Die Super-Resolution-Technologie (SR) spielt eine entscheidende Rolle bei der Verbesserung der Bildqualität. Ziel der SR-Rekonstruktion ist es, aus Bildern mit niedriger Auflösung hochauflösende Bilder zu erzeugen. Herkömmliche Methoden führen oft zu unscharfen oder verzerrten Bildern. Fortgeschrittene Techniken wie Sparse-Repräsentation und Deep-Learning-basierte Methoden haben vielversprechende Ergebnisse gezeigt, weisen jedoch immer noch Einschränkungen hinsichtlich der Robustheit des Rauschens und der Rechenkomplexität auf.
In einem aktuelle Studie veröffentlicht in SensorenForscher des Changchun-Instituts für Optik, Feinmechanik und Physik der Chinesischen Akademie der Wissenschaften schlugen innovative Lösungen vor, die chaotische Kartierung in den SR-Bildrekonstruktionsprozess integrieren und so die Bildqualität in verschiedenen Bereichen erheblich verbessern.
Die Forscher führten auf innovative Weise die chaotische Kreiskartierung in den Wörterbuchsequenzlösungsprozess des Wörterbuchaktualisierungsalgorithmus K-Singular Value Decomposition (K-SVD) ein. Diese Integration erleichterte eine ausgewogene Durchquerung und vereinfachte die Suche nach globalen optimalen Lösungen, wodurch die Rauschrobustheit der SR-Rekonstruktion verbessert wurde.
Darüber hinaus übernahmen die Forscher den gierigen Algorithmus Orthogonal Matching Pursuit (OMP), der schneller konvergiert als der konvexe L1-Norm-Optimierungsalgorithmus, um K-SVD zu ergänzen, und erstellten ein hochauflösendes Bild unter Verwendung der vom Algorithmus generierten Zuordnungsbeziehung.
Sie trainierten und lernten Wörterbücher mit hoher und niedriger Auflösung anhand einer großen Anzahl von Bildern, die dem Ziel ähnelten. Durch die gemeinsame Wörterbuchtrainingsmethode hatten die Bildblöcke mit hoher und niedriger Auflösung unter dem Wörterbuch die gleiche spärliche Darstellung, wodurch die Komplexität des SR-Rekonstruktionsprozesses verringert wurde.
Die vorgeschlagene Methode mit dem Namen Chaotic Mapping-based Sparse Representation (CMOSR) verbessert die Bildqualität und Authentizität erheblich. Es könnte hochauflösende Bilder mit hoher räumlicher Auflösung, guter Klarheit und reichhaltigen Texturdetails effektiv rekonstruieren. Im Vergleich zu herkömmlichen SR-Algorithmen weist der CMOSR eine bessere Rauschrobustheit und Recheneffizienz auf. Es erzeugt bei der Verarbeitung von Bildern keine unerwarteten Details und berücksichtigt Bildgrößen besser.
Weitere Informationen:
Hailin Fang et al., Hochauflösende Rekonstruktion von Fernerkundungsbildern mithilfe chaotischer Kartierung zur Optimierung der spärlichen Darstellung, Sensoren (2024). DOI: 10.3390/s24217030