار به این وصله‌ی نمایش داده شده بر اساس پایه های تنک اضافه خواهد شد.
یکی از پارامترها برای بهبود ساختار محلی تصویر در نظر گرفته می‌شود که برای این کار لازم است مدل های خودبازگشت کننده (AR) بر روی وصله‌های تصاویر پایگاه داده آموزش و پارامتر های آن بدست آورده شود و در نهایت برای یک وصله از تصویر ورودی، یک مدلAR سازگار انتخاب شود.
در این قسمت یک مدل خودبرگشت پذیر(AR) برای هر خوشه آموزش داده می‌شود تا ساختار محلی تصویر را در نظر بگیرد. در این حالت برای یک وصله‌ی ورودی می‌توان یک یا چند مدلAR سازگار با آن انتخاب شود و به عنوان یک عبارت تنظیم در راه حل آورده شود. این پارامتر در تیزکردن لبه ها و در مهار نویز بسیار مفید است.
عبارت تنظیم معرفی شده‌ی دیگر خودمشابه غیرمحلی می‌باشد که فلسفه‌ی معرف آن در نظرگرفتن ساختار وصله‏های غیر محل در تصویر ورودی است. در اغلب مواقع یک ساختار در تصویربسیار تکرار می شود و به همین دلیل کافی است یک محدودیت خودمشابه غیرمحلی(LN) را به عنوان یک عبارت تنظیم به حل نیز اضافه کرد. در آخر برای حل مسئله ی بهینه سازی کمینه کردن نرم مرتبه یک ، از روش الگوریتم انقباض تکرارشونده استفاده(IS) می شود.

ادامه این مطلب  که شامل مطالب زیر است، از لینک زیر قابل دانلود است.

- نمایش تنک داده ها و انتخاب دامنه ی سازگار با وصله ها
- یادگیری پایه ها برای زیرواژه‌نامه در روش دانگ
- انتخاب سازگار زیرواژه نامه برای هر وصله

 

 دانلودلینک مستقیم دانلود: افزایش رزولوشن مکانی تصاویر (بهبود کیفیت تصاویر)

 

تبلیغات AIcodeMahak

AIcode مرجع تخصصی آموزش مهندسی کامپیوتر و هوش مصنوعی

تماس با ما

ايميل: info@aicode.ir

عضویت در خبرنامه AIcode