Contribuições em Super-Resolução Multi-Frame Bayesiana Utilizando Informação Local e Registro Não Paramétrico
Nome: THAÍS PEDRUZZI DO NASCIMENTO
Tipo: Tese de doutorado
Data de publicação: 17/05/2021
Orientador:
Nome |
Papel |
|---|---|
| EVANDRO OTTONI TEATINI SALLES | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| RODRIGO VAREJÃO ANDREÃO | Examinador Interno |
| PATRICK MARQUES CIARELLI | Examinador Interno |
| JUGURTA ROSA MONTALVÃO FILHO | Examinador Externo |
| HÉLIO PEDRINI | Examinador Externo |
| EVANDRO OTTONI TEATINI SALLES | Orientador |
Resumo: A super-resolução multi-frame regularizada tem o objetivo de gerar uma imagem de alta resolução a partir de várias imagens de baixa resolução, pelo alinhamento delas e pela regularização, que ajusta a relação entre supressão de ruído e recuperação de informações de borda. Neste contexto, a partir do uso de informações locais e do registro Demons, três abordagens foram propostas nesta tese: a abordagem híbrida, a super-resolução com registro
Demons e a abordagem baseada em patches. Para a abordagem híbrida foram aplicadas múltiplas redes neurais de uma camada oculta, treinadas pelo algoritmo Regularized Extreme Learning Machine, em conjunto com os métodos de super-resolução multi-frame Bilateral Total Variation (BTV) e do Iterative Re-Weighted Super-Resolution (IRWSR), derivando nos métodos HyBTV e HyRWSR, respectivamente. Para a super-resolução com registro Demons dois métodos foram propostos: o D-BTVIR e o D-IRWIR, que combinam o registro Demons com reconstrução baseada no BTV e IRWSR, respectivamente. Para a abordagem baseada em patches (PB, patch-based), que consiste em alinhar os patches, aplicar uma varredura e reconstruí-los individualmente, foram propostas três métodos: PB - sem classificação, PB - suavidade e PB - variância. No PB - sem classificação todos os patches são super-resolvidos pelo método IRW, baseado no IRWSR. Para o PB - suavidade,
os patches são classificados como homogêneos ou não, de acordo com a métrica suavidade, e super-resolvidos pela interpolação bicúbica, se homogêneos, e pelo IRW, caso contrário. Para o PB - variância, o mesmo é feito, mas considerando a variância como métrica de homogeneidade. Foram feitos experimentos utilizando deformação simulada em 119 imagens, dos conjuntos Set5, Set14 e B100. As métricas PSNR, SSIM e o tempo de
processamento foram analisados, empregando os testes de hipótese de Friedman, Nemenyi e Wilcoxon, além de análises por inspeção visual. O teste de Wilcoxon apontou melhor desempenho do HyBTV sobre o BTV com confiabilidade de 99% (valor-p = 1, 26 × 10−11), e do HyIRWSR sobre o IRWSR (valor-p = 3, 17 × 10−6), além de melhor relação de tempo
de processamento e qualidade do HyBTV sobre o IRWSR, que é, em média, 3,6 vezes mais lento. Para a abordagem baseada no Demons, o teste de Wilcoxon apontou melhor desempenho do D-BTVIR sobre o BTV com valor-p = 3, 52 × 10−7, e do D-IRWIR sobre o IRWSR com valor-p = 2, 95 × 10−8. O teste de Nemenyi apontou equivalência estatística entre o D-BTVIR e o IRWSR, mas o D-BTVIR se mostrou, em média, 7, 2 vezes mais rápido. O teste de Nemenyi apontou melhor desempenho das três variações do método PB, comparadas ao BTV e IRWSR, além de equivalência estatísticas entre os três, com vantagem do PB - variância em relação ao tempo de processamento. Por fim, as análises
por inspeção visual corroboraram os resultados dos testes de hipótese.
