Görüntü Edinme Modeli – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Metodolojinin Tanımı

Daha önce ima edildiği gibi, süper çözünürlük sorunu, “daha iyi” yeniden yapılandırılmış bir görüntü elde etmek için toplanan bir dizi örneğe uygulanan uygun bir eşlemenin belirlenmesi sorunudur. Bu eşlemenin belirlenme biçimi, ortaya çıkan süper çözünürlük sürecini açıklar.

Burada sunulan metodoloji, hatalı süperçözünürlük sorununa bir çözüm elde etmek için gerekli ek bilgileri (yani toplanan numunelerin ötesinde) çıkarmak için yukarıda belirtilen görüntü özelliklerinden yararlanarak süperçözünürlük gerçekleştirir.

Pürüzsüzlük varsaymak veya diğer tipik kısıtlamalara güvenmek yerine, belirli bir görüntü sınıfının yerel olarak benzer bilgiler içerdiği ve bu benzerliğin ölçekler arasında geçerli olduğu gerçeğini kullanırız. Dolayısıyla temel sorun, yerel bilgilerin benzerliğini belirleyebilecek ve ölçekler arasındaki benzerlikleri otomatik bir şekilde yakalayabilecek bir süper-çözünürlük şeması tasarlamaktır.

Böyle bir süper-çözünürlük yaklaşımı şu şekildedir:

• yerel yapıda bir görüntünün hangi komşulukları benzerdir?
• bu mahallelerin ölçekte nasıl bir ilişki içinde olduğu.

Hangi mahalleler sorusuna cevap verebilmek için, yerel mahallelerin görüntü uzayı bölünecektir. Daha önce ima edildiği gibi, bu, birçoğunun mevcut olduğu bir VQ algoritması aracılığıyla gerçekleştirilir.

Nasıl ilişkili olduklarını belirlemek için, VQ’dan kaynaklanan her bir Voronoi hücresi, o kümedeki düşük çözünürlüklü mahalleler ile onların homolog yüksek çözünürlüklü mahalleleri arasındaki en iyi eşlemeyi bulmak için eğitilmiş bir doğrusal çağrışımsal belleğe (LAM) bağlanacak ve böylece ölçekler arası bilgidir.

Başka bir deyişle, yaptığımız varsayım, kod çizelgesi vektörlerinde ve LAM’lerde yer alan bilgilerin, düşük çözünürlüklü bir komşuluk ile yüksek çözünürlüklü muadili arasındaki ilişkiyi (eşleme) tanımladığıdır. Bu nedenle, yaklaşımımız, kötü konumlanmış süperçözünürlük sorununa makul bir çözüm elde etmek için tipik olarak gereken varsayımları gerektirmez.

LAM’ler, görüntü bilgilerini ölçekler arasında ilişkilendiren yeniden yapılandırma çekirdekleri olarak görülebilir. Çekirdekleri tasarlamak için uyarlanabilir bir şema seçiyoruz çünkü temsili bir eğitim görüntüleri seti verildiğinde en uygun eşleyicileri nasıl tasarlayacağımızı biliyoruz.

Ayrıca, eğer yerel bölgeler yeterince küçükse, bilgilerin görüntüler arasında genelleştirilmesini bekliyoruz. Yeni bir görüntü sunulduğunda, her bir yerel bölgeyi en iyi yeniden yapılandıran çekirdek otomatik olarak seçilir ve yeniden yapılanma çıktıda görünür.

Bu metodolojinin, örnekleme teorisine dayanan metotlardan daha iyi yeniden yapılandırma sağlaması beklenebilir. Bununla birlikte, örnekleme teorisinin evrensel karakterinden farklı olarak, bu süper çözünürlük yöntemi, görüntülerin karakterine özgüdür.

Yani, bir görüntü sınıfı için elde edilen bazlar, başka bir sınıf yeniden oluşturulurken düşük performans gösterebilir. Bu nedenle, verilerimizin karşılaştırılacağı uygun modellerin oluşturulması, bir görüntünün başarılı süper çözünürlüğü için önemlidir.

Dijital görüntü işleme Ders Notları
Analog görüntü işleme
Dijital görüntü işleme PDF
Görüntü işleme yöntemleri
sayısal görüntü işleme rafael c. gonzalez pdf
Görüntü İŞLEMENİN TEMELLERİ Ders Notları
Görüntü işleme maskeleme
Dijital görüntü nedir

Görüntü Edinme Modeli

Görüntü elde etme süreci bu bölümde modellenmiştir. Orijinal görüntünün düşük çözünürlüklü bir karşılığını sentezlemek için bu modeli kullanıyoruz. Bu modelle, düşük ve yüksek çözünürlüklü mahallelerimizin destek bölgeleri homologtur (yani, görüntülenen sahnenin aynı fiziksel bölgesini kapsarlar).

Buradaki model, bu şekilde enterpolasyonlu sin c olan 128 × 128 görüntüsünü elde etmek için kullanıldı. Süper çözünürlüklü mimaride, düşük çözünürlüklü sentez, ölçekler arası bilgilerin modellenebileceği bir girdi oluşturur (görüntü çiftlerinden).

xa(t,t1,t2) fonksiyonunun bir sensör düzlemine çarpan sürekli, zamanla değişen bir görüntüyü temsil etmesine izin verin. Uzamsal düzlem, t1, t2 koordinat eksenleri tarafından referans alınır ve zaman, t değişkeni tarafından referans alınır. Görüntüleme sensörü düzleminin, N1 × N2 dikdörtgen sensör elemanlarından oluşan bir ızgara olduğu varsayılır.

Bu öğeler, kameranın görüş alanı içindeki uzamsal düzlemi örneklemeye yarar. Bu elemanların her birinin fiziksel boyutlarının p1 × p2 olduğu söylenir. Her elemanın çıktısı, belirli bir zaman aralığında her sensöre çarpan ışık miktarıyla orantılıdır. xl[n1,n2]burada n1 =0,1,…,N1−1 ve n2 = 0,1,…,N2 − 1 tarafından verilen her sensörün çıktısı şu şekilde ifade edilebilir.

Daha yüksek çözünürlüklü bir görüntü elde etmek için, xl[n1,n2] elde etmede kullanılan aynı görüş alanını kapsayan daha ince bir sensör ızgarası kullanılmalıdır. Her bir uzamsal boyuttaki çözünürlüğün ilgili uzamsal boyutlarda G1 ve G2 faktörü kadar artmasına izin verin. 

Sensör elemanlarının fiziksel boyutu artık p1 × p2 alan birimi olur. Yüksek çözünürlüklü G1 G2 imageisthengivenbyxh[m1,m2],buradam1 =0,1,…,M1−1vem2 =0,1,…,M2−1 ve Mi = GiNi(i = 1,2) . Yüksek çözünürlüklü görüntü için M1 × M2 sensör öğelerinin her birinin çıktısı açıklanabilir.

Görüntüdeki her piksel için ortalama yoğunluk değerini korumak amacıyla zaman içindeki entegrasyon sınırlarının bir zaman biriminden G1G2 zaman birimlerine uzatıldığına dikkat edin.

Süper çözünürlük işlemi, düşük çözünürlüklü görüntü xl[n1,n2]’den yüksek çözünürlüklü xh[m1,m2] görüntüsünü tahmin etmektir. xh[m1,m2]’den xl[n1,n2] elde etme işleminin verildiğine dikkat çekilebilir.

Yukarıdaki denklemdeki desimasyon modeli, yüksek çözünürlüklü görüntüdeki G1 × G2 örtüşmeyen piksel komşuluklarının piksellerinin ortalamasını alarak düşük çözünürlüklü bir görüntü üretir.

Çekirdek Tabanlı Yaklaşımları İlişkilendirme

Bu bölüm, görüntülerin büyütülmesi için çekirdek tabanlı biçimcilikleri tanıtmaktadır. Geleneksel büyütme yaklaşımları, bir görüntünün örnek yoğunluğunu artırmak için tek bir çekirdek kullanır ve örnekler arasında enterpolasyon yapar. Burada sunulan süper çözünürlük metodolojisi, bir çekirdek ailesinin kullanımıyla ilgilidir. Her çekirdek, ölçekler arasında bir görüntünün belirli bilgilerine göre uyarlanmıştır.

Tek Çekirdek

Büyütülmüş bir görüntü, düşük çözünürlüklü bir görüntünün xl[n1,n2] örneklerini genişleterek ve örneklenmiş bir enterpolasyonla evrişim yaparak elde edilebilir. G1 × G2’lik bir genişletme oranı için, burada G1 , G2 1’den büyük tam sayılardır, genişletilmiş görüntü de verilir.

Bu enterpolasyon biçimi, görüntüyü baştan sona benzer şekilde işleyen doğrusal bir filtrelemedir (yani, Shannon örnekleme teorisinde olduğu gibi, enterpolasyonlu noktaların belirlenmesinde görüntü örneklerinin aynı doğrusal kombinasyonunu da kullanır).

Makale Deniz

Biyografinin Tamamını Gör