臺灣博碩士論文加值系統

當影像擷取設備不足或是儲存空間不足時，我們可以將低解析度影像通過超解析之技術得到高解析度影像，以便舒緩獲取高解析度影像對於硬體規格的需求及降低昂貴的成本費用。本論文將低解析度影像藉由訓練好的支撐向量機重建出高解析度影像。支撐向量迴歸器之訓練資料中之輸入資料是來自低解析度影像經雙立方放大後之影像，而輸出資料是來自高解析度影像。本論文使用兩種方法重建高解析度影像。在第一種方法中，訓練資料中之輸入資料是利用放大後的影像之亮度值、水平方向與垂直方向邊的特徵，以及高頻訊號特徵做為可能之輸入，而可能之輸出只考慮亮度值及高頻訊號特徵。在第二種方法中之輸入資料則是利用影像邊的特徵建立出好的訓練樣本，而輸出只考慮亮度值。在實驗結果中發現利用第一種方法與第二種方法在影像品質上，以第一種方法效果較佳。

When the image capture device is not good enough or storage space is not large enough, high-resolution images may be obtained by applying the super-resolution techniques to low-resolution images, in order to relieve the high hardware demand and expensive cost. In this study, high-resolution images are reconstructed from the low-resolution images by using the trained support vector machines. In the training data of the support vector regressors, input data are from the low-resolution images after bicubic interpolation, whereas the output data are from the high-resolution images. There are two methods for high-resolution image reconstruction. In the first method, the pixel values, horizontal direction feature, vertical direction feature, and high-frequency feature, all from the low-resolution images after bicubic interpolation, are used as possible inputs, whereas possible outputs are pixel values and high-frequency feature. In the second method, the input data are obtained by using the edge properties of the low-resolution images after bicubic interpolation, whereas the outputs are the pixel values. Experimental simulations show that the image quality using the first method is better than that using the second method.

圖目錄III
表目錄V
致謝VI
摘要VIII
Abstract IX
第1章 研究動機與文獻探討 1
第2章 超解析 3
2.1 退化模型 3
2.2 靜態影像之超解析 5
第3章 支撐向量機 7
3.1 線性迴歸 7
3.2 Kernel 8
3.3 支撐向量迴歸(SVR) 9
第4章 支撐向量機模擬超解析 13
4.1 訓練階段 13
4.2 測試階段 18
第5章 實驗結果 22
5.1 實驗1 24
5.2 實驗2 27
5.3 實驗3 30
5.4 實驗4 35
5.5 實驗5 40
第6章 結論 42
參考文獻 43
圖目錄
圖2.1、模擬影像擷取示意圖 3
圖2.2、觀察模型 4
圖2.3、傳統影像放大 6
圖4.1、SVR學習機訓練階段流程圖 13
圖4.2、影像放大 14
圖4.3、訓練影像 14
圖4.4、訓練影像所對應的高解析度影像 14
圖4.5、高頻成份 16
圖4.6、預測影像之示意圖 16
圖4.7、訓練影像經由拉普拉斯高頻濾波器 17
圖4.8、預測影像之示意圖 17
圖4.9、訓練影像經由Canny影像處理 17
圖4.10、四張64*64影像經放大後結果 18
圖4.11、四張128*128高解析度影像 19
圖4.12、四張128*128影像經放大後結果 20
圖4.13、四張256*256高解析度影像 20
圖4.14、SVM系統架構 21
圖5.1、128*128測試影像結果 24
圖5.2、256*256測試影像結果 25
圖5.3、128*128測試影像結果 27
圖5.4、256*256測試影像結果 28
圖5.6、128*128影像之間差值 30
圖5.7、128*128預測出的差值 30
圖5.8、128*128測試影像結果 31
圖5.9、256*256影像之間差值 32
圖5.10、256*256預測出的差值 33
圖5.11、256*256測試影像結果 34
圖5.12、128*128影像經過拉普拉斯 35
圖5.13、128*128影像預測差值 35
圖5.14、128*128測試影像結果 36
圖5.15、256*256影像經過拉普拉斯 37
圖5.16、256*256影像之間差值 38
圖5.17、256*256測試影像結果 39
圖5.18、128*128測試影像結果 40
圖5.19、256*256測試影像結果 41
表目錄
表 5.1 128*128測試影像數據結果 23
表 5.2 256*256測試影像數據結果 23
表 5.3 128*128測試影像數據結果 25
表 5.4 256*256測試影像數據結果 25
表 5.5 128*128測試影像數據結果 28
表 5.6 256*256測試影像數據結果 28
表 5.7 128*128測試影像數據結果 31
表 5.8 256*256測試影像數據結果 34
表 5.9 128*128測試影像數據結果 36
表 5.10 256*256測試影像數據結果 39
表 5.11 128*128測試影像數據結果 41
表 5.12 256*256測試影像數據結果 41

[1]R. Y. Tsai and T. S. Huang, “Multi-frame Image Restoration and Registration,” Advances in Computer Vision and Image Processing, London, England, vol. 1, pp. 317-339, 1984.
[2]M. Irani and S. Peleg, “Super Resolution from Image Sequences,” 10th International Conference on Pattern Recognition (ICPR), Piscataway, New Jersey, USA, pp.115-120, Jun., 1990.
[3]L. An and B. Bhanu, “Improved Image Super-Resolution by Support Vector Regression,” International Joint Conference on Neural Networks, San Jose, California, USA, pp. 696-700, Aug., 2011.
[4]T. C. Ho and B. Zeng, “Super-Resolution Images by Support Vector Regression on Edge Pixels,” International Symposium on Intelligent Signal Processing and Communication Systems (ISPACS 2007), pp.674- 677, Dec., 2007.
[5]M. C. Yang, C. T. Chu, and Y. C. F. Wang “Learning Sparse Image Representation with Support Vector Regression for Single-Image Super-Resolution,” 17th IEEE International Conference on Image Processing (ICIP), Hong Kong, pp. 1973-1976, Sep.26-29, 2010.
[6]A. Milchevski, Z. Ivanovski, and B. Mustafa, “Machine Learning Based Super-Resolution Algorithm Robust to Registration Errors,” Digital Signal Processing Workshop and IEEE Signal Processing Education Workshop (DSP/SPE), pp. 326-331, Sep., 2011.
[7]M. H. Cheng, N. W. Lin, K. S. Hwang, and J. H. Jeng, “Fast Video Super-Resolution using Artificial Neural Networks,” 8th IEEE International Symposium on Communication Systems, Networks and Digital Signal Processing (CSNDSP), Poznan, Poland, pp. 1-4, Jul. 2012.
[8]D. Glasner, S. Bagon, and M. Irani “Super-Resolution from a Single Image,” 12th IEEE International Conference on Computer Vision (ICCV), Kyoto, Japan, pp. 349-356, Sep. 2009.
[9]邱垂汶，「使用視覺高頻增強濾波器之高品質超解析度影像與視訊研究」，國立雲林科技大學電機工程系碩士論文，2004。
[10]王鈺強，「以超圖素為基礎進行物體分類之自動學習架構單張影像之超解像技術」，中央研究院資訊科技創新研究中心。
[11]張書梵，「運用高頻資訊補償之超解析度演算法研究」，國立中央大學通訊工程研究所碩士論文，2007。
[12]W. T. Freeman, T. R. Jones, and E. C. Pasztor, “Example-Based Super-Resolution,” Computer Graphics and Applications, IEEE, vol. 22, no. 2, pp. 56-65, Mar., 2002.
[13]K. I. Kim and Y. Kwon, “Example Based Learning for Single-Image Super-Resolution and JPEG Artifact Removal” Max-Planck Institut für Biologische Kybernetik, Technical Report, vol. 173, Aug., 2008.
[14]D. Li and S. Simske, “Example Based Single-frame Image Super-Resolution by Support Vector Regression,” Journal of Pattern Recognition Research, vol. 5, no. 1, pp.104-118, Oct., 2010.
[15]D. Li, S. Simske, and R. M. Mersereau, “Single Image Super-Resolution Based on Support Vector Regression,” International Joint Conference on Neural Networks, Orlando, Florida, USA, pp. 2898-2901, Aug., 2007.
[16]A. Baudes, B. Coll, and J. M. Morel, “A Non-local Algorithm for Image Denoising,” International IEEE Conference on Computer Vision and Pattern Recognition (CVPR), vol. 2, pp.60-65, 2005.