承接超分辨率重構之SRCNN整理總結(一)的引出,本篇主要是對傳統的圖像超分辨率重建技術進行簡要的介紹。
傳統的圖像超分辨率重建技術簡介
-
【1】基於插值的圖像超分辨率
圖像處理中,常用的插值算法有:最鄰近元法,雙線性內插法,三次內插法等。
插值法:通過某個點周圍若干個已知點的值,以及周圍點和此點的位置關係,根據一定的公式,算出此點的值。對於如何把原圖像的點擺放在新圖中並確定具體座標,未知的點計算時,需要周圍多少個點參與,公式如何計算,不同的插值算法,有不同的方案選擇。
eg:現有一張分辨率爲3 x 2的圖片,原圖每個像素點有亮度值是:[[127,170,93],[99,165,87]]。
我們要把它變成分辨率爲6 x 4的圖片,把這6個已經知道的點,放在他們大概應該在新圖的位置:
那麼我們已經知道6 x 4新圖中6個已知的點(綠色),下面只求剩餘需要18個點(藍色)的值即可。通過某個點周圍若干個已知點的值,以及周圍點和此點的位置關係,根據一定的公式,算出此點的值,就是插值法。
實際上,通過這些插值算法,提升的圖像細節有限,所以使用較少。通常,通過多幅圖像之間的插值算法來重建是一個手段。另外,在視頻超分辨重建中,通過在兩個相鄰幀間插值添加新幀的手段,可以提升視頻幀率,減少畫面頓挫感。
-
【2】基於重建的圖像超分辨率
基於重建的方法通常都是基於多幀圖像的,需要結合先驗知識。有如下方法:
凸集投影法(POCS)
貝葉斯分析方法
迭代反投影法(IBP)
最大後驗概率方法
正規化法
混合方法
-
【3】基於學習的圖像超分辨率
機器學習領域(非深度學習鄰域)的圖像超分方法如下:
Example-based方法
鄰域嵌入方法
支持向量迴歸方法
虛幻臉
稀疏表示法
-
【4】基於深度學習的圖像超分辨率重建技術
基於深度學習的圖像超分辨率重建的研究流程:
- 1.首先找到一組原始圖像Image1。
- 2.然後將這組圖片降低分辨率爲一組圖像Image2。
- 3.通過各種神經網絡結構,將Image2超分辨率重建爲Image3(Image3和Image1分辨率一樣)。
- 4.通過PSNR等方法比較Image1與Image3,驗證超分辨率重建的效果,根據效果調節神經網絡中的節點模型和參數。
- 5.反覆執行,直到第4步比較的結果滿意。