Características de la superresolución de imágenes
Reconstrucción de imágenes de superresolución (SRIR)
En una gran cantidad de aplicaciones de imágenes electrónicas, la gente suele esperar obtener imágenes de alta resolución (HR). Alta resolución significa una alta densidad de píxeles en la imagen, lo que proporciona más detalles, algo esencial para muchas aplicaciones prácticas. Por ejemplo, las imágenes médicas de alta resolución son muy útiles para que los médicos hagan diagnósticos correctos; es fácil distinguir objetos similares utilizando imágenes satelitales de alta resolución y el rendimiento del reconocimiento de patrones en la visión por computadora también mejora enormemente si se dispone de imágenes de alta resolución; . Desde la década de 1970, los sensores de imagen CMOS (dispositivos de carga acoplada) (CCD) se han utilizado ampliamente para capturar imágenes digitales. Si bien estos sensores son adecuados para la mayoría de las aplicaciones de imágenes, los niveles de resolución actuales y los precios al consumidor no satisfacen las necesidades futuras. Por ejemplo, la gente quiere cámaras/videocámaras digitales asequibles y de alta resolución, o quiere que bajen de precio; los científicos a menudo quieren niveles de resolución extremadamente altos, cercanos a la película analógica de 35 mm, para que no se noten artefactos cuando se amplía la imagen. Por lo tanto, se deben encontrar formas de mejorar los niveles de resolución existentes.
La solución más directa para mejorar la resolución espacial es reducir el tamaño de los píxeles mediante técnicas de fabricación de sensores (por ejemplo, aumentando el número de píxeles por unidad de área). Sin embargo, a medida que disminuye el tamaño de los píxeles, el flujo de luz también disminuye, lo que produce un ruido de dispersión que degrada gravemente la calidad de la imagen. Existe un límite en cuanto al tamaño de píxel que se puede reducir sin verse afectado por el ruido de disparo, y para un procesador CMOS de 0,35 micrones, el límite ideal es de aproximadamente 40 micrones cuadrados. La mayoría de las tecnologías actuales de sensores de imagen pueden alcanzar este nivel.
Otra forma de mejorar la resolución espacial es aumentar el tamaño del chip, aumentando así la capacidad de la imagen. Este enfoque generalmente se considera ineficaz debido a la dificultad para mejorar la tasa de conversión del acoplamiento en grandes volúmenes. El alto precio de la óptica y los sensores de imagen de alta precisión también es un factor importante que debe tenerse en cuenta en muchas aplicaciones comerciales de imágenes de alta resolución. Por lo tanto, se necesita un nuevo enfoque para mejorar la resolución espacial para superar las limitaciones de las tecnologías de fabricación óptica y de sensores.
Un enfoque prometedor es utilizar técnicas de procesamiento de señales para obtener imágenes de alta resolución a partir de múltiples imágenes observables de baja resolución (LR). Recientemente, esta técnica de mejora de la resolución se ha convertido en una de las áreas de investigación más candentes y se conoce en la literatura como restauración de imágenes de superresolución (SR o HR) o simplemente mejora de la resolución. En este artículo, utilizamos "restauración de imágenes de superresolución" para referirnos al método de procesamiento de señales con resolución mejorada, porque la "súper" en "súper resolución" representa una forma muy poderosa de superar las limitaciones de resolución inherentes de la baja resolución. Sistemas de imagen. Buena solución. La palabra "súper" en "súper resolución" representa una muy buena característica técnica. La mayor ventaja del método de procesamiento de señales es que es de bajo costo y al mismo tiempo utiliza los sistemas de imágenes de baja resolución existentes. Los hechos han demostrado que la restauración de imágenes SR puede ser posible. Es muy útil en muchas aplicaciones prácticas, especialmente en campos como imágenes médicas, imágenes satelitales y videos, donde se pueden obtener múltiples cuadros de imágenes de baja resolución de la misma escena en cualquier momento. Una aplicación es para restaurar alta calidad. imágenes digitales para imprimir/capturar cámaras/videocámaras digitales LR económicas, generalmente para videocámaras, en cuyo caso es probable que los fotogramas ampliados se muestren continuamente. Otra aplicación muy importante es la vigilancia con zoom, ciencia forense, medicina y región de interés (abreviada); como ROI) en aplicaciones de imágenes satelitales, por ejemplo, en aplicaciones de vigilancia y forenses, escalar la región de interés (abreviado como ROI) es muy importante. Por ejemplo, en vigilancia y ciencias forenses, actualmente las cámaras digitales (DVR para abreviar) generalmente han reemplazado. circuito cerrado de televisión (CCTV para abreviar), por lo que es necesario hacer zoom sobre los objetivos de la escena, como las matrículas de los coches o la cara de un sospechoso.
En aplicaciones médicas como CT y resonancia magnética (MRI), donde la calidad de la resolución es limitada y se pueden adquirir múltiples imágenes, la tecnología SR es muy útil en aplicaciones de imágenes satelitales como la teledetección y el Satélite de Recursos Terrestres (LANDSAT), imágenes múltiples; se puede proporcionar en la misma área, y se puede considerar que la tecnología SR mejora la resolución del objetivo. Otra aplicación muy urgente y realista es convertir señales de TV de baja definición en formato NTSC normal en señales de TV de alta definición sin distorsión (HDTV); para abreviar) para su reproducción en televisión de alta definición.
¿Cómo obtener una imagen HR a partir de múltiples imágenes LR? En las técnicas de mejora de la resolución espacial basadas en SR, la premisa básica es que se pueden adquirir múltiples imágenes detalladas de LR a través de la misma escena. En SR, generalmente se considera que las imágenes LR representan diferentes lados de la misma escena, es decir, las imágenes LR se basan en un submuestreo traslacional con precisión de subpíxeles. Si la traducción de píxeles se realiza solo en unidades enteras, entonces cada imagen contiene la misma información, lo que no proporciona información nueva para recuperar la imagen HR. Si las traducciones de subpíxeles de cada imagen LR son diferentes, entonces no se incluyen entre sí, en cuyo caso cada imagen LR puede proporcionar información diferente para la recuperación de la imagen HR. Para obtener diferentes lados de la misma escena, es necesario mover varias escenas o secuencias de vídeo de escenas relacionadas cuadro por cuadro. Podemos adquirir múltiples escenas a través de múltiples tomas desde una sola cámara o múltiples cámaras en diferentes ubicaciones. Por ejemplo, este tipo de movimiento de escena es posible en aplicaciones de imágenes controladas, como satélites en órbita cuando los objetos locales se mueven o oscilan, etc. El movimiento de la escena también es posible en aplicaciones de imágenes no controladas. La restauración de imágenes SR es posible si el movimiento de la escena se conoce o se estima con una precisión de subpíxeles y si podemos sintetizar estas imágenes HR.
Un tema relacionado con la tecnología SR es la restauración de imágenes, un área muy cubierta en las aplicaciones de imágenes. El propósito de la restauración de imágenes es restaurar una imagen dañada por desenfoque o ruido, pero no cambia el tamaño de la imagen. De hecho, la restauración de imágenes y la restauración SR están completamente relacionadas en teoría, y la restauración SR puede considerarse como un tema de restauración de imágenes de segunda generación.
Otro tema relacionado con la tecnología SR es la interpolación de imágenes, que consiste en aumentar el tamaño de una sola imagen. Aunque esta área ha sido investigada extensamente, incluso si se han establecido algunas funciones básicas, la calidad de las imágenes mejoradas mediante imágenes LR aproximadas aún es limitada porque la interpolación de una sola imagen no recupera la parte de muestreo LR perdida del proceso de alta frecuencia. imagen. Por tanto, los métodos de interpolación de imágenes no pueden considerarse técnicas de SR. Para seguir avanzando en esta área, el siguiente paso será aplicar datos adicionales relevantes basados en el mismo escenario. La fusión de diferentes datos de observación basados en la misma escena constituye la recuperación SR basada en la escena.