Görüntüleri Çözümleme – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Görüntüleri Çözümleme

Gösterilen yüksek çözünürlüklü bir görüntünün oluşturulması, eğitim aşamasında elde edilen parametrelerle düşük çözünürlüklü giriş görüntüsünün komşuluk yapısının dönüştürülmesinden kaynaklanır.

Komşuluğun ortalaması daha sonra dönüşüme geri eklenir. LAM’ler kullanıldığında, düşük çözünürlüklü bir komşu xr’nin süper çözünürlüğü, burada Wc ve bc’nin cth LAM ile ilişkili ağırlık matrisi ve sapma vektörü olduğu şekilde ifade edilebilir.

Daha önce tartışıldığı gibi, denklem (4.19) ile denklem (4.7) arasında doğrudan bir ilişki vardır. Denklem (4.19), yüksek çözünürlüklü komşulukların yapısını sˆr oluşturur. Alt simge r, inşa edilmekte olan mahalleyi ifade eder. Çakışan yapılandırılmış piksellerin ortalaması alınır ve yüksek çözünürlüklü görüntü bu şekilde oluşturulur. Birkaç yüksek çözünürlüklü örneğin ortalamasının alınması, nihai yüksek çözünürlüklü örneğin güvenilirliğini artırır.

Denklem (4.19), L = (2G1 – 1)(2G2 – 1); xe, genişletilmiş düşük çözünürlüklü görüntüdür. A düşük çözünürlüklü bir komşuluğun ortalamasını alan kc,l ile aynı ölçüde sabit bir çekirdektir (dürtü tepki örnekleri 1’e eşittir); ve b[n ,n ] = b [n ]b [n ], birden fazla H1H2 12 1122 xˆh[n1,n2]= süper çözümlenmiş numune tahmininin ortalamasının alınmasından sorumludur.

Bu bölümde gösterilen sonuçlar, eğitim için Peppers görüntüsünü ve test için Lena görüntüsünü kullanır. Lena görüntüsü zaten resmedildi; Peppers görüntüsü birkaç referansta bulunabilir.

LAM tabanlı sonuçlar, bir kenarın var olduğu kabul edilen ve aksi takdirde çift doğrusal bir enterpolasyon kullanan görüntü bölgeleri boyunca ideal bir adım kenarına uyan alt piksel kenar lokalizasyonu ve enterpolasyon (SEL) tekniği dahil olmak üzere çeşitli çekirdek tabanlı enterpolasyon sonuçlarıyla karşılaştırıldı. SEL tekniği için parametreler bildirilenlerle aynıydı.

Lena ve Peppers 128 × 128 görüntülerinin çekirdek tabanlı enterpolasyonundan kaynaklanan en yüksek sinyal-gürültü oranı (PSNR) hakkında raporlar, her boyutta 2 kat.

Çizim, Lena 128 × 128 görüntüsünü her boyutta 2 kat değişen LAM sayıları ile üst çözümleme yaparken PSNR’yi gösterir. Sistem parametreleri (özellik vektörleri, ağırlıklar ve önyargılar), Peppers 256 × 256 görüntüsü (yani, farklı bir görüntü) kullanılarak eğitildi.

Kesintisiz ve kesikli çizgiler, destek bölgeleri (ROS) 3 × 3 ve 5 × 5 kullanılarak sırasıyla eğitim ve test seti yeniden yapılandırma performansını gösterir. Genel olarak, eğitim setinin PSNR’si, LAM sayısı arttıkça arttı. Bu, sezgisel olarak beklenen bir durumdur çünkü LAM’lerin sayısındaki bir artış, belirli görüntü özelliklerinde daha fazla uzmanlaşma sağlar, dolayısıyla daha doğru bir görüntü rekonstrüksiyonu sağlar.

Güvenlik kamera görüntüsü NETLEŞTİRME
Kriminal Görüntü netleştirme
Video çözümleme tutanağı
Polislerin kullandığı görüntü netleştirme
Cd çözümleme bilirkişi
Güvenlik kamerası görüntü kalitesi arttırma
CD çözümleme tutanağı Örneği
Kamera görüntü NETLEŞTİRME programı

5 × 5 ROS kullanılarak çıkarılan özellik seti, 3 × 3 ROS’tan daha fazla makroskopik görüntü özelliği sağlar. Bu, ilgilenilen görüntüye özgü özelliklerin daha fazla uzmanlaşmasına ve genellikle eğitim setinde daha sadık bir görüntü yeniden yapılandırmasına neden olur.

Bununla birlikte, test setinde, daha büyük ROS, görüntü özelliklerinde uzmanlaşma derecesi arttıkça PSNR performansında bir düşüş gösterme eğilimindeydi. Yaptığımız tüm testlerde bu genel eğilimle karşılaşıldı. Sistem daha fazla uzmanlaştıkça (daha fazla LAM kullanır) özellikler arasındaki benzerliğin daha mikroskobik düzeyde ortaya çıkma eğiliminde olduğunu öne sürer. Çekirdek ailesi yaklaşımının, listelenen yöntemlerden daha yüksek PSNR verdiği de gözlemlenebilir.

Lena görüntüsü için ortak yaklaşımlar ve çekirdek aile yaklaşımı kullanılarak sonuçların görsel bir karşılaştırması Şekil 4.9’da görülebilir. Bu şekillerin her birinde gösterilen eğitim ve test görüntüleri, 30 LAM ve 3 × 3 ROS kullanılarak oluşturulmuştur.

Bir daire ile işaretlenmiş noktalara karşılık gelirler. Test görüntüsünün yeniden oluşturulmasında kullanılan Peppers 128 × 128 görüntüsünden çıkarılan 30 özelliği görüyoruz. Bu özelliklerin ne kadar “düzenli” ve sinirli olduğuna dikkat edin. Çıkarılan öznitelikler görüntüye bağlıdır ve örneğin, doku görüntülerinden farklı bir kümenin sonuçlanmasını bekleriz.

Her bir özelliğin altındaki sayı, her bir özellikte bulunan en büyük ve en küçük değer arasındaki maksimum gri düzey farkını gösterir. Bu nedenle, altında “1” bulunan özellik, sabit bir özellik olarak kabul edilebilir, yani pratikte hiçbir yapı içermeyen bir özelliktir.

Bu özellik, çok düzgün olan görüntü bölümlerine karşılık gelir. Özellikler burada ölçeklenmemiştir; bunun yerine, sabit özellik (sıfır vektörü olan) gri ile temsil edilir (8 bitlik ölçekte 128). Pozitif özellik değerleri daha açık hale gelir ve negatif özellik değerleri orantılı olarak daha koyu bir gri tonuyla temsil edilir.

Şekil 4.9’daki aşırı çözümlenmiş eğitim ve test görüntüleri benzer kalitedeydi. Çekirdek ailesi süper-çözünürlüklü görüntüler, burada sunulan diğer yaklaşımlarla elde edilenlerden daha net görünür.

Karşılık gelen yeniden oluşturulmuş görüntülerin büyüklük spektrumlarını gösterdik. Buradaki spektrumlar, yalnızca şekilde gösterilen kısım için değil, tamamen yeniden oluşturulmuş görüntü içindir. Bu spektrumların görüntülenmesinden, LAM tabanlı yaklaşımın örnekleme frekansının yarısının üzerindeki bilgileri kurtardığı ve orijinal görüntülerin yüksek frekanslı bilgi özelliğini daha iyi yeniden ürettiği açıktır.

SEL yaklaşımı ayrıca yüksek frekanslı bilgileri yeniden üretebilir. Bunun nedeni, daha önce belirtildiği gibi, SEL yaklaşımının kenar olarak kabul ettiği görüntü bölgeleri boyunca ideal bir adım kenarına uymasıdır. SEL yaklaşımının düşük PSNR’si, sorunsuz değişen görüntü bölgelerindeki performansına bağlanabilir.

Bunun nedeni, bu bölgelerde SEL yaklaşımının enterpolasyonu için çift doğrusal çekirdeği kullanmasıdır. Özetle, bu çalışmanın süper-çözülmüş görüntüleri genellikle burada sunulan diğer yaklaşımlarla elde edilenlerden daha net görünür. Yaklaşımımızla kenarlar iyi korunmuş gibi görünüyordu ve metodolojimizle elde edilen daha yüksek PSNR, burada bildirilen diğer yaklaşımlara göre sorunsuz değişen görüntü bölgelerinde yeniden yapılandırmanın doğruluğunun kanıtıdır.

Sistemin ölçekler arasında fazlalığı iyi bir şekilde yakaladığı hipotezimizi test etmek için, Lena128×128 görüntüsünün süper çözünürlüğünde, aynı kod çizelgesi ve LAM’ler ile iki ardışık G1 = G2 = 2 yeniden yapılandırma aşamasını kullanarak gösteriyoruz.

Başka bir deyişle, ortaya çıkan “test” görüntüsü, her boyutta toplam 4’lük bir süper çözünürlük faktörü için ilk süper çözünürlük aşamasında kullanılan aynı parametrelerle sistemden iki kez beslenir.

LAM yeniden yapılandırılmış görüntüsünün, diğer genişletilmiş görüntülerden daha net olduğuna dikkat edin. Bu aynı zamanda, süper çözünürlük için kullandığımız ölçeklerdeki görüntü komşuluklarının benzerliğine ilişkin iddiamızı da desteklemektedir. Görüntü yeniden yapılandırması için uygun olmayan baz setleri kullanıldığında neler olabileceğine dair bir durumu gösterir.

Bu şekilde, 128 × 128 görüntü 256 × 256 olarak yeniden oluşturuluyor. İstenilen görüntü veriliyor. Peppers 128×128 görüntüsünden Peppers 256×256 görüntüsünü yeniden oluşturmak için eğitimde elde edilen 30 özellik ve LAM’den yeniden oluşturulan görüntü ve Pentagon 256×256’yı yeniden yapılandırmak için eğitimde elde edilen 30 özellik ve LAM’den yeniden oluşturulan görüntü 128×128 görüntü veriliyor.

Makale Deniz

Biyografinin Tamamını Gör