Дослідження та аналіз методів забезпечення надвисокої роздільної здатності зображень на основі машинного навчання

Прийнято: Березень 28, 2017
Автори:
1
Національний університет "Львівська політехніка", м. Львів, Україна

Досліджено методи забезпечення надвисокої роздільної здатності зображень на
основі машинного навчання. Проаналізовано роботу різних груп цих методів, подано
їхні переваги та недоліки. На основі проведених практичних експериментів здійснено
порівняльний аналіз (за критерієм PSNR) методів забезпечення надвисокої роздільної
здатності у випадку одного вхідного зображення з різних класів. Експериментально
встановлено, що найкращі результати отримано при використанні методу на основі
конволюційної нейронної мережі. Незважаючи на часо- та ресурсозатратну процедуру
навчання за цим методом, його навчальну модель можна використовувати для обробки
зображень різних класів.

1. Rasrollahi K. Super-resolution: a comprehensive survey / K. Nasrollahi, T. B. Moeslund //
Machine Vision and Applications. – 2014. – Vol. 25, № 6. – P. 1423–1468.

2. Xiong Z. Robust web imagevideo
super-resolution / Z. Xiong, X. Sun, and F. Wu // IEEE Transactions on Image Processing. – 2010. –
Vol. 19, № 9. – P. 2017–2028.

3. Sun J. Image hallucination with primal sketch priors / J. Sun,
N. N. Zheng, H. Tao, and H. Y. Shum // Computer Vision and Pattern Recognition: proc. of intern. conf.,
Madison, Wisconsin, 18–20 June 2003. – IEEE: Computer Society, 2003. – Vol. 2. – P. 729–736.

4. Srivastava A. On advances in statistical modeling of natural images / A. Srivastava, A. B. Lee,
E. P. Simoncelli, S.–C. Zhu // Journal of Mathematical Imaging and Vision. – 2003. – Vol. 18, № 1. –
P. 17–33.

5 Ting Li Image Super-Resolution using sharpened gradient profile prior: thesis…. master of
science: electrical engineering / Li, Ting. – Dallas, 2012. – 65 p.

6. Sun J. Gradient profile prior and its
applications in image super–resolution and enhancement / J. Sun, J. Sun, Z. Xu, H. Y. Shum // IEEE
Transactions on Circuits and Systems for Video Technology. – 2011. – Vol. 20, № 6. – P. 1529–1542.

7. Патент US 20100086227 (A1), США Image super–resolution using gradient profile prior / Jian Sun,
Heung–Yeung Shum; Microsoft Corporation. – US 12/245,712; 04.10.2008; 08.08.2010.

8. Казакова Н. Ф.
Синтез методу виділення контурів у системах ідентифікації на основі усереднення перепадів
76
яскравості / Н. Ф. Казакова, О. О. Фразе–Фразенко // Інформаційна безпека. – 2013. – № 2. – С. 48–57.

9. Yu L. Robust Single Image Super–resolution based on Gradient Enhancement / Licheng Yu, Hongteng
Xu, Yi Xu, Xiaokang Yang // Signal and Information Processing: annual summit and conf., Hollywood, CA,
3–6 Dec. 2012. – Asia–Pacific Signal and Information Processing Association, 2008. –
P. 1 – 6.

10. He He Single Image Super–Resolution using Gaussian Process Regression / He He, Wan–Chi
Siu // Computer Vision and Pattern Recognition: proc. of intern. conf., Colorado, USA, 20–24 June
2011. – IEEE: Computer Society, 2011. –P. 449–456.

11. E. Mjolsness Neural networks, pattern
recognition, and fingerprint hallucination: thesis … doctor of philosophy: 5198: TR:85 / Eric Mjolsness. –
California, 1985. – 79 p.

12. Datsenko D. Example–based single document image super–resolution:
A global map approach with outlier rejection / D. Datsenko, M. Elad // Journal of Multidimensional
Systems and Signal Processing. – 2007. – № 2. – P. 103 – 121.

13. Liu C. Face Hallucination: Theory and
Practice / Ce Liu, Heung–Yeung Shum, William T. Freeman // International Journal of Computer Vision. –
2007. – Vol. 75, № 1. – P. 115 – 134.

14. Sua C. Steerable pyramid–based face hallucination / Congyong
Sua, Yueting Zhuanga, Li Huanga, Fei Wua // Pattern Recognition. – 2005. – Vol. 38, № 6. – P. 813 – 824.

15. J. Yang, J. Wright, T. Huang, and Y. Ma, “Image super-resolution as sparse representation of raw
image patches,” in IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Jun. 2008,
pp. 1–8.

16. R. Zeyde, M. Elad, and M. Protter, “On single image scale-up using sparserepresentations,”
in Curves and Surfaces. Springer, 2010.

17. Freeman T. William Learning low–level vision / William
T. Freeman, Egon C. Pasztor, Owen T. Carmichael // International Journal of Computer Vision. – 2000. –
Vol. 40, № 1. – P. 25 – 47.

18. Gajjar Prakash Zoom Based Super–Resolution: A Fast Approach Using
Particle Swarm Optimization / Prakash Gajjar, Manjunath Joshi // Image and Signal Processing, Lecture
Notes in Computer Science. – 2010. – Vol. 6134. – P. 63 – 70.

19. E. Mjolsness Neural networks, pattern
recognition, and fingerprint hallucination: thesis … doctor of philosophy: 5198: TR:85 / Eric Mjolsness. –
California, 1985. – 79 p.

20. Nguyen Q. M. Superresolution mapping using a Hopfield neural network with
LIDAR data / Minh Quang Nguyen, Peter M. Atkinson, Hugh G. Lewis // Geoscience and Remote Sensing
Letters. – 2005. – Vol. 2, № 3. – P. 366–370.

21. Nguyen Q. M. Superresolution Mapping Using a Hopfield
Neural Network With Fused Images / Minh Quang Nguyen, Peter M. Atkinson, Hugh G. Lewis // IEEE
Transaction on geoscience and remote rensing. – 2002. – Vol. 40, № 3. – P. 736–749.

22. Thornton M. W.
A linearised pixel–swapping method for mapping rural linear land cover features from fine spatial
resolution remotely sensed imagery / M. W. Thornton, P. M. Atkinson, and D. A. Holland // Computers &
Geosciences. – 2007. – Vol. 33, № 10. – P. 1261–1272.

23. Pan F. New image super–resolution scheme
based on residual error restoration by neural networks. / F. Pan, L. Zhang // Optical Engineering. –
2003. – Vol. 42, № 10 – P. 3038–3046.

24. Dong C. Image Super–Resolution Using Deep Convolutional
Networks / Dong Chao, Loy Chen Change, He Kaiming, Tang Xiaoou // IEEE Transactions on Pattern
Analysis and Machine Intelligence, Preprint. – 2015. – P. 14.

25. Ізонін І.В. Нейромережевий метод
зміни роздільної здатності зображень / І. В. Ізонін, Р. О. Ткаченко, Д. Д. Пелешко, Д. А. Батюк //
Системи обробки інформації. – 2015. – Вип. 9(134). – C. 30–34.

26. Izonin I. Learning-based image
super-resolution using weight coefficients of synaptic connections / Ivan Izonin, Roman Tkachenko,
Dmytro Peleshko, Taras Rak, Danylo Batyuk // Computer science and information technologies: proc. of X
intern. scien. and techn. conf., 14–17 Sep. 2015 y., Lviv, Ukraine. – Lviv: Lviv Polytechnic Publishing
House, 2015. – P. 25–29.