افزایش کیفیت تک تصویر توسط تکنیک فرا تفکیک پذیری
چکیده
این پژوهش به موضوع فرا تفکیک پذیری که به فر آیند تولید تصویر رزولوشن بالا از یک یا چندین تصویر رزولوشن پایین گفته می شود، می پردازد. هدف اصلی این پژوهش علاوه بر بزرگ نمایی تصاویر دیجیتال، بازیابی جزئیات فرکانس بالای از دست رفته است. اغلب تحقیقات در زمینه فرا تفکیک پذیری به فرا تفکیک پذیری چند فریمی می پردازد که در آن اطلاعات غیر تکراری در بین مشاهدات رزولوشن پایین شیفت یافته بین پیکسلی چند گانه برای تولید تصویر رزولوشن بالا استفاده می شود. اخیراً برخی از تکنیک های فرا تفکیک پذیری تک تصویر ارائه شده است که در آن ها از یک تصویر مشاهده شده برای بازسازی استفاده می شود. روش های فرا تفکیک پذیری تک تصویری به طور کلی به سه دسته روش های مبتنی بر بازسازی، مبتنی بر مثال و مبتنی بر درون یابی تقسیم می شوند. اغلب این تکنیک ها براساس روش های ماشین بینایی و مبتنی بر یادگیری می باشند که در آن ها جزئیات فرکانس بالای از دست رفته در تصویر رزولوشن پایین، از داده های آموزشی آموخته می شوند. در این پژوهش، علاوه بر تعریف و آنالیز تکنیک های مشهور فرا تفکیک پذیری تک تصویر، سه روش جدید برای بازسازی تصویر رزولوشن بالا از یک مشاهده رزولوشن پایین را با به کاربردن یک مجموعه آموزشی پیشنهاد می دهیم. در روش اول، با الگوریتم های بهینه سازی تراکم ذرات و الگوریتم ژنتیک به مینیمم کردن تابع هزینه برای پیدا کردن پارامتر های یک روش مبتنی بر یادگیری می پردازیم؛ که تنظیم دقیق این پارامتر ها در کیفیت تصویر خروجی بسیار تأثیر دارد. این روش به طور میانگین معیار نسبت سیگنال به نویز را حدود 2/2 دسی بل افزایش می دهد. در روش دوم با استفاده از الگوریتم رقابت استعماری به جستجوی مقادیر مطلوب وزن های بازسازی برای همسایگی های هر تکه رزولوشن پایین با مینیمم کردن خطای بازسازی می پردازیم. تولید تکه رزولوشن بالا به طور همزمان به چندین همسایگی نزدیک خود در مجموعه آموزشی وابسته می باشد. ترکیب این همسایگی ها با یک ضریب وزنی، تکه رزولوشن بالا را می سازند. همچنین، به این دلیل که این روش بالا قادر به کنترل کردن اثر لرزشی در لبه ها نمی باشد، ما از روش انتشار به عقب خطا به عنوان گام پس پردازش برای حفظ صافی و لبه های افقی و عمودی استفاده می کنیم. الگوریتم پیشنهادی، معیار های اندازه گیری نسبت سیگنال به نویز و متوسط ریشه مربع خطا را به طور میانگین به ترتیب 8/2 دسی بل و 2/3 افزایش می دهد. کار دیگر ما در این پژوهش بررسی اثر داده های آموزشی بر روش مبتنی بر مثال می-باشد. یکی از محدودیت های این روش ذخیره سازی و جستجو در داده های آموزشی بزرگ است. ما روش های متفاوتی برای تولید مجموعه آموزشی و ساختار تکه های آموزشی پیشنهاد می دهیم و به بررسی اثر هرکدام می پردازیم. در مقایسه با دیگر تکنیک های بهبود تصویر، طرح پیشنهادی نسبت سیگنال به نویز و متوسط ریشه مربع خطا را به ترتیب 8/0 دسی بل و 65/0 بهبود می دهد