hrvatski

Vjerojatnosni model super-rezolucijske slike u boji

Disertacija je nastala kao rezultat istraživanja problema super-rezolucije, s posebnim naglaskom na super-rezolucijske algoritme koji se izvode u prostornoj domeni, korištenjem skupa sastavljenog od više nisko rezolucijskih (LR) slika. Također, predstavljena je i problematika demozaiciranja pri čemu je istaknuto da su problemi super-rezolucije i demozaiciranja dva lica istog problema jer se oba odnose na proračunavanje piksela koji nedostaju. Postojeći algoritmi za slike u boji, prvo bi demozaicirali RAW sliku (sirova slika dobivena direktno sa CCD senzora aparata), a zatim generirali super-rezolucijsku sliku i to uglavnom na svaki kanal boje zasebno, što bi u konačnici dovelo do zanemarivanja korelacije između kanala boja uzrokujući ozbiljne artefakte u estimiranim super rezolucijskim (SR) slikama. \\ Hipoteze i očekivani znanstveni doprinosi u ovom radu temelje se na super rezolucijskom algoritmu koji se temelji na vjerojatnosnom modelu koji definira način prostornog preslikavanja visoke rezolucije u nisku rezoluciju, poznat u literaturi kao generativni model. Visoko rezolucijska slika dobiva se inverznim putem, a višeznačnost inverznog modela reducira se upotrebom dodatnih ograničenja u funkciji cilja, u literaturi nazvanih priorima. Najčešće korišteni priori su Markov Random Field priori: Gaussian prior i Huberov prior. Razvijeni algoritam, zbog uvođenja novog dvobojnog priora, daje značajno bolje rezultate od dosadašnjih SR algoritama, a posebno u situacijama gdje dokazani sofisticirani priori (poput Huber Markov Random Field priora) ne mogu pomoći. Nadalje, disertacija dokazuje da se spajanjem do sada razdvojenih algoritama za SR i demozaiciranje u jedan jedinstven proces dobivaju mnogo bolji rezultati, odnosno, istovremeno i zajedničko proračunavanje piksela koji nedostaju, što zbog ograničenja u rezoluciji, što zbog Bayerovog filtera, dovodi do značajnog smanjivanja greške odnosno do unaprijeđene rekonstrukcije slike velike rezolucije. Također, inkorporiranje novog priora u postojeći vjerojatnosni model i upotrebom odgovarajuće optimizacijske procedure (scale conjugate gradient - scg) dolazi se do značajno boljih rezultata. \\ Opis i metodologija istraživanja obuhvaćaju generativni model (forward model), definiraju funkciju razmazivanja točke (Point Spread Function - PSF) te obrazlažu registracijske prametre. Matematički aparat podržava i objašnjava generativni model, razjašnjava na koji način se uvodi dostatna korelacija između kanala boja, uz korištenje parametra miješanja te zašto i kako se sami parametar miješanja može i mora koristiti kao novi hiperprior. Cijelo testiranje algoritma izvršeno je kvantitativno na sintetički generiranim primjerima nisko rezolucijskih slika (RAW i formatiranim u standardne formate - jpg, png...), te kvalitativno na stvarnim sekvencama RAW slika i već formatiranim slikama (jpeg, png i sl.).

super-rezolucija; demozaiciranje; Maximum A Posteriori; dvobojni prior

nije evidentirano