Modificação no Termo de Regularização Realçando os Elementos de Borda do Modelo Autorregressivo Simultâneo de Super-Resolução Multiframe

Nome: Vitor Faiçal Campana
Tipo: Tese de doutorado
Data de publicação: 31/05/2019
Orientador:

Nomeordem decrescente Papel
Evandro Ottoni Teatini Salles Orientador

Banca:

Nomeordem decrescente Papel
Evandro Ottoni Teatini Salles Orientador
Hilário Seibel Júnior Examinador Externo
Jacques Facon Examinador Externo
Lee Luan Ling Examinador Externo
Mario Sarcinelli Filho Examinador Interno

Resumo: Na literatura existem vários métodos de super-resolução, métodos esses baseados em aumentar a resolução da imagem a partir de uma única imagem (single-frame) de baixa resolução ou a partir de um conjunto de imagens (multiframe) de baixa resolução. Este trabalho apresenta o estudo sobre um método de super-resolução multiframe, o método denominado simultaneous autoregressive (SAR), que é baseado na abordagem de inferência Bayesiana variacional. Seguindo esse estudo, uma proposta de modificação desse método é apresentada incluindo um descritor fractal estatístico de alta ordem em sua formulação. Essa modificação provoca uma alteração no modelo da distribuição a priori do método SAR. Mais precisamente é proposta a utilização do descritor Morphologic Multifractal Exponent (LMME) para determinar a estimativa de hiperparâmetros da função de distribuição de probabilidade representando a imagem de alta resolução (HR). Devido à característica de sensibilidade de texturas do LMME, as imagens de HR estimadas mostraram melhorias em
seus elementos de borda e regiões de detalhes quando comparadas às imagens geradas pelo modelo SAR original, ao mesmo tempo em que mitigam o ruído indesejado. A modificação proposta também foi estendida para o modelo que combina o método SAR com `1 − norm. Uma comparação utilizando as métricas de relação sinal-ruído de pico (PSNR) e índice
de similaridade estrutural (SSIM) é apresentada para medir a qualidade das imagens de HR estimadas pelos métodos propostos em relação a outros apresentados na literatura, dentro da abordagem multiframe. Como resultado, o uso do descritor LMME apresentou melhores ajustes dos parâmetros das distribuições de estimação das imagens restauradas, refletidos nos valores de PSNR e SSIM obtidos nos experimentos utilizando imagens de baixa resolução com níveis moderados de ruído (SNR de 30 dB e 40 dB). Além disso, o uso
do descritor LMME no modelo SAR fez com que o algoritmo Expectation and Maximization (EM) convergisse em menos iterações.

Acesso à informação
Transparência Pública

© 2013 Universidade Federal do Espírito Santo. Todos os direitos reservados.
Av. Fernando Ferrari, 514 - Goiabeiras, Vitória - ES | CEP 29075-910