В обработке изображений существует класс методов Super-resolution (SR), которые позволяют качественно увеличить разрешение исходного изображения, при этом происходит преодоление оптического предела объектива и/или физического разрешения цифрового сенсора, который записал изображение.
Алгоритмы SR используют два подхода для вычисления результирующего изображения: 1) на базе множества кадров одного объекта; 2) самообучающаяся система с базой образцов.
Учёные из лаборатории компьютерного зрения факультета математики и компьютерных наук института Вейцмана предложили новую технику, где используются статистические алгоритмы, а образцы берут из единственного изображения.
Научная работа Super-Resolution form a Single Image (PDF), авторы Daniel Glasner, Shai Bagon, Michal Irani.
Авторы сравнивают свой метод с двумя стандартными способами интерполяции — метод ближайшего соседа и бикубическая интерполяция, а также тестируют SR-техники на базе образцов (Freeaman et al.: Kim et al.), и ещё одну SR-технику (Fattal), использующую статистические алгоритмы на базе единственного образца, то есть примерно как в нашем случае с методом Гласнера-Бэгона-Ирани. Перечисленные методы описаны в следующих научных работах:
[Freeman et all.] W. T. Freeman, T. R. Jones, and E. C. Pasztor. Example-based super-resolution. IEEE Computer Graphics and Applications, 22(2):56-65, 2002.
[Kim et al.] K. I. Kim and Y. Kwon. Example-based learning for single-image super-resolution and JPEG artifact removal. Technical Report 173, 08 2008.
[Fattal] R. Fattal. Image upsampling via imposed edge statistics. ACM Trans. Graphics (Proc. SIGGRAPH 2007), 26(3):95-102, 2007.
Исходное изображение 128х128 пикселов.
Интерполяция методом ближайшего соседа
Бикубическая интерполяция
Метод Фримана
Метод Кима
Метод Фатталя
Метод Гласнера-Бэгона-Ирани
Вот ещё один пример восстановленого изображения — таблица символов.
Слева результат работы бикубической интерполяции, справа — SR-метод путём применения статистических алгоритмов.
Автор: alizar
