ارتقاء وضوح تصویر رنگی از روی رشته¬ای از تصاویر وضوح پایین

59,000تومان

توضیحات

دانلود و مشاهده قسمتی از متن کامل پایان نامه :

دانشکده : برق و رباتیک
گروه : الکترونیک و مخابرات

ارتقاء وضوح تصویر رنگی از روی رشته ای از تصاویر وضوح پایین

……………………..

استاد راهنما :
دکتر علیرضا احمدی فرد

پایان نامه ارشد جهت اخذ درجه کارشناسی ارشد

ماه و سال انتشار : بهمن 1392

دانشگاه صنعتي شاهرود
دانشكده : برق و رباتیک
گروه : الکترونیک و مخابرات

پايان نامه کارشناسي ارشد خانم سیده مرضیه جمال آبادی
تحت عنوان:
ارتقاء وضوح تصویر رنگی از روی رشته ای از تصاویر وضوح پایین

در تاريخ 26/11/1392 توسط كميته تخصصي زير جهت اخذ مدرک کارشناسي ارشد مورد ارزيابي و با درجه عالی مورد پذيرش قرار گرفت.

امضاء اساتيد مشاور امضاء اساتيد راهنما
نام و نام خانوادگي : نام و نام خانوادگي :
نام و نام خانوادگي : نام و نام خانوادگي :

امضاء نماينده تحصيلات تكميلي امضاء اساتيد داور
نام و نام خانوادگي : نام و نام خانوادگي :
نام و نام خانوادگي :
نام و نام خانوادگي :
نام و نام خانوادگي :

تقدیم به
پدر و مادر مهربانم که زندگیم را مدیون مهر و عطوفت آن ها می دانم.

با تقدیر و تشکر

از استاد گرامیم جناب آقای دکتر احمدی فرد ،که در تمامی مراحل انجام این پایان نامه دلسوزانه مرا یاری فرمودند.

اینجانب سیده …………… دانشجوی دوره کارشناسی ارشد رشته الکترونیک-سیستم دانشکده برق و رباتیک دانشگاه صنعتی شاهرود نویسنده پایان نامه افزایش وضوح تصاویر رنگی با استفاده از رشته ای از تصاویر با وضوح پایین تحت راهنمائی دکتر علیرضا احمدی فرد متعهد می شوم .
• تحقیقات در این پایان نامه توسط اینجانب انجام شده است و از صحت و اصالت برخوردار است .
• در استفاده از نتایج پژوهشهای محققان دیگر به مرجع مورد استفاده استناد شده است .
• مطالب مندرج در پایان نامه تاکنون توسط خود یا فرد دیگری برای دریافت هیچ نوع مدرک یا امتیازی در هیچ جا ارائه نشده است .
• کلیه حقوق معنوی این اثر متعلق به دانشگاه صنعتی شاهرود می باشد و مقالات مستخرج با نام « دانشگاه صنعتی شاهرود » و یا « Shahrood University of Technology » به چاپ خواهد رسید .
• حقوق معنوی تمام افرادی که در به دست آمدن نتایح اصلی پایان نامه تأثیرگذار بوده اند در مقالات مستخرج از پایان نامه رعایت می گردد.
• در کلیه مراحل انجام این پایان نامه ، در مواردی که از موجود زنده ( یا بافتهای آنها ) استفاده شده است ضوابط و اصول اخلاقی رعایت شده است .
• در کلیه مراحل انجام این پایان نامه، در مواردی که به حوزه اطلاعات شخصی افراد دسترسی یافته یا استفاده شده است اصل رازداری ، ضوابط و اصول اخلاق انسانی رعایت شده است . تاریخ امضای دانشجو

چكيده
در سال های اخیر، پیشرفت های گسترده ای در زمینه ی سنسورهای تصویر و سیستم های تصویربرداری دیجیتال صورت گرفته است، اما هنوز محدودیت های تئوری و عملی بر روی وضوح تصاویر گرفته شده با این دوربین ها اثر می گذارد. تکنیک های فراتفکیک پذیری (سوپر رزولوشن) به منظور غلبه بر این محدودیت ها در سال های اخیر گسترش یافته اند. این تکنیک ها با استفاده از یک و یا چند تصویر کم وضوح، تصویری با وضوح بالاتر ایجاد می کنند. کارهای اخیر در زمینه ی فراتفکیک پذیری (که اغلب بر روی تصاویر خاکستری متمرکز شده است)، به منظور کاهش پیچیدگی محاسباتی و افزایش مقاومت در برابر خطاهای مدل سازی و نویز انجام شده است. از سویی دیگر، روش های موزائیک زدایی متعددی به منظور کاهش مصنوعات رنگی، که در نتیجه ی استفاده از دوربین های تک CCD است، مطرح شده است.
در این پایان نامه، با استفاده از روش های آماری در پردازش سیگنال، چارچوب مقاومی را برای ترکیب تصاویر کم وضوح به منظور ایجاد تصویری با وضوح بالا پیشنهاد می دهیم. در این روش، با استفاده از معیار مقاوم به خطا در تابع هدف و تطبیق فرآیند تخمین برای هر تصویر کم وضوح متناسب با دقت پارامترهای مدل و سطح نویز آن، بازسازی مقاومی را ایجاد نموده ایم. همچنین با تعمیم این روش در حوزه ی رنگ، و ادغام فرآیند تفکیک پذیری و دموزانیک تصویر، توانسته ایم علاوه بر افزایش وضوح تصاویر رنگی، موزائیک زدایی تصویر را نیز به طور همزمان انجام دهیم. آزمایش های انجام شده نیز عملکرد خوب الگوریتم پیشنهادی را در مقابل نویز و خطا تصدیق می کند.
واژه‌های کلیدی:
فراتفکیک پذیری، ثبت تصاویر، تخمین-M، تنظیم کننده، موزائیک زدایی تصویر، فیلتر رنگی.

لیست مقالات مستخرج از پایان نامه

1- م. جمال آبادی، ع.احمدیفرد، افزایش وضوح تصاویر به کمک فریم های ویدئویی کم وضوح مبتنی بر تخمین تطبیقی، دوازدهمین کنفرانس سیستم های هوشمند ایران (ICIS)، بم، ایران.

M. jamalabadi, A. ahmadyfard, “Robust Color Super-Resolution from a Single CCD,” 2014 Iranian Conference on Intelligent Systems (ICIS), bam, Iran.
2-

فهرست عناوین صفحه
1 فصل اول مقدمه 1
1‌.1‌ فراتفکیک پذیری به عنوان یک مسئله معکوس 7
1‌.2‌ فصل بندی پایان نامه 10
2 فصل دوم مرور کارهای گذشته 13
2.1 مدل سیستم عکسبرداری 14
2‌.2‌ فراتفکیک پذیری در حوزه فرکانس 16
2‌.3‌ روشهای حوزه فضایی 18
2‌.3‌.1‌ درونیابی- بازسازی: روشهای غیرتکراری 19
2‌.3‌.2‌ روش های آماری 21
2.3.2.1 حداکثر احتمال 23
2‌.3‌.2‌.2‌ حداکثر احتمال پسین 25
2.3.2.3 بازنشانی- MAP توام 27
2‌.3‌.3‌ رویکرد طرح ریزی بر روی مجموعه های محدب 28
2.3.4 رویکرد ترکیبی ML-POCS 30
3 فصل سوم ارتقاء وضوح تصاویر خاکستری 31
3.1 ترکیب تصاویر کم وضوح مبتنی بر تخمین- M 32
3‌.1‌.1‌ چارچوب تخمین M 32
3‌.1‌.2‌ ترکیب تصاویر مبتنی بر تخمین Half-Quadratic 40
3‌.1‌.2‌.1‌ محاسبه پارامتر a مطابق با دقت هر فریم 42
3‌.1‌.3‌ تنظیم کننده ها 45
3‌.2‌ روش پیشنهادی جهت ارتقاء وضوح 49
3‌.3‌ آزمایش ها 50
3‌.3‌.1‌ بررسی روش های متفاوت بازسازی و تاثیر تنظیم کننده ها 51
3‌.3‌.2‌ ارزیابی عملکرد الگوریتم پیشنهادی در مقابل خطای ثبت 52
3‌.3‌.3‌ ارزیابی استحکام روش پیشنهادی در مقابل پرتی ها 54
3‌.3‌.4‌ پیاده سازی روش پیشنهادی روی تصاویر واقعی 55
4 فصل چهارم ارتقاء وضوح تصاویر رنگی 65
4‌.1‌ مروری بر مسائل فراتفکیک پذیری در تصاویر رنگی و موزائیک زدایی تصویر 66
4‌.1‌.1‌ فراتفکیک پذیری در تصاویر رنگی 66
4‌.1‌.2‌ موزائیک زدایی تصویر 67
4‌.1‌.3‌ ادغام فراتفکیک پذیری و موزائیک زدایی در یک فرآیند 73
4‌.2‌ مدل ریاضی و حل مسئله 75
4‌.2‌.1‌ مدل ریاضی سیستم عکسبرداری 75
4‌.3‌ روش پیشنهادی جهت موزائیک زدایی چند فریمی 78
4‌.3‌.1‌ جمله ی وفاداری 80
4‌.3‌.2‌ جمله ی جریمه ی روشنایی 80
4‌.3‌.3‌ جمله ی جریمه ی رنگ 81
4‌.3‌.4‌ جمله ی جریمه ی وابستگی های رنگی 82
4‌.4‌ تابع هزینه کلی 83
4‌.5‌ آزمایش ها 84
4‌.5‌.1‌ بررسی عملکرد الگوریتم پیشنهادی در برابر خطاهای ثبت 86
4‌.5‌.2‌ بررسی عملکرد الگوریتم پیشنهادی در برابر پرتی ها 87
5 فصل پنجم جمع بندی و نتیجه گیری 95
5‌.1‌ نتیجه گیری 96
5‌.2‌ پیشنهادهایی برای کارهای آتی 97
منابع و مراجع 101
پیوست ها 115

فهرست اشكال صفحه
شكل 1-1 الگوی وضوح USAF 1951، آزمونی کلاسیک، که برای تعیین وضوح سیستم و حسگرهای تصویربرداری استفاده می شود [3]. 3
شکل 1-2 ایده اصلی بازسازی فراتفکیک پذیری از فریم های کم وضوح. حرکت نسبی فریم های کم وضوح به اندازه کسری از پیکسل، در بازسازی تصویر وضوح بالا کمک می کند[3]. 5
شکل 1-3 نمایش مثال ساده از مسئله فراتفکیک پذیری مبتنی بر حرکت. (الف)، تصویر وضوح بالا شامل چهار پیکسل. (ب) -(ه)، تصاویر کم وضوح یک پیکسلی که توسط یک دوربین خیالی گرفته شده است. فرض بر این است که، PSF دوربین مشخص و سطح خاکستری تمام پیکسل های مرزی صفر است، مقادیر پیکسل های تصویر وضوح بالا می توانند دقیقاً از تصاویر کم وضوح تخمین زده شوند[11]. 6
شکل 2-‌‌1 مدل مشاهده یک سیستم تصویربرداری واقعی متناسب با تصویر وضوح بالا به فریم های مشاهده کم وضوح با حرکت بین صحنه و دوربین [3]. 15
شکل 2-2 رویکرد درونیابی SR مبتنی بر همترازی تصاویر LR و حذف ماتی تصویر بعنوان فرآیند پس پردازش [3]. 20
شكل 3-1 تاثیر افزایش مقیاس ماتریس روی تصویر 3×3 و ماتریس کاهش مقیاس D روی تصویر متناظر افزایش مقیاس یافته 9×9 (ضریب افزایش وضوح 3 است)[11]. 36
شكل 3-2 (الف) معیار خطاهای Lorentzian، Huber، Leclerc و Tukey’s Biweight در حدآستانه T=50، (ب) توابع نفوذ متناظر 39
شكل3-3 (الف) معیار خطای L1 ،L2 و Half-quadratic، (ب) توابع نفوذ متناظر آن ها 41
شكل 3-4 (الف) معیار خطای Half-quadratic به ازای مقادیر مختلف a ، (ب) توابع نفوذ متناظر 42
شکل 3-5 تصاویر اصلی مربوط به (الف) دیسک، (ب) اعلامیه 56
شكل 3-6 (الف) تصویر اصلی، (ب) یکی از فریم های کم وضوح، (ج) درون یابی دوسویه، (د) بازسازی با روش جابجایی و اضافه کردن، (ه) تخمینگر Half-quadratic، (و) روش پیشنهادی 57
شكل 3-7 (الف) تصویر اصلی، (ب) یکی از فریم های کم وضوح، (ج) درون یابی دوسویه، (د) بازسازی با روش جابجایی و اضافه کردن، (ه) تخمینگر Half-quadratic، (و) روش پیشنهادی 58
شكل 3-8 نتایج بدست آمده با اعمال روش های مختلف بازسازی با در نظر گرفتن خطای ثبت در 8 فریم انتهایی. (الف) L2+تیخونوف، (ب) L1+BTV، (ج) Huber+BTV، (د) روش پیشنهادی 59
شكل 3-9 (الف) منحنی Ek برای فریم های کم وضوح که در 8 فریم انتهایی دارای خطای ثبت می باشند، (ب) منحنی ak با استفاده از روش پیشنهادی. 60
شكل 3-10 توابع نفوذ تخمینگر Half-quadratic با در نظر گرفتن مقادیر مختلف ak برای 5 فریم. منحنی های فیروزه ای و بنفش بترتیب متناظر با فریمLR#14 و فریمLR#16 هستندکه درگیر خطای ثبت می باشند. 60
شكل 3-11 منحنی مقادیر PSNR متناظر با روشهای مختلف و سطوح مختلف نویز. (الف) در صورتی که نیمی از فریم ها درگیر نویز باشند، (ب) در صورتی که تمامی فریم ها درگیر نویز باشند. 61
شكل 3-12 نتایج بازسازی تصویر با روشهای مختلف، در صورتی که تمامی فریم ها با نویز 20% آلوده شده باشند. (الف) یکی از فریم های کم وضوح با نویز 20%، (ب) L2+تیخونوف، (ج)L1+BTV، (د)Huber+BTV، (ه) روش مطرح شده در[80]، (و) روش پیشنهادی 62
شكل 3-13 (الف) یکی از فریم های کم وضوح، (ب) بازسازی تصویر با روش درونیابی دوسویه، (ج) L2+تیخونوف، (د) L1+BTV ، (ه) Huber+BTV، (و) روش پیشنهادی. 63
شكل 3-14 (الف) یکی از فریم های کم وضوح ، (ب) بازسازی تصویر با روش درونیابی دوسویه، (ج) L2+تیخونوف، (د) L1+BTV ، (ه) Huber+BTV، (و) روش پیشنهادی. 64
شكل 4-1 (الف) فیلتر رنگی با الگوی بایر در حالت 1-CCD، (ب) آرایه حسگر 3-CCD 68
شكل 4-2 اصول درونیابی خطی در الگوریتم موزائیک زدایی تک فریمی. (الف) قرمز، (ب) سبز، (ج) آبی 69
شكل 4-3 (الف) تصویر با وضوح بالا گرفته شده با دوربین 3-CCD. (ب) تصویر کاهش مقیاس یافته با ضریب 4 . (ج) تصویری که ابتدا توسط فیلتر گوسی مات می شود و سپس با ضریب 4 کاهش مقیاس داده می شود. تصاویر (الف)، (ب) و (ج) با روش [125] موزائیک زدایی شده اند و نتیجه ی آن ها به ترتیب در شکل های (د)، (ه) و(و) نشان داده شده است. 72
شكل 4-4 مثالی از فرآیند جابجایی و اضافه کردن. تصویر رنگی ورودی با ضریب r=2 افزایش مقیاس می یابد، و متناظر با معکوس ماتریس حرکت، جابجا می شود. تصویر جابجا شده با سایر فریم هایی که آپسمپل و جابجا شدهاند، جمع می شود[130]. 74
شكل 4-5 نمودار مستطیلی مدل ریاضی تصویر که در این فصل در نظر گرفته می شود. x تصویر اصلی ، v نویز افزوده و y تصویر کم وضوح فیلتر شده است. عملگرهای F، H، D و A به ترتیب فرآیندهای انحراف، ماتی، کاهش مقیاس و فیلتر رنگی هستند. 76
شكل 4-6 نمایش نمودار مستطیلی رویکرد کلاسیک در بازسازی چندفریمی تصاویر رنگی 78
شكل 4-7 نمایش نمودار مستطیلی رویکرد مستقیم در بازسازی چندفریمی تصاویر رنگی 79
شكل 4-8 (الف) تصویر اصلی، (ب) یکی از فریم های کم وضوح فیلتر شده با الگوی بایر 87
شكل 4-9 (الف) نتیجه ی موزائیک زدایی یکی از فریم های کم وضوح که با روش [123]، (ب) نتیجه ی موزائیک زدایی یکی از فریم های کم وضوح که با روش [125]، (ج) نتیجه ی اعمال روش فراتفکیک پذیری خاکستری (معادله-ی 3-30) روی فریم های کم وضوح موزائیک زدایی شده با روش [123]، (د) نتیجه ی اعمال روش فراتفکیک پذیری خاکستری (معادله ی 3-30) روی فریم های کم وضوح موزائیک زدایی شده با روش [125]. 88
شكل 4-10 (الف) تصویر بدست آمده با روش جابجایی و اضافه کردن، (ب) بازسازی تصویر با روش [115]، (ج) تصویر حاصل از پیاده سازی روش پیشنهادی روی داده های خام در صورتی که مقدار اولیه با درون یابی دو سویه از اولین فریم کم وضوح موزائیک زدایی شده با روش [125] باشد، (د) تصویر حاصل از پیاده سازی روش پیشنهادی روی داده های خام در صورتیکه تصویر حاصل از روش جابجایی و اضافه کردن به عنوان مقدار اولیه استفاده شود. 89
شكل 4-11 بزرگ نمایی بخشی از تصویر در لایه روشنایی، (الف) روش [115]، (ب) روش پیشنهادی 90
شكل 4-12 رسم مقادیر ak برای هر سه باند رنگی در صورتی که 5 فریم انتهایی دارای خطای ثبت باشد. 90
شكل 4-13 بازسازی تصویر در صورتی که در 5 فریم انتهایی خطای ثبت ایجاد شود، (الف) روش [115]، (ب) روش پیشنهای، (ج) بزرگنمایی بخش از تصویر (الف)، (د) بزرگنمایی بخش از تصویر (ب) 91
شكل 4-14 نتایج بازسازی تصویر در صورتی که نیمی از فریم های کم وضوح به نویز فلفل و نمک با سطوح متفاوت آلوده باشند، (الف) روش [115] در حضور سطح نویز 5%، (ب) روش پیشنهادی با در حضور سطح نویز 5%، (ج) روش [115] در حضور سطح نویز 10%، (د) روش پیشنهادی در حضور سطح نویز 10%، (ه) روش [115] در حضور سطح نویز 20%، (و) روش پیشنهادی در حضور سطح نویز 20% 93

فهرست جداول صفحه
جدول 3-1 بردارهای حرکت (درشبکه LR) استفاده شده برای ایجاد فریم های کم وضوح 53
جدول 3-2 بردارهای نادرست حرکت (درشبکه LR) که برای شبیه سازی اثر خطای ثبت استفاده می شود. 53

1 ‌
فصل اول
مقدمه
مقدمه
استفاده از فیلم ها و تصاویری با قدرت تفکیک پذیری بالا، در اکثر کاربردهای الکترونیکی مورد نیاز است. تمایل برای استفاده از تصاویری با وضوح بالا از دو زمینه اصلی نشات می گیرد: بهبود اطلاعات تصویری برای تفسیر انسان؛ و کمک به درک دستگاه های خودکار. وضوح تصویر، جزئیات موجود در تصویر را توصیف می کند. در وضوح بالاتر، جزئیات تصویر بیشتر است. وضوح یک تصویر دیجیتال را می‌توان در بسیاری از زمینه های مختلف طبقه بندی کرد: وضوح پیکسلی، وضوح فضایی، وضوح طیفی، وضوح زمانی و وضوح رادیومتری [1]. در این پایان نامه، مباحث در حوزه ی وضوح فضایی مطرح می شود.
وضوح فضایی: یک تصویر دیجیتال از عناصر تصویر کوچکی به نام پیکسل ساخته شده است. وضوح فضایی، به تراکم پیکسل ها در یک تصویر اشاره دارد و معیار سنجش آن پیکسل در واحد سطح است.
شکل 1-1 آزمون کلاسیک برای تعیین وضوح فضایی یک سیستم تصویربرداری را نشان می‌دهد. وضوح فضایی تصویر ابتدا توسط حسگرهای تصویربرداری و یا دستگاه اکتساب تصویر محدود می شود. در دوربین دیجیتال، تصویربرداری بر روی فیلم صورت نمی‌گیرد بلکه توسط یک حسگر حساس (دستگاه جفت‌کننده ی بار (CCD) یا نیم‌رسانای اکسید فلزی مکمل (CMOS) ) انجام می‌پذیرد. این حسگرها معمولاً در یک آرایه دو بعدی، برای گرفتن سیگنال تصویر دو بعدی مرتب شده اند. در وهله اول، اندازه حسگر و یا به طور معادل تعداد عناصر حسگر به ازای هر واحد سطح، وضوح فضایی تصویر را تعیین می کند. حسگرها با تراکم بالاتر، وضوح فضایی بیشتری را برای سیستم تصویربرداری ممکن می سازد. سیستم تصویربرداری با آشکارسازهای ناکافی، تصاویری کم وضوح با اثرات بلوکی ایجاد می کند که ناشی از فرکانس پایین نمونه برداری فضایی است. تلاش‌های بسیاری جهت افزایش وضوح تصاویر دیجیتالی صورت گرفته است، که به دو بخش کلی نرم‌افزاری و سخت‌افزاری قابل تقسیم بندی می‌باشند.

شكل 1-1 الگوی وضوح USAF 1951، آزمونی کلاسیک، که برای تعیین وضوح سیستم و حسگرهای تصویربرداری استفاده می شود [3].
در بخش سخت‌افزاری با هرچه غنی تر نمودن تعداد پیکسل‌های موجود بر روی حسگرهای دوربین‌های دیجیتالی در واحد سطح، می‌توان درجه تفکیک تصویر را افزایش داد. بعلاوه، با هرچه کوچکتر نمودن سلول‌های حسگرهای دوربین‌های دیجیتالی، مقدار نور مؤثر دریافت شده توسط هر سلول، کاهش می‌یابد؛ البته می‌توان با ایجاد شبکه‌ای از عدسی‌های محدب بر روی لایه فوقانی سلول‌های حسگر، مقدار نور مؤثر دریافتی توسط هر سلول حسگر را افرایش داد. لیکن به دلیل وجود تعداد بسیار زیاد سلول‌های حسگر، نویز ضربه ای ناشی از قطع و وصل جریان در درون این شبکه سلولی، همچنان وجود داشته و عامل مؤثری جهت کاهش کیفیت تصویر نهایی می‌گردد[2].
در حالی که وضوح فضایی تصویر توسط حسگرهای تصویر محدود می شود، جزئیات تصویر (باندهای فرکانس بالا) نیز به دلیل تاری لنز (مرتبط با تابع نقطه گستر حسگر)، اثرات انحراف لنز، انکسار روزنه و تاری نوری با توجه به حرکت، محدود می شوند. بنابراین روش سخت‌افزاری جهت رسیدن به تصاویری با کیفیت و وضوح بالاتر، بسیار پرهزینه و عملاً تا حدی غیر ممکن می‌باشد و معمولاً نمی‌توان از حد معینی، بدلیل محدودیت‌های تکنیکی موجود در تکنولوژی ساخت مدارات مجتمع، فراتر رفت. علاوه بر هزینه، وضوح یک دوربین نظارتی نیز به علت سرعت دوربین و سخت افزار ذخیره سازی محدود شده است. در بعضی موارد دیگر مانند تصاویر ماهواره ای، استفاده از حسگرهای وضوح بالا به دلیل محدودیت‌های فیزیکی آن دشوار است.
استفاده از روش نرم‌افزاری، جهت پذیرش خرابی های تصویر و استفاده از پردازش سیگنال در پس پردازش عکس های گرفته شده، به منظور تعامل بین هزینه های محاسباتی با هزینه های سخت افزاری، مطرح می‌گردد. روش های نرم افزاری از لحاظ اقتصادی مقرون به صرفه می‌باشد و امکان تولید تصویری با وضوح بالاتر توسط همان دوربین‌های تصویربرداری دیجیتالی کم وضوح را فراهم می آورد.
یکی از تکنیک‌های مطرح شده در بعد نرم‌افزاری، جهت افزایش کیفیت تصویر چه از لحاظ تعداد پیکسل‌ها و چه از لحاظ کاهش مقدار نویز، تکنیک فراتفکیک پذیری (SR) می‌باشد. این تکنیک از لحاظ نامگذاری بدلیل آنکه قادر خواهیم بود از محدوده توانایی سیستم تصویر برداری فراتر رویم، فرا تفکیک پذیری نامیده می‌شود، و عمدتا به دو گروه روش های مبتنی بر یادگیری و روش های مبتنی بر بازسازی چند فریمی تقسیم می شوند [4]. در روش های مبتنی بر یادگیری، تنها از یک تصویر کم وضوح (LR) برای ایجاد تصویری با وضوح بالا (HR) استفاده می شود. این رویکرد، زیر گروهی از روش های یادگیری ماشین است. برخی از روش های پیشنهادی در این حوزه در [10-4] آورده شده است. گروه بعدی، روش های مبتنی بر بازسازی چندفریمی است که تمرکز ما در این پایان نامه بر روی این دسته از تکنیک ها می باشد.
در تکنیک‌های فراتفکیک پذیری چند فریمی، تلفیق چندین تصویر با وضوح پائین تر باعث تولید تصویر نهایی با وضوح بالاتر می‌گردد. این فرآیند موجب بازسازی اجزای فرکانس بالا و حذف خرابی هایی که به علت تصویربرداری با دوربین کم وضوح ایجاد شده است، می شود. ایده اصلی در تکنیک های فراتفکیک پذیری چند فریمی، ترکیب اطلاعات غیر زائد موجود در فریم‌های کم وضوح برای تولید یک تصویر با وضوح بالا است [3]. روشی که به طور تنگاتنگ باSR مرتبط است رویکرد درون‌یابی تصویر می باشد، که می‌تواند برای افزایش اندازه تصویر مورد استفاده قرار گیرد. اما، از آنجا که هیچ اطلاعات اضافی ایجاد نمی شود، کیفیت درون‌یابی تک تصویر با توجه به ماهیت بدحالت مسئله، بسیار محدود است، و اجزای فرکانسی از دست رفته را نمی تواند بازیابی کند. اما در زمینه SR، مشاهدات متعدد کم وضوح برای بازسازی در دسترس هستند. اطلاعات غیر زائد موجود در این تصاویرکم وضوح، به طور معمول توسط جابجایی های در حد کسری از واحد پیکسل، که بین این تصاویر اتفاق می افتد، ایجاد می شود. این جابجایی-های در حد کسری از واحد پیکسل ممکن است به دلیل حرکات غیر کنترل شده بین سیستم تصویربرداری و صحنه رخ دهد، به عنوان مثال، حرکت شی؛ و یا بعلت حرکات کنترل شده، مانند سیستم تصویربرداری ماهواره ای در مدار زمین که با سرعت و مسیر از پیش تعریف شده در حال حرکت است.
هر فریم کم وضوح، مشاهده اعوجاجی از صحنه واقعی است. فراتفکیک پذیری تنها در صورتی که حرکت در حد کسری از واحد پیکسل بین این فریم وضوح پایین وجود داشته باشد، امکان پذیر است. شکل 1-2 نمودار ساده ای از توصیف ایده اولیه بازسازی SR را نشان می دهد. در فرآیند تصویربرداری، دوربین چندین فریم LR را از صحنهHR ضبط می کند. این تصاویر LR، نسبت به یکدیگر شیفت های حد کسری از واحد پیکسل دارند و همچنین با نرخ پایین نمونه برداری شده اند. ساخت و ساز تکنیک های SR چند فریمی، معکوس این فرآیند است؛ همترازی مشاهدات LR در دقت کسری از پیکسل، و ترکیب آن‌ها به یک شبکه تصویر HR (درون‌یابی) که حاصل آن غلبه بر محدودیت های تصویربرداری دوربین است.

شکل 1-2 ایده اصلی بازسازی فراتفکیک پذیری از فریم های کم وضوح. حرکت نسبی فریم های کم وضوح به اندازه کسری از پیکسل، در بازسازی تصویر سوپروضوح کمک می کند[3].
اصول اولیه الگوریتم فراتفکیک پذیری مبتنی بر حرکت را با آزمایش بسیار ساده ای که در شکل 1-3 نشان داده شده، توضیح می دهیم. مطابق شکل 1-3(الف)، صحنه متشکل از چهار پیکسل با وضوح بالا است. دوربین خیالی با حرکت کسری از پیکسل کنترل شده، متشکل از تنها یک پیکسل، قطاری از تصاویر را از این صحنه را ایجاد می کند. شکل های 1-3(ب)-(ه)، چگونگی ایجاد این تصاویر را نشان می دهد. البته هیچ کدام از این تصاویر با کیفیت پایین نمی‌تواند جزئیات تصویر زمینه ای را نشان دهد. با فرض این که تابع نقطه گستر (PSF) دوربین خیالی (که پدیده ی ماتی نوری در یک دوربین را مدل می کند) یک تابع خطی شناخته شده است، و سطح خاکستری تمام پیکسل های مرزی صفر است، معادلات زیر، تصاویر کم وضوح تار شده را با نوع وضوح بالا مربوط با می سازد [11]:
(1-1)

(ه) (د) (ج) (ب) (الف)
شکل 1-3 نمایش مثال ساده از مسئله فراتفکیک پذیری مبتنی بر حرکت. (الف)، تصویر وضوح بالا شامل چهار پیکسل. (ب) -(ه)، تصاویر کم وضوح یک پیکسلی که توسط یک دوربین خیالی گرفته شده است. فرض بر این است که، PSF دوربین مشخص و سطح خاکستری تمام پیکسل های مرزی صفر است، مقادیر پیکسل های تصویر وضوح بالا می توانند دقیقاً از تصاویر کم وضوح تخمین زده شوند[11].

که و ، تصاویر کم وضوح ، X مقادیر سطح خاکستری پیکسل در تصویر با وضوح بالا،H عناصرPSF مشخص و v نویز تصادفی اضافه شده ازCCD به فریم‌های کیفیت پایین است. در مواردی که نویز اضافه شده کوچک باشد ، با حل مجموعه معادلات خطی فوق، می توان مقادیر پیکسل وضوح بالا را بدست آورد. متأسفانه، همان‌طور که در بخش بعد خواهیم دید، فرض ساده مطرح شده در بالا به ندرت در شرایط واقعی معتبر خواهد بود.
فراتفکیک پذیری در بسیاری از زمینه‌ها مطرح می‌شود، مانند:
• ویدیو نظارتی [12،13] : بزرگ نمایی منطقه مورد نظر (ROI) در ویدئو برای درک انسان (به عنوان مثال دیدن پلاک خودرو در ویدئو)، افزایش وضوح تشخیص هدف اتوماتیک (به عنوان مثال سعی به تشخیص چهره جنایتکار) .
• سنجش از راه دور [14] : چند عکس از یک منطقه گرفته می‌شود، و یک تصویر با وضوح بهبود یافته را می‌توان یافت.
• تصویربرداری پزشکی (CT، MRI، اولتراسوند و غیره) [18-15] : چند تصویر با وضوح محدود را می‌توان به دست آورد، و روش SR می‌تواند به منظور افزایش وضوح استفاده شود.
• تبدیل استاندارد های ویدئویی، به عنوان مثال تبدیل سیگنال ویدیویی NTSC به سیگنال HDTV.
با این حال، خواهیم دید که فراتفکیک پذیری، مسئله ای با محاسبات پیچیده و بدحالت است. تمامی این موارد فراتفکیک پذیری را به یکی از جذاب‌ترین زمینه های تحقیقاتی در پردازش تصویر تبدیل کرده است.
1‌.1‌ فراتفکیک پذیری به عنوان یک مسئله معکوس
الگوریتم‌های فراتفکیک پذیری در تلاشند تا تصویری با وضوح بالا را که توسط محدودیت‌های یک سیستم تصویربرداری نوری خراب شده است، بازسازی کنند. این نوع مسئله یک مثال از مسئله معکوسی است، که در آن منبع اطلاعات (تصویر با وضوح بالا) از داده های مشاهده شده (وضوح تصویر کم و یا تصاویر) تخمین زده می شود. به طور کلی، در حل مسئله ی معکوس نیاز به ساخت یک مدل رو به جلو است. رایج‌ترین مدل رو به جلو برای حل مسئله فراتفکیک پذیری، خطی و به صورت زیر فرموله می شود:
(1-2)
که در آن تصویر و یا مجموعه ای از تصاویر کم وضوح، تصویر مجهول با وضوح بالا و نویز تصادفی ذاتی در سیستم تصویربرداری است. در این رابطه تصاویر ورودی و خروجی سیستم را بصورت برداری در نظر گرفته و از نماد و برای تاکید بر برداری بودن تصویر خروجی و ورودی استفاده می کنیم. در این فرمول، تصاویر به صورت بردار از جاروب تصاویر دو بعدی در امتداد سطرها بدست آمده اند. ماتریس M در مدل مستقیم فوق نشان دهنده سیستم تصویربرداری، متشکل از فرآیندهای متعددی است که بر کیفیت تصاویر تخمین زده شده اثر می گذارد. ساده‌ترین شکل ماتریس M همانی است، که ساده‌ترین نوع این مسئله و بعنوان یک مسئله حذف نویز ساده در نظر گرفته می شود. مسائل جالب توجه تر (و سخت‌تر برای حل) را می‌توان با توجه به مدل‌های پیچیده تر برای M تعریف کرد. به عنوان مثال، برای تعریف مسئله فراتفکیک پذیری در مقیاس خاکستری، یک سیستم تصویربرداری که شامل ماتی، تاری، و نمونه برداری با نرخ پایین از داده ها است را در نظر گرفتیم (در فصل 2 و 3 تعریف شده است). علاوه بر این، اضافه کردن فرآیند فیلتر کردن رنگ به مدل قبل، ما را قادر به حل مسئله موزائیک زدایی چند قابی که در فصل 4 تعریف شده، می سازد.
گذشته از برخی موارد خاص که در آن پارامتر های سیستم تصویربرداری می‌تواند به صورت فیزیکی در صحنه اندازه گیری شود، ما ملزم به برآورد ماتریس سیستم M، از داده ها هستیم. در این پایان نامه، فرض می‌کنیم کهM در یک فرایند جداگانه داده شده و یا تخمین زده شده باشد. با این حال، اذعان داریم که چنین برآوردی مستعد خطا است، و روش ما با توجه به این واقعیت طراحی شده است. در این خصوص به طور مفصل در فصل 3 صحبت می-کنیم. با یک مدل رو به جلو، با یک راه حل تحلیلی که ساده به نظر می رسد، معادله (1-2) را می‌توان از طریق روش ماتریس شبه معکوس بدست آورد:
(1-3)
متأسفانه، ابعاد ماتریس M (که صریحاً در فصل بعدی تعریف می‌شود) آنقدر بزرگ است که حتی ذخیره سازی (جدا از مسئله معکوس) ماتریس MTM ، محاسباتی غیر عملی است. تابع هزینه حداقل مربعات (LS)، با استفاده از نُرم L2 ، بردار باقی مانده را به حداقل می‌رساند.
(1-4)

منابع و مراجع
G. Hansda, “super-resolution with better edge enhancemen”, M.Sc thesis, The University of Texas, Texas, Nov. 2012. [1]

S. Park, M. Park, and M. G. Kang, “Super-resolution image reconstruction, a technical overview,” IEEE Signal Process. Mag, Vol. 20, No. 3, pp. 21–36, 2003. [2]

P. Milanfar, super-resolution imaging, 1rd Edition, CRC Press, New York, United States of America, 2011. [3]

X. Gao, K.Zhang, D.Tao, and X.Li, “Image Super-Resolution With Sparse Neighbor Embedding,” IEEE Transactions on Image processing, Vol. 21, No. 7, 2012. [4]

A. Maalouf, M. C. Larabi, “Colour image super-resolution using geometric grouplets”, IET Image Process, Vol. 6, Iss. 2, pp. 168 – 180, 2012. [5]

X. Gao, K. Zhang, D. Tao, and X. Li, “Joint Learning for Single-Image Super-Resolution via a Coupled Constraint,” IEEE transactions on image processing, Vol. 21, No. 2, 2012. [6]

W. T. Freeman, T. R. Jones, and E.C. Pasztor, “Example-based super-resolution,” IEEE Computer Graphics and Applications, 22(2):56-65, 2002. [7]

T.-M. Chan and J. Zhang, “An improved super-resolution with manifold learning and histogram matching,” in Proc. IAPR Int. Conf. Bio-metrics, pp. 756–762, 2006 [8]

K. Zhang, X. Gao, X. Li, and D. Tao, “Partially supervised neighbor embedding for example-based image super-resolution,” IEEE J. Sel. Topics. Signal Process, Vol. 5, No. 2, pp. 230–239, 2011. [9]

K. I. Kim and Y. Kwon, “Single-image super-resolution using sparse regression and natural image prior,” IEEE Trans. Pattern Anal. Mach. Intell, Vol. 32, No. 6, pp. 1127–1133, 2010. [10]

S. Farsiu, A fast and robust framework for image fusion and enhancement. PhD thesis, University of California, Santa Cruz, Dec. 2005. [11]

D. L. Donoho, “Compressed sensing,” IEEE Transactions on Information Theory, Vol. 52, No. 4, pp. 1289-1306, 2006. [12]

F. Lin, C.B. Fookes, V. Chandran, and S. Sridharan, “Investigation into optical flow super-resolution for surveillance applications,” In The Australian Pattern Recognition Society Workshop on Digital Image Computing, 2005. [13]

X. Jia, F. Li, and D. Fraser, “Universal HMT based super resolution for remote sensing images,” In IEEE International Conference on Image Processing, pp. 333-336, 2008. [14]

J. A. Kennedy, O. Israel, A. Frenkel, R. Bar-Shalom, and A. Haim, “Super-resolution in PET imaging,” IEEE Transactions on Medical Imaging, Vol. 25, No. 2, pp137-147, 2006. [15]

J. Maintz, and M. Viergever, “A survey of medical image registration, Medical Image Analysis,” Vol.2, No.1, pp.1-36, 1998 [16]

K. Malczewski, and R. Stasinski, “ Toeplitz-based iterative image fusion scheme for MRI,” In IEEE International Conference on Image Processing, pp. 341-344, 2008. [17]

S. Peleg, and Y. Yeshurun, “Super-resolution in MRI: application to human white matter fiber tract visualization by diffusion tensor imaging,” Magazine Resonance in Medicine, Vol.45, No.1, pp. 29-35, 2001. [18]

M. Elad and A. Feuer, “Restoration of single super-resolution image from several blurred, noisy and down-sampled measured images,” IEEE Trans. Image Processing, vol. 6, pp. 1646–1658, 1997. [19]

G. Golub, and C. V. Loan, Matrix computations, 3rd Edition, The Johns Hopkins University Press, London, England, 1996. [20]

M. A. Lukas, “Asymptotic optimality of generalized cross-validation for choosing the regularization parameter,” Numerical Mathematic, Vol. 66, No. 1, pp. 41–66, 1993. [21]

N. Nguyen, P. Milanfar, and G. Golub, “Efficient generalized cross-validation with applications to parametric image restoration and resolution enhancement,” IEEE Trans. Image Processing, Vol. 10, pp. 1299–1308, 2001. [22]

P. C. Hansen, and D. P. O’Leary, “The use of the L-curve in the regularization of ill-posed problems,” SIAM J. Sci. Computer., Vol. 14, pp. 1487–1503, Nov. 1993. [23]

R. Y. Tsai, and T. S. Huang, “Multiple frame image restoration and registration,” In Advances in Computer Vision and Image Processing, Vol. 1, pp. 317–339, 1984. [24]

S.C. Park, M. Park, and M. Kang, “Super-resolution image reconstruction: a technical overview,” IEEE Signal Processing Magazine, Vol. 20, No. 3, pp.21-36, 2003. [25]

M. Elad S. Farsiu, D. Robinson and P. Milanfar, “Advances and challenges in super-resolution,” International Journal of Imaging Systems and Technology, Vol.14, No.2, pp. 47-57, 2004. [26]

S. Borman, Topics in Multiframe Super-resolution Restoration. PhD thesis, University of Notre Dame, Notre Dame, IN, 2004. [27]

S. P. Kim, N. K. Bose, and H. M. Valenzuela, “Recursive reconstruction of high resolution image from noisy under sampled multiframes,” IEEE Transactions on Acoustics, Speech and Signal Processing, Vol. 38, No.6, pp. 1013- 1027, 1990. [28]

N. K. Bose, H. C. Kim, and H. M. Valenzuela. “Recursive implementation of total least squares algorithm for image reconstruction from noisy, undersampled multiframes,” In Proceedings of the IEEE Conference on Acoustics, Speech and Signal Processing, Vol. 5, pp. 269-272, 1993. [29]

A. N. Tikhonov and V. A. Arsenin, Solution of ill-posed problems, Winston & Sons, Washington, 1997. [30]

W. Su and S. P. Kim, “High-resolution restoration of dynamic image sequences,” International Journal of Imaging Systems and Technology, Vol. 5, No. 4, pp. 330-339, 1994. [31]

B. C. Tom, A. K. Katsaggelos, and N. P. Galatsanos, “Reconstruction of a high resolution image from registration and restoration of low resolution images,” In Proceedings of IEEE International Conference on Image Processing, pp. 553-557, 1994 [32]

S. Baker and T. Kanade, “Limits on super-resolution and how to break them,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 24, No.9, pp. 1167-1183, 2002. [33]

S. Borman and R. Stevenson, “Super-resolution from image sequences – A review,” In Proceedings of the 1998 Midwest Symposium on Circuits and Systems, pp. 374-378, 1998. [34]

R. R. Schultz and R. L. Stevenson, “A Bayesian approach to image expansion for improved definition,” IEEE Transactions on Image Processing, Vol. 3, No. 3, pp. 233-242, 1994. [35]

R. R. Schultz and R. L. Stevenson, “Extraction of high-resolution frames from video sequences,” IEEE Transactions on Image Processing, Vol. 5, No. 6, pp. 996-1011, 1996. [36]

R. C. Hardie, K. J. Barnard, and E. E. Armstrong, “Join MAP registration and high resolution image estimation using a sequence of undersampled images,” IEEE Transactions on Image Processing, Vol. 6, No. 12, pp. 1621-1633, 1997. [37]

H. Stark and P. Oskoui, “High-resolution image recovery from image-plane arrays, using convex projections,” Journal of Optical Society of America A, Vol. 6, No. 11, pp. 1715-1726, 1989. [38]

M. Elad and Y. Hel-Or, “A fast super-resolution reconstruction algorithm for pure translational motion and common space invariant blur,” IEEE Transactions on Image Processing, Vol. 10, No. 8, pp. 1187-1193, 2001. [39]

S. Farsiu, D. Robinson, M. Elad, and P. Milanfar, “Fast and robust multi-frame super-resolution,” IEEE Transaction on Image Processing, Vol. 13, No. 10, pp. 1327-1344, 2004. [40]

M. Protter and M. Elad, “Super resolution with probabilistic motion estimation,” IEEE Transactions on Image Processing, Vol. 18, No. 8, pp. 1899-1904, 2009. [41]

D. Keren, S. Peleg, and R. Brada, “Image sequence enhancement using subpixel displacements,” In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 742-746, 1988. [42]

H. Ur and D. Gross. Improved resolution from subpixel shifted pictures. CVGIP: Graphical Models and Image Processing, Vol. 54, No. 2, pp. 181-186, 1992. [43]

J. Chung, E. Haber, and J. Nagy, “Numerical methods for coupled super-resolution” Inverse Problems, Vol. 22, No. 4, pp. 1261-1272, 2006. [44]

A. Papulis, “Generalized sampling expansion,” IEEE Transactions on Circuits and Systems, Vol. 24, No. 11, pp. 652-654, 1977. [45]

N. Nguyen and P. Milanfar, “An efficient wavelet-based algorithm for image super-resolution,” In Proceedings of International Conference on Image Processing, Vol. 2, pp. 351-354, 2000 [46]

M. S. Alam, J. G. Bognar, R. C. Hardie, and B. J. Yasuda, “Infrared image registration and high-resolution reconstruction using multiple translationally shifted aliased video frames,” IEEE Transactions on Instrumentation and Measurement, Vol. 49, No. 5, pp. 915-923, 2000. [47]

B. Setiyono, M. Hariadi, and M. H. Purnomo, “Survey of super-resolution using phased based image matching,” Journal of Theoretical and Applied Information Technology, Vol. 43 No.2, pp. 245-253, 2012. [48]

S. Lerttrattanapanich and N. K. Bost, “High resolution image formation from low resolution frames using delaunay triangulation,” IEEE Trans-action on Image Processing, Vol. 11, No. 12, pp. 1427-1441, 2002. [49]

T. Q. Pham, L. J. Vliet, and K. Schutte, “Robust fusion of irregularly sampled data using adaptive normalized convolution,” EURASIP Journal on Applied Signal Processing, 2006. [50]

H. Knutsson, C.-F. Westin, “Normalized and differential convolution,” In Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 515-523, 1993. [51]

H. Takeda, S. Farsiu, and P. Milanfar, “Kernel regression for image processing and reconstruction,” IEEE Transactions on Image Processing, Vol. 16, No. 2, pp. 349-366, 2007. [52]

M. C. Chiang and T. E. Boulte, “Efficient super-resolution via image warping,” Image and Vision Computing, Vol. 18, No. 10, pp. 761-771, 2000. [53]

D. M. Young. Iterative solution of large linear systems. New York: Academic, 1971. [54]

M. Irani and S. Peleg, “Super resolution from image sequences” In Proceedings of 10th International Conference on Pattern Recognition, Vol. 2, pp. 115-120, 1990. [55]

M. Irani and S. Peleg, “Improving resolution by image registration,” CVGIP: Graphical Models and Imaging Processing, Vol. 53, No. 3, pp. 231-239, 1991. [56]

M. Irani and S. Peleg, “Motion analysis for image enhancement: resolution, occlusion and transparency,” Journal of Visual Communications and Image Representation, Vol. 4, No. 4, pp. 324-335, 1993. [57]

D. Capel. Image Mosaicing and Super-resolution. Springer, 2004. [58]

P. J. Huber, “Robust Statistics,” Wiley Series in Probability and Statistics, John Wiley & Sons, New York, NY, USA, 2003. [59]

F. R. Hampel, E. M. Ronchetti, P. J. Rousseeuw, and W. A. Stahel, “Robust Statistics: The Approach Based on Influence Functions,” Wiley Series in Probability and Statistics, John Wiley & Sons, New York, NY, USA, 2005. [60]

R. A. Maronna, D. R. Martin, and V. J. Yohai, “Robust Statistics: Theory and Methods,” Wiley Series in Probability and Statistics, John Wiley & Sons, New York, NY, USA, 2006. [61]

N. Sebe and M. S. Lew, “Robust Computer Vision: Theory and Applications,” Springer, Berlin, Germany, 2003 [62]

M. J. Black and P. Anandan, “The robust estimation of multiple motions: parametric and piecewise-smooth flow fields,” Computer Vision and Image Understanding, Vol. 63, No.1, pp. 75–104, 1996. [63]

T. Rabie, “Robust estimation approach for blind denoising,” IEEE Transactions on Image Processing, Vol. 14, No. 11, pp. 1755–1765, 2005. [64]

M. J. Black, G. Sapiro, D. H. Marimont, and D. Heeger, “Robust anisotropic diffusion,” IEEE Transactions on Image Processing, Vol. 7, No. 3, pp. 421–432, 1998. [65]

P. Meer, D. Mintz, A. Rosenfeld, and D. Y. Kim, “Robust regression methods for computer vision: a review,” International Journal of Computer Vision, Vol. 6, No. 1, pp. 59–70, 1991. [66]

T.Q. Pham, L.J. van Vliet, K. Schutte, “Robust super-resolution by minimizing a Gaussian-weighted l2 error norm,” J. Phys.: Conf. Ser. 124 (2008) 012037. [67]

N.A. EI-Yamany, P.E. Papamichalis, “An adaptive M-estimation framework for robust image superresolution without regularization,” SPIE Proc. SPIE-IS&T Electron. Image68221D, pp. 112, 2008. [68]

N.A. EI-Yamany, P.E. Papamichalis, “Robust color image superresolution: an adaptive M-estimation framework,” EURASIP J. Image Video Process. Article ID 763254, 2008. [69]

V. Patanavijit, S. Jitapunkul, “A robust iterative multiframe super-resolution reconstruction using a Huber Bayesian approach with Huber–Tikhonov regularization,” International Symposium on Intelligent Signal Processing and Communications, Yonago, Japan, 2006. [70]

N. A. El-Yamany, P. E. Papamichalis, and W. R. Schucany, “A robust image superresolution scheme based on redescending M-estimators and information-theoretic divergence,” in Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP ’07) , Vol. 1, pp. 741–744, Honolulu, Hawaii, USA, 2007 [71]

http://users.soe.ucsc.edu/~milanfar/software/sr-datasets.html [72]

V. Patanavijit and S. Jitapunkul, “A Lorentzian stochastic estimation for a robust iterative multiframe super-resolution reconstruction with Lorentzian-Tikhonov regularization,” EURASIP Journal on Advances in Signal Processing, vol. 2007, Article ID 34821, 21 pages, 2007. [73]

V. Patanavijit, S. Tae-O-Sot, and S. Jitapunkul, “A robust iterative super-resolution reconstruction of image sequences using a Lorentzian Bayesian approach with fast affine block-based registration,” in Proceedings of IEEE International Conference on Image Processing (ICIP ’07) , Vol. 5, pp. 393–396, San Antonio, Tex, USA, Sep-Oct 2007. [74]

V. Patanavijit, “A robust iterative multiframe SRR based on Hampel stochastic estimation with Hampel–Tikhonov regularization,” Proceedings of IEEE 19th International Conference on Pattern Recognition (ICPR 2008), Florida, USA. [75]

V. Patanavijit, “A Leclerc Bayesian approach for video reconstruction based on a robust iterative SRR and a general observation model”,” Proceedings of International Symposium on Communications and Information Technologies (ISCIT 2010), pp. 856–861, Tokyo, Japan [76]

V. Patanavijit, “A robust iterative multiframe SRR based on Andrew’s Sine stochastic estimation with Andrew’s Sine–Tikhonov regularization,” Proceedings of IEEE International Symposium on Intelligent Signal Processing and Communication Systems (ISPACS 2008), Bangkok, Thailand. [77]

V. Patanavijit, S. Jitapunkul, “A robust iterative multiframe super-resolution reconstruction using a Bayesian approach with Tukey’s biweight,” in: Proceedings of IEEE 8th International Conference on Signal Processing (ICSP 2006), Beijing, China. [78]

M. Vrigkas, C. Nikou, and L. P. Kondi, “A fully robust framework for MAP image super-resolution” Image Processing, (ICIP2012), 19th IEEE International Conference on , pp. 2225 – 2228, 2012 [79]

X. Zeng, and L. Yang, “A robust multiframe super resolution algorithm based on half-quadratic estimation with modified BTV regularization.” Digital Signal Processing 23, pp. 98-109, 2013. [80]

P.J. Huber, Robust Statistics, Wiley, 1981. [81]

E. Kaltenbacher, R. C. Hardie, “High-resolution infrared image reconstruction using multiple low resolution aliased frames,” In Proceedings of the IEEE National Aerospace Electronics Conference, vol. 2, pp. 702-709, 1996. [82]

D. Capel and A. Zisserman, “Computer vision applied to super-resolution,” IEEE Signal Processing Magazine, Vol. 20, No. 3, pp. 75-86, 2003. [83]

K. M. Hanson and G. W. Wecksung. Bayesian approach to limited-angle reconstruction in computed tomography. Journal of Optical Society of America, Vol. 73, No. 11, pp. 1501-1509, 1983. [84]

G. T. Herman, H. Hurwitz, “A. Lent, and H-P. Lung. On the Bayesian approach to image reconstruction,” Information and Control, Vol. 42, No. 1, pp. 60-71, 1979. [85]

N. Nguyen, P. Milanfar, and G. H. Golub, “A computationally efficient image super-resolution algorithm,” IEEE Transactions on Image Processing, Vol. 10, No. 5, pp. 573-583, 2001. [86]

E. Lee, M. Kang, “Regularized adaptive high-resolution image reconstruction considering inaccurate subpixel registration,” IEEE Trans. Image Process. 12, pp. 806–813, 2003. [87]

http://en.wikipedia.org/wiki/Color_filter_array
[88]

M. E. Tipping, C. M. Bishop, “Bayesian image super-resolution.” In Proceedings of Advances in Neural Information Proceeding Systems, pp. 1279-1286, 2003. [89]

D. Capel, A. Zisserman, “Automated mosaicing with super-resolution zoom,” In Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 885-891, 1998. [90]

D. Capel, A. Zisserman, “Super-resolution enhancement of text image sequences,” In Proceedings of the International Conference on Pattern Recognition, vol. 1, pp. 1600-1605, 2000. [91]

D. Capel , A. Zisserman, “Computer vision applied to super-resolution,” IEEE Signal Processing Magazine, Vol. 20, No. 3, pp. 75-86, 2003. [92]

L. C. Pickup, D. P. Capel, S. J. Roberts, and A. Zisserman, “Bayesian image super-resolution, continued,” In Proceedings of Advances in Neural Information and Proceedings Systems, pp. 1089-1096, 2006. [93]

L. C. Pickup, D. P. Capel, S. J. Roberts, and A. Zisserman, “Bayesian methods for image super-resolution,” The Computer Journal, Vol. 52, No. 1, pp. 101- 113, 2009. [94]

Y. Li, F. Santosa, “A computational algorithm for minimizing total variation in image restoration,” IEEE Transactions on Image Processing, Vol. 5, No. 6, pp. 987-995, 1996. [95]

T. F. Chan, S. Osher, and J. Shen, “The digital TV filter and nonlinear denosing,” IEEE Transaction on Image Processing, Vol. 10, No. 2, pp. 231-241, 2001. [96]

L. Rudin, S. Osher, and E. Fatemi, “Nonlinaer total variation based noise removal algorithms” Physica D: Nonlinear Phenomena, Vol. 60, No. 4, pp. 259-268, 1992. [97]

B. C. Tom, A. K. Katsaggelos, “Reconstruction of a high-resolution image by simultaneous registration, restoration and interpolation of low-resolution images,” In Proceedings of the IEEE International Conference on Image Processing, vol. 2, pp. 2539, 1995. [98]

C. A. Segall, A. K. Katsaggelos, R. Molina, and J. Mateos, “Bayesian resolution enhancement of compressed video,” IEEE Transactions on Image Processing, Vol. 13, No. 7, pp. 898-910, 2004. [99]

C. A. Segall, R. Molina, and A. K. Katsaggelos, “High resolution images from low-resolution compressed video,” IEEE Signal Processing Magazine, Vol. 20, No. 3, pp. 37-38, 2003. [100]

N. A. Woods, N. P. Galatsanos, and A. K. Katsaggelos, “Stochastic methods for joint registration, restoration and interpolation of multiple undersampled images,” IEEE Transactions on Image Processing, Vol. 15, No. 1, pp. 210-213, 2006. [101]

D. C. Youla, H. Webb, “Image registration by the method of convex projections: Part 1-thoery,” IEEE Transactions on Medical Imaging, Vol. 1, No. 2, pp. 81-94, 1982. [102]

A. J. Patti, M. Sezan, and A. M. Tekalp, “Robust methods for high quality stills from interlaced video in the presence of dominant motion,” IEEE Transactions on Circuits and Systems for Video Technology, vol. 7, No. 2, pp. 328- 342, 1997. [103]

A. J. Patti, M. I. Sezan, and A. M. Tekalp, “High-resolution image reconstruction from a low-resolution image sequence in the presence of time-varying motion blur,” In Proceedings of the IEEE International Conference on Image Processing, vol.1, pp. 343-347, 1994. [104]

A. J. Patti, M. I. Sezan, and A. M. Tekalp, “Super resolution video reconstruction with arbitrary sampling lattices and nonzero aperture time,” IEEE Transactions on Image Processing, Vol. 6, No. 8, pp. 1064-1076, 1997. [105]

D.-S. Huang, K. Li, and G.W, “POCS Super-Resolution Sequence Image Reconstruction Based on Image Registration Excluded Aliased Frequency Domain” ICIC 2006, pp. 1240–1245, Berlin. Heidelberg. [106]

S. M. Kay, “Fundamentals of statistical signal processing: estimation theory,” vol. I. Prentice-Hall, 1993. [107]

S. Najafi, Single and Multi-view Video Super-resolution. PhD thesis, Mcmaster University, Hamilton, Ontario, Canada, Oct. 2012. [108]

A. Panagiotopoulou, V. Anastassopoulos, “Regularized super-resolution image reconstruction employing robust error norms,” Optical Engineering 4811, 117004 November 2009 [109]

T. Rabie, “Robust estimation approach for blind denoising,” IEEE Trans. Image Process. Vol. 14, pp. 1755–1765, 2005. [110]

P. Charbonnier, L. Feraud, G. Aubert, and M. Borlaud, “Deterministic edge-preserving regularized in computed imaging,” IEEE Trans. Image Process. Vol. 6, pp. 298–311, 1997. [111]

X. Y. Zeng, L.Y. Yang, “Mixed impulse and Gaussian noise removal using detail-preserving regularization,” Opt. Eng. Vol. 49, 2010. [112]

D. P. Bertsekas, Nonlinear Programming, Athena Scientific, 1999. [113]

J. Nocedal, S.J. Wright, Numerical Optimization, Springer-Verlag, 2006 [114]

S. Farsiu, M. Elad, and P. Milanfar, “Multiframe Demosaicing and Super-Resolution of Color Images,” IEEE Transactions on Image Processing, VOL. 15, NO. 1, 2006. [115]

N. R. Shah, A. Zakhor, “Resolution enhancement of color video se-quences,”IEEE Trans. Image Process., vol. 8, no. 6, pp. 879–885, 1999. [116]

B. C. Tom and A. Katsaggelos, “Resolution enhancement of mono-chrome and color video using motion compensation,” IEEE Trans. Image Process., vol. 10, no. 2, pp. 278–287, 2001. [117]

M. Irani and S. Peleg, “Improving resolution by image registration,” CVGIP: Graph. Models Image Process., vol. 53, pp. 231–239, 1991 [118]

Ni, K.S., Nguyem, T.Q. “Color image super resolution based on a stochastic combinational classification-regression algorithm,” IEEE Int. Conf. on Image Processing, pp. 89–92, 2007. [119]

X. Li, B. Zhang, “Image Demosaicing: A Systematic Survey” In Proc. SPIE, vol. 6822, 68221J, 2008. [120]

K. Hirakawa, T. W. Parks, “Adaptive Homogeneity-Directed Demosaicing Algorithm,” IEEE Transactions on Image Processing, Vol. 14, No. 3, 2005 [121]

D. R. Cok, “Signal processing method and apparatus for sampled image signals.” United States Patent 4,630,307, 1987. [122]

C. Laroche, M. Prescott, “Apparatus and Method for Adaptive for Adaptively Interpolating a Full Color Image Utilizing Chrominance Gradients,” U.S. Patent 5 373 322, 1994. [123]

J. Hamilton and J. Adams, “Adaptive Color Plan Interpolation in Single Sensor Color Electronic Camera,” U.S. Patent 5 629 734, 1997. [124]

R. Kimmel, “Demosaicing: image reconstruction from color CCD samples,” IEEE Trans. Image Process., Vol. 8, No. 9, pp. 1221–1228, 1999. [125]

L. Chang and Y.-P. Tan, “Color filter array demosaicking: new method and performance measures,” IEEE Trans. Image Process., Vol. 12, No. 10, pp. 1194–1210, 2002. [126]

D. Keren, M. Osadchy,“Restoring subsampled color images,”Mach. Vis. Appl., Vol. 11, No. 4, pp. 197–202, 1999. [127]

S. C. Pei and I. K. Tam, “Effective color interpolation in CCD color filter arrays using signal correlation,” IEEE Trans. Image Process., Vol. 13, No. 6, pp. 503–513, 2003 [128]

T. Gotoh and M. Okutomi, “Direct super-resolution and registration using raw CFA images,” in Proc. of the Int. Conf. on Computer Vision and Pattern Recognition (CVPR), vol. 2, pp. 600–607, 2004. [129]

A L. Philip, Single-Sensor Imaging: Methods and Applications for Digital Cameras, 1rd Edition, Taylor & Francis Inc, Bosa Roca, United States, 2008. [130]

O. Bowen and C. S. Bouganis, “Real-time image super resolution using an FPGA,” In International Conference on Field Programmable Logic and Applications, pp. 89-94, 2008. [131]

J. Yang, J. Wright, T. Huang, and Y. Ma, “Image super-resolution as sparse representation of raw image patches,” In Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 1-8, 2008. [132]

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “ارتقاء وضوح تصویر رنگی از روی رشته¬ای از تصاویر وضوح پایین”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

3 + 5 =