دانلود متن کامل پایان نامه دانلود پایان نامه ارتقاء وضوح تصویر رنگی از روی رشته ای از تصاویر وضوح پایین

 

دانلود متن کامل در

full-thesis-download.ir

دانشکده : برق و رباتیک

گروه : الکترونیک و مخابرات

 

 

ارتقاء وضوح تصویر رنگی از روی رشته­ای از تصاویر وضوح پایین

 

 

 

استاد راهنما :

دکتر علیرضا احمدی فرد

 

 

پایان نامه ارشد جهت اخذ درجه کارشناسی ارشد

 

ماه و سال انتشار : بهمن 1392

 
 
image-processing-matlab-download-train
 

چكيده

در سال­های اخیر، پیشرفت­های گسترده­ای در زمینه­ی سنسورهای تصویر و سیستم­های تصویربرداری دیجیتال صورت گرفته­است، اما هنوز محدودیت­های تئوری و عملی بر روی وضوح تصاویر گرفته شده با این دوربین­ها اثر می­گذارد. تکنیک­های فراتفکیک­پذیری (سوپر رزولوشن) به منظور غلبه بر این محدودیت­ها در سال­های اخیر گسترش یافته­اند. این تکنیک­ها با استفاده از یک و یا چند تصویر کم وضوح، تصویری با وضوح بالاتر ایجاد می­کنند. کارهای اخیر در زمینه­ی فراتفکیک­پذیری (که اغلب بر روی تصاویر خاکستری متمرکز شده­است)، به منظور کاهش پیچیدگی محاسباتی و افزایش مقاومت در برابر خطاهای مدل­سازی و نویز انجام شده­است. از سویی دیگر، روش­های موزائیک­ زدایی متعددی به منظور کاهش مصنوعات رنگی، که در نتیجه­ی استفاده از دوربین­های تک CCD است، مطرح شده­است.

در این پایان­نامه، با استفاده از روش­های آماری در پردازش سیگنال، چارچوب مقاومی‌را برای ترکیب تصاویر کم وضوح به منظور ایجاد تصویری با وضوح بالا پیشنهاد می­دهیم. 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 مقاومی‌را ایجاد نموده­ایم. همچنین با تعمیم این روش در حوزه­ی رنگ، و ادغام فرآیند تفکیک­پذیری و دموزانیک تصویر، توانسته­ایم علاوه بر افزایش وضوح تصاویر رنگی، موزائیک زدایی تصویر را نیز به طور همزمان انجام دهیم. آزمایش­های انجام شده نیز عملکرد خوب الگوریتم پیشنهادی را در مقابل نویز و خطا تصدیق می­کند.

واژه‌های کلیدی:

فرا تفکیک ­پذیری، ثبت تصاویر، تخمین-M، تنظیم کننده، موزائیک زدایی تصویر، فیلتر رنگی.

لیست مقالات مستخرج از پایان­نامه

 

1- م. جمال آبادی، ع.احمدیفرد، افزایش وضوح تصاویر به کمک فریم­های ویدئویی کم وضوح مبتنی بر تخمین تطبیقی، دوازدهمین کنفرانس سیستم­های 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-

 

دانلود متن کامل در

full-thesis-download.ir

 

 

فهرست عناوین صفحه

1    ‌ فصل اول  مقدمه. 1

1‌.1‌   فراتفکیک­پذیری 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   روش‌های 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 طرح­ریزی بر روی مجموعه­های 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 کننده­ها 45

3‌.2‌   روش پیشنهادی جهت ارتقاء وضوح.. 49

3‌.3‌   آزمایش­ها 50

3‌.3‌.1‌   بررسی روش­های متفاوت بازسازی و تاثیر تنظیم کننده­ها 51

3‌.3‌.2‌   ارزیابی عملکرد الگوریتم پیشنهادی در مقابل خطای ثبت… 52

3‌.3‌.3‌   ارزیابی استحکام روش پیشنهادی در مقابل پرتی­ها 54

3‌.3‌.4‌   پیاده­سازی روش پیشنهادی روی تصاویر واقعی.. 55

4   فصل چهارم ارتقاء وضوح تصاویر رنگی.. 65

4‌.1‌   مروری بر مسائل فراتفکیک­پذیری 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 فراتفکیک­پذیری 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   جمله­ی وفاداری.. 80

4‌.3‌.2‌   جمله­ی جریمه­ی روشنایی.. 80

4‌.3‌.3‌   جمله­ی جریمه­ی رنگ… 81

4‌.3‌.4‌   جمله­ی جریمه­ی وابستگی­های رنگی.. 82

4‌.4‌   تابع هزینه کلی.. 83

4‌.5‌   آزمایش­ها 84

4‌.5‌.1‌   بررسی عملکرد الگوریتم پیشنهادی در برابر خطاهای ثبت… 86

4‌.5‌.2‌   بررسی عملکرد الگوریتم پیشنهادی در برابر پرتی­ها 87

5   فصل پنجم جمع­بندی و نتیجه­گیری.. 95

5‌.1‌   نتیجه­گیری.. 96

5‌.2‌   پیشنهادهایی برای کارهای آتی.. 97

منابع و مراجع.. 101

پیوست­ها 115

فهرست اشكال صفحه

شكل 1-1  الگوی وضوح USAF 1951، آزمونی کلاسیک، که برای تعیین وضوح سیستم و حسگرهای تصویربرداری استفاده می­شود [3]. 3

شکل 1-2  ایده اصلی بازسازی فراتفکیک­پذیری از فریم­های کم وضوح. حرکت نسبی فریم­های کم وضوح به اندازه کسری از پیکسل، در بازسازی تصویر وضوح بالا کمک می‌کند[3]. 5

شکل 1-3  نمایش مثال ساده از مسئله فراتفکیک­پذیری 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 پیکسل­های مرزی صفر است، مقادیر پیکسل­های تصویر وضوح بالا می­توانند 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 فریم­های 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 آن­ها 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 فریم­های کم وضوح، (ج) درون­یابی 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 فریم­های کم وضوح، (ج) درون­یابی 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 روش­های 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 فریم­های کم وضوح که در 8 فریم انتهایی دارای خطای ثبت می­باشند، (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. منحنی­های فیروزه­ای و بنفش بترتیب متناظر با فریمLR#14 و فریمLR#16 هستندکه درگیر خطای ثبت می­باشند. 60

شكل 3-11  منحنی مقادیر PSNR متناظر با روشهای مختلف و سطوح مختلف نویز. (الف) در صورتی­که نیمی‌از فریم­ها درگیر نویز باشند، (ب) در صورتی­که تمامی‌فریم­ها درگیر نویز باشند. 61

شكل 3-12  نتایج بازسازی تصویر با روشهای مختلف، در صورتی­که تمامی‌فریم­ها با نویز 20%  آلوده شده باشند. (الف) یکی از فریم­های 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 فریم­های 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 فریم­های 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 می­شود و سپس با ضریب 4 کاهش مقیاس داده می­شود. تصاویر (الف)، (ب) و (ج) با روش [125] موزائیک زدایی شده­اند و نتیجه­ی آن­ها به ترتیب در شکل­های (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 می­یابد، و متناظر با معکوس ماتریس حرکت، جابجا می­شود. تصویر جابجا شده با سایر فریم­هایی که آپسمپل و جابجا شدهاند، جمع می­شود[130]. 74

شكل 4-‌‌5  نمودار مستطیلی مدل ریاضی تصویر که در این فصل در نظر گرفته می­شود.  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 چندفریمی‌تصاویر رنگی.. 78

شكل 4‌-7  نمایش نمودار مستطیلی رویکرد مستقیم در بازسازی چندفریمی‌تصاویر رنگی.. 79

شكل 4‌-8  (الف) تصویر اصلی، (ب) یکی از فریم­های کم وضوح فیلتر شده با الگوی بایر. 87

شكل 4-9  (الف) نتیجه­ی موزائیک زدایی یکی از فریم­های کم وضوح که با روش [123]، (ب) نتیجه­ی موزائیک زدایی یکی از فریم­های کم وضوح که با روش [125]، (ج) نتیجه­ی اعمال روش فراتفکیک­پذیری خاکستری (معادله­ی 3-30) روی فریم­های کم وضوح موزائیک زدایی شده با روش [123]، (د) نتیجه­ی اعمال روش فراتفکیک­پذیری خاکستری (معادله­ی 3-30) روی فریم­های 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 پیاده­سازی روش پیشنهادی روی داده­های خام در صورتی­که مقدار اولیه با درون­یابی دو سویه از اولین فریم  کم وضوح موزائیک زدایی شده با روش [125] باشد، (د)  تصویر حاصل از پیاده­سازی روش پیشنهادی روی داده­های 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 صورتی­که 5 فریم انتهایی دارای خطای ثبت باشد. 90

شكل 4‌-13  بازسازی تصویر در صورتی­که 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 صورتی­که نیمی‌از فریم­های 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 فریم­های کم وضوح.. 53

جدول 3-2  بردارهای نادرست حرکت (درشبکه LR) که برای شبیه­سازی اثر خطای ثبت استفاده می­شود. 53

 

 مقدمه

استفاده از فیلم­ها 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 می­گیرد: بهبود اطلاعات تصویری برای تفسیر انسان؛ و کمک به درک دستگاه­های خودکار. وضوح تصویر، جزئیات موجود در تصویر را توصیف می­کند. در وضوح بالاتر، جزئیات تصویر بیشتر است. وضوح یک تصویر دیجیتال را می‌توان در بسیاری از زمینه‌های مختلف طبقه بندی کرد: وضوح پیکسلی، وضوح فضایی، وضوح طیفی، وضوح زمانی و وضوح رادیومتری [1]. در این پایان­ نامه، مباحث در حوزه­ی وضوح فضایی مطرح می­شود.

وضوح فضایی: یک تصویر دیجیتال از عناصر تصویر کوچکی به نام پیکسل ساخته شده است. وضوح فضایی، به تراکم پیکسل­ها 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 می­شود. در دوربین دیجیتال، تصویربرداری بر روی فیلم صورت نمی‌گیرد بلکه توسط یک حسگر حساس (دستگاه جفت‌کننده­ی بار (CCD) [1] یا نیم‌رسانای اکسید فلزی مکمل (CMOS) [2] ) انجام می‌پذیرد. این حسگرها معمولاً در یک آرایه دو بعدی، برای گرفتن سیگنال تصویر دو بعدی مرتب شده­اند. در وهله اول، اندازه حسگر و یا به طور معادل تعداد عناصر حسگر به ازای هر واحد سطح، وضوح فضایی تصویر را تعیین می­کند. حسگرها با تراکم بالاتر، وضوح فضایی بیشتری را برای سیستم تصویربرداری ممکن می­سازد. سیستم تصویربرداری با آشکارسازهای ناکافی، تصاویری کم وضوح با اثرات بلوکی ایجاد می­کند 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.

[1] Charge Coupled Device

[2] Complementary Metal-Oxide-Semiconductor

 

دانلود متن کامل در

full-thesis-download.ir

 

 

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]

 

دانلود متن کامل در

full-thesis-download.ir

 

 

الف. ماتریس­های فضایی

الف.1  ماتریس­های Toeplitz

ماتریس  را Toeplitz می­نامیم، هرگاه مطابق معادله­ی (الف-1) تمامی‌المان­های قطرهایش ثابت باشد:

(الف-1)

 الف.2  ماتریس­های دایره­ای

ماتریس Toeplitz یک ماتریس دایره­ای است، هرگاه هریک از ردیف­هایش، یک المان به سمت راست چرخیده شود:

 

(الف-2)

 

 

الف.3 ماتریس­های بلوکی متداول

مجموعه­ی ماتریس­های بلوکی  با بلوک­های  با BM(N) مشخص می­شود. به طور خاص،  به صورت ماتریس زیر تعریف می­شود:

(الف-3)

که  ماتریس­های  هستند. المان­های منحصر بفرد ماتریس  توسط  مشخص می­شوند.

الف.4 ماتریس­های BCCB

مجموعه­ی ماتریس­های دایره­ای بلوکی با بلوک­های دایره­ای  با BCCB(N) مشخص می­شود. به طور خاص،  بوسیله­ی ماتریس جزء بندی شده­ی زیر تعریف می­شود:

(الف-4)

که هر بلوک  یک ماتریس دایره­ای  با ساختار زیر است:

(الف-5)

      در نتیجه ماتریس C تماما با ضرایب تعریف می­شود، که می­بایست به صورت تعریف ضرایب C رجوع شود. برای سادگی نشانه گذاری، فرض می­شود شاخص گذاری پریودیک N زمانی­که اشاره به ضرایب Ci دارد، به طور نامی‌به صورت زیر تعریف می­شود:

(الف-6)

      نماد  مجموعه­ای از اندیس­های ماتریس نظیر  با مد N=p را نشان می­دهد. به طور خاص،  زیر نویس­ المان­های روی قطر اصلی هستند، در حقیقت اندیس المان­های روی قطر دایره­ای هستند که از مکان (2،1) شروع می­شود و نزدیکی (1,N) ختم می­شوند.

ب. ماتی

پدیده­ ماتی یکی از ویژگی­های تمام سیستم­های عکسبرداری است که ناشی از نقص سیستم نوری آن­ها می­باشد. همچنین ماتی می­تواند به علت سایر عوامل نظیر حرکت ( ماتی حرکت) یا حضور هوا ( ماتی محیطی) باشد که معمولا در فرآیند SR در نظر گرفته نمی­شود. ماتی لنز دوربین بوسیله­ی کانوال تصویر با یک ماسک (ماتریس) متناظر با PSF سیستم نوری مدل شود. اکثر نویسندگان مات شدگی تصویر را یک عملگر ساده­ی میانگین­گیری در نظر می­گیرند. مدل ماتی رایج دیگر گوسی می­باشد، که با کانوال تصویر با یک ماسک گوسی دو بعدی با اندازه­ی  و انحراف معیار  مدل­سازی می­شود. از آنجایی که عملگر ماتی روی بردار اعمال می­شود، کانولوشن باید با ضرب ماتریس جایگزین شود. به طور معمول، برای بیان کردن کانولوشن به صورت ضرب، ماتریس به فرم BCCB نوشته می­شود. در زیر هسته­ی ماتی و ماتریس متناظر با آن آورده شده­است:

(ب-1)

(ب-2

 

ج. ماتریس جابجایی

ماتریس F نشان دهنده­ی عملگر جابجایی پیوسته در هر دو بعد است. با استفاده از ضرب کرونوچر[1]، این ماتریس می­تواند به صورت زیر تجزیه شود:

(ج-1)

     که  و  به ترتیب ماتریس­های نشان دهنده­ی جابجایی در امتداد اولین و دومین بعد صفحه­ی تصویر است. ساختار این ماتریس­ها وابسته به شرایط مرزی به کار گرفته شده­است، بویژه زمانی­که شرایط مرزی، پریودیک فرض می­شود. ماتریس­های  و  ماتریس­های دوار هستند، و بنابراین  ماتریس BCCB است. در ادامه مثالی را برای کمک به تجسم کردن ساختار  و مطرح می­کنیم.

      فرض می­کنیم  دو تصویر هستند که با جابجایی در امتداد اولین بعد به یکدیگر مربوط می­شوند، همانگونه که در شکل­های 1(الف) و(ب) نشان داده شده­است.

 

(د) (ج) (ب) (الف)
شکل 1: ساختار ماتریس جابجایی F متناظر با دو تصویر X1 و X2 که با جابجایی در اولین بعد با یکدیگر مرتبط می­شوند. (الف) X1، (ب) X2، (ج) ، (د) .

      با استفاده از شکل برداری تصاویر به صورت  و  تبدیل می­شوند. رابطه­ی آن­ها می­تواند به صورت  بیان شود.  و  به ترتیب در شکل­های 1(ج) و (د)  نشان داده شده است.

     جابجایی غیر صحیح نیز می­تواند اعمال شود. برای مثال، ماتریس دایره­ای نشان داده شده در معادله­ی (ب-1)، جابجایی 3.0 واحد بین دو تصویر را در امتداد بعد اول آن­ها نشان می­دهد.

(ج-1)

د. ماتریس کاهش مقیاس

ماتریس  اثر تخریب سنسور تصویر و کاهش مقیاس تصویر  توسط ضریب Q در امتداد هر دو بعد است که تصویر کم وضوح را با ابعاد  ایجاد می­کند. این ماتریس می­تواند به صورت زیر نوشته شود:

(د-1)

      که یک عملگر ماتریسی است که کاهش مقیاس یک سیگنال یک بعدی را با طول N و با ضریب Q انجام می­دهد، و حاصل آن سیگنالی با طول M است. بر خلاف سایر ماتریس­های مطرح شده در حوزه­ی SR، ماتریس D ساختار BCCB ندارد. به طور خاص ( نه همیشه) زمانی­ که ضریب کاهش مقیاس، عددی صحیح باشد، تنها یک المان غیر صفر در هر ردیف D وجود دارد که مقدار هریک از این المان­ها یک می­باشد. برای مثال، برای کاهش مقیاس تصاویر X1 و X2 (شکل 1) با ضریب 2 در امتداد هر دو جهت، از ماتریس  مطابق شکل 2(الف) استفاده می­کنیم.  نتایج تصاویر کاهش مقیاس یافته در شکل­های 2(الف) و (ب) نشان داده شده است.

 

         (ج) (ب)       (الف)
شکل 2: نتیجه کاهش مقیاس تصاویر X1 و X2 در شکل 1-1 با ضریب 2 در امتداد هر دو بعد بااستفاده از ماتریس D. (الف) ساختار ، (ب) تصویر کاهش مقیاس یافته­ی X1، (ج) تصویر کاهش مقیاس یافته­ی X2.

 

 

 

 

Abstract   

 

             Theoretical and practical limitations usually constrain the achievable resolution of any imaging device. Image super-resolution (SR) reconstruction is the process of generating an image at a higher spatial resolution by using one or more low-resolution (LR) inputs from a scene. The early works on super-resolution (often designed for grayscale images), although occasionally mathematically optimal for particular models of data and noise, produced poor results when applied to real images. On another front, single frame demosaicing methods developed to reduce color artifacts, often fail to completely remove such errors.

             In this thesis, we use the statistical signal processing approach to propose an effective framework for fusing low-quality images and producing higher quality ones. In our proposed method, the objective functional is formed by an adaptive strategy depending on the accuracies of the estimated low resolution image observation models. This strategy serves to adaptively weight low-resolution images according to their reliability and can add robustness in practical implementation of super-resolution. Also, extending this method to RGB field, we proposed an adaptive robust hybrid method of super-resolution and demosaicing, which increases the spatial resolution and reduces the color artifacts of a set of low-quality color images. Experimental results on synthetic and real data sets confirm the effectiveness of our methods.

 

 

 Key Words: Super-resolution, Registration, M-estimation, Regularization, Demosaicing, Color filter array.

[1] Kronecker product

پیام بگذارید

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

thirty − = twenty nine