La technologie de super-résolution (SR) joue un rôle central dans l’amélioration de la qualité des images. La reconstruction SR vise à générer des images haute résolution à partir d’images basse résolution. Les méthodes traditionnelles aboutissent souvent à des images floues ou déformées. Les techniques avancées telles que la représentation clairsemée et les méthodes basées sur l’apprentissage profond ont donné des résultats prometteurs, mais se heurtent toujours à des limites en termes de robustesse au bruit et de complexité de calcul.
Dans un étude récente publié dans Capteursdes chercheurs de l’Institut d’optique, de mécanique fine et de physique de Changchun de l’Académie chinoise des sciences ont proposé des solutions innovantes intégrant la cartographie chaotique dans le processus de reconstruction d’images SR, améliorant ainsi considérablement la qualité de l’image dans divers domaines.
Les chercheurs ont introduit de manière innovante la cartographie chaotique des cercles dans le processus de résolution de séquences de dictionnaire de l’algorithme de mise à jour du dictionnaire de décomposition en valeurs singulières K (K-SVD). Cette intégration a facilité un parcours équilibré et simplifié la recherche de solutions optimales globales, améliorant ainsi la robustesse au bruit de la reconstruction SR.
En outre, les chercheurs ont adopté l’algorithme glouton de recherche de correspondance orthogonale (OMP), qui converge plus rapidement que l’algorithme d’optimisation convexe de norme L1, pour compléter le K-SVD, et ont construit une image haute résolution en utilisant la relation de cartographie générée par l’algorithme.
Ils ont formé et appris des dictionnaires haute et basse résolution à partir d’un grand nombre d’images similaires à la cible. Grâce à la méthode de formation conjointe du dictionnaire, les blocs d’images haute et basse résolution sous le dictionnaire avaient la même représentation clairsemée, réduisant ainsi la complexité du processus de reconstruction SR.
La méthode proposée, appelée Chaotic Mapping-based Sparse Representation (CMOSR), améliore considérablement la qualité et l’authenticité de l’image. Il pourrait reconstruire efficacement des images haute résolution avec une résolution spatiale élevée, une bonne clarté et des détails de texture riches. Comparé aux algorithmes SR traditionnels, le CMOSR présente une meilleure robustesse au bruit et une meilleure efficacité de calcul. Il ne génère pas de détails inattendus lors du traitement des images et tient davantage compte de la taille des images.
Plus d’informations :
Hailin Fang et al, Reconstruction en super-résolution d’images de télédétection utilisant la cartographie chaotique pour optimiser la représentation clairsemée, Capteurs (2024). DOI : 10.3390/s24217030