Μέθοδοι βελτίωσης της χωρικής ανάλυσης ψηφιακής εικόνας

Abstract

Coping with the limited spatial resolution of images is the objective of this thesis. Initially, an effort to model the scanner function by means of simple models is made. Afterwards, a nonuniform interpolation method for Super-Resolution (SR) image by means of Kriging interpolation is proposed. Experimentation proves that the proposed method predominates over method which employs the weighted nearest neighbor interpolation. Also, three new methods for stochastic regularized SR image reconstruction are presented. The Tukey, Lorentzian and Huber estimators in combination with the bilateral total variation regularization are employed. Experimental results verify the robust statistics theory. Moreover, a novel study the conclusions of which help to select and effective SR image reconstruction method for a given low-resolution sequence of frames is carried out. Finally, an image interpolation method employing a neural network is proposed.

Η αντιμετώπιση της περιορισμένης χωρικής ανάλυσης των εικόνων που εμφανίζουν οι αισθητήρες σύλληψης εικόνας, αποτελεί το αντικείμενο μελέτης της διδακτορικής διατριβής. Αρχικά γίνεται προσπάθεια μοντελοποίησης της λειτουργίας του ψηφιοποιητή εικόνας μέσω απλών μοντέλων. Έπειτα προτείνεται μέθοδος μη ομοιόμορφης παρεμβολής για ανακατασκευή εικόνας Super-Resolution (SR) μέσω της παρεμβολής Kriging. Αποδεικνύεται πειραματικά πως η προτεινόμενη μέθοδος υπερτερεί μεθόδου που χρησιμοποιεί τη σταθμισμένη παρεμβολή κοντινότερου γείτονα. Επίσης, παρουσιάζονται τρεις νέες μέθοδοι για στοχαστική ανακατασκευή εικόνας SR regularized. Χρησιμοποιούνται οι εκτιμητές Tukey, Lorentzian και Huber σε συνδυασμό με bilateral total variation regularization. Τα πειραματικά αποτελέσματα επαληθεύουν τη θεωρία εύρωστης στατιστικής. Επίσης εκπονείται μια πρωτότυπη μελέτη τα συμπεράσματα της οποίας βοηθούν στην επιλογή μιας αποτελεσματικής μεθόδου για ανακατασκευή εικόνας SR.