افزايش تفكيك‌پذيري تك‌تصويري با در نظر گرفتن سازگاري در همسايگي پيكسل‌ها و استفاده از روش خوديادگيرنده

A Self-Learning Single Image Super-Resolution by Considering Consistency in Adjacent Pixels

در اين مقاله، يك روش افزايش تفكيك پذيري خوديادگيرنده پيشنهاد گرديده كه از اطلاعات پيكسل هاي مجاور هر پيكسل براي تخمين ارزش آن پيكسل استفاده شده است. براي اين منظور، دو هرم با تفكيك پذيري بالا و تفكيك پذيري پايين با اعمال متناوب الگوريتم هاي افزايش و كاهش نرخ نمونه برداري بر تصوير ورودي ايجاد مي شوند كه به عنوان مجموعه تصاوير آموزشي مورد استفاده قرار مي گيرند. روش پيشنهادي با مدل سازي ارتباط بين وصله هاي تصاوير در سطوح متناظر دو هرم تفكيك پذيري بالا و تفكيك پذيري پايين با استفاده از رگرسيون بردار پشتيبان، به تخمين مقادير جديد پيكسل ها در تصوير خروجي مي پردازد. از بازنمايي تنك به عنوان ويژگي هر وصله در تصاوير هرم با تفكيك پذيري پايين استفاده شده است. در اين مقاله، جهت كاهش تارشدگي پيكسل هاي لبه، ابتدا پيكسل هاي لبه و غير لبه مشخص مي شوند. سپس به ازاي پيكسل هايي كه در نواحي غير يكنواخت قرار دارند، پيكسل هاي همسايه مورد استفاده قرار نمي گيرند. لذا در روش پيشنهادي، ارزش پيكسل هاي همسايه هر پيكسل در نواحي يكنواخت، مدل شده و در تعيين ارزش نهايي دخالت داده مي شود. نتايج حاصل از آزمايشات نشان داده كه روش پيشنهادي عملكرد بهتري نسبت به ساير روش هاي مطرح شده در زمينه افزايش تفكيك پذيري تصوير از لحاظ كمي و كيفي داشته است.

In this paper, we propose a self-learning single image super-resolution. In our proposed method, adjacent pixels information in smooth area is used. Low and high-resolution pyramids are built by applying up-sampling and down-sampling techniques on input image, as training data. In training phase, we apply support vector regression (SVR) to model the relationship between the pair of low and high-resolution images. For each patch in the low-resolution image, sparse representation is extracted as a feature vector. In this paper, in order to reduce the edge blurring effects, we first separate edge pixels from non-edge pixels. In the smooth area, because of the similar colors around the each pixel, the center pixel value is determined by considering the reconstructed adjacent pixels. Experimental results show that the proposed method is quantitatively and qualitatively outperform the competitive super-resolution approaches.