توضیحات
Image deblurring and super-resolution by adaptive sparse domain selection and adaptive regularization
شفاف سازی و وضوح فوق العاده تصویر با انتخاب دامنه پراکنده تطبیقی و منظم سازی تطبیقی
به عنوان یک روش مدل سازی تصویر آماری قوی، روش spare[1] represantion با موفقیت در برنامه های کاربردی برای تصویر های مختلف به کار گرفته شده است و دلیل این موفقیت نیز استفاده از نرمال l1 . می باشد.
کیفیت ترمیم تصویر تا حد زیادی در مورد اینکه آیا دامنه های spare به خوبی می تواند نشان دهنده تصاوی مورد استفاده باشند یا خیر.
وقتی یک تصویر (A) را با روشهای مختلف فشرده می کنیم (B) و بعد از حالت فشرده خارج می کنیم تصویر بدست آمده (C) با تصویر اصلی یکسان نیست.
A : تصویر اصلی
B : تصویر فشرده شده A
C : تصویر بدست آمده از غیر فشرده کردن B
یعنی A و C برابر نیستند. حالا اگر معیاری برای سنجش مقدار شباهت A و C داشته باشیم هم در بهبود روش فشرده سازی به ما کمک می کند و هم در تعیین نرخ فشرده سازی مورد نیاز برای کاربرد مورد نظر.
PSNR[2] یا SNR هم چیزی نیست جز محاسبه اختلاف بین تصویر A وC ک این اختلاف به عنوان نویز وارد شده بر تصویر در اثر فشرده سازی در نظر گرفته می شود.
هر چه این مقدار بزرگتر باشد (مخرج به صفر میل کند) یعنی تصویر نهایی به تصویر اصلی نزدیکتر بوده و فشرده سازی کیفیت بهتری ارائه می کند. و هر چه به صفر نزدیک باشد نشان دهنده این است که تصویر نهایی اطلاعات خیلی بیشتری را از دست داده است و خیلی کم شبیه تصویر اصلی است.
PSNR و SNR هم دو متد مختلف برای محاسبه این اختلاف هستند.
به طور خلاصه نسبت نویز به تصویر اصلی سنجیده می شود ، SNR یک فرمول کلی برای همه نوع سیگنال (تصویر ، صدا و …)و PSNR بیشتر مخصوص تصاویر GrayScale است.
نتایجی بهتر از روش های کالسیک فراتفکیک پذیری داشته باشیم، باید از روش های مات زدایی مقاوم برای آن ها استفاده کرد.
روش های مات زدایی پیاده سازی در این مقاله به ترتیب عبارت اند از:
Surrogate
FISTA
SWTV
L0Spar
BM3D
ASDS, ASDS-AR, ASDS-AR[3]-NL (non-local)
دو دیتابیس استفاده شده در این مجموعه عبارت اند از TD1 و TD2.
تست شماره 1:
مات زدایی نهایی با اندازه 9*9 و سطح نویز مشخص .
تست شماره 2:
مات زدایی نهایی با اندازه 9*9 و سطح نویز مشخص
تست شماره 3:
مات زدایی تصویر مات کرنل گاوسی با اندازه 9*9 و سطح نویز مشخص
تست شماره 4:
مات زدایی تصویر مات کرنل گاوسی با اندازه 9*9 و سطح نویز مشخص
تصاویر مورد تست:
هر کدام از دیتاست های TD1 و TD2 ب ترتیب:
و
در روش هاي كلاسيك فرا تفكيك پذيري، براي بازسازي تصوير با تفكيك بالا با استفاده از يك رشته تصاوير با تفكيك پايين ناگزير از تخمين حركت بين اين تصاوير هستيم.
با توجه به دشواري هاي تخمين حركت بين تصاوير و پيچيدگي آن در حالاتي كه اجزاي تصاوير داراي حركات محلي هستند، در اين مقاله روشي مبتني بر بازسازي تصاوير بدون تخمين مستقيم حركت بين تصاوير را بررسي مي كنيم.
نتايج به دست آمده نشان مي دهد كه روش پيشنهادي قابليت بازسازي تصاوير با تفكيك بالا را بهتر از درون يابي هاي معمول دارد ليكن براي آنكه نتايجي بهتر از روش هاي كلاسيك فراتفكيك پذيري داشته باشد، بايد از روش هاي مات زدايي مقاوم براي آن ها استفاده كرد.
مقادیر PSNR برا ی روش های مختلف و تصاویر تست مختلف در جدول زیر آمده است:
نتایج بدست آمده از شبیه سازی با متلب:
%—————————————————-
% Sparse modeling with adaptive sparse domain selection
% For Image Deblurring
%—————————————————-
Parrots.tif: PSNR = 31.20 SSIM = 0.898409
%—————————————————-
% Sparse modeling with adaptive sparse domain selection
% For Image Super-resolution
%—————————————————-
Parrots.tif: PSNR = 30.10 SSIM = 0.909942
- ماتریس خلوت (تنک یا کم پشت) (به انگلیسی Sparse Matrix)ماتریسی است که اکثر عناصر آن صفر باشد. هنگامی که ابعاد ماتریس به حدی بزرگ شود که در حافظه نگنجد و نیز تعداد زیادی از درایه هایموجود صفر باشد . این ماتریس در مسایل مربوط به پردازش تصویر و نمایش تصویر مورد استفاده قرار می‌گیرند . ↑
- Peak signal-to-noise ratio ↑
- autoregressive ↑
کلید واژه : پردازش تصویر
Image Interpolation, Restoration and Super-resolution
پردازش تصویر با Matlab
شبیه سازی
Image deblurring and super-resolution by adaptive sparse domain selection and adaptive regularization
به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،.
با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
