Tecnología de súper resolución de imagen
La resolución de imagen es un conjunto de parámetros de rendimiento que se utilizan para evaluar el nivel de información detallada que contiene una imagen, incluida la resolución temporal, la resolución espacial y la resolución de profundidad de color, lo que refleja la capacidad de un sistema de imágenes para capturar y mostrar detalles de objetos. En comparación con las imágenes de baja resolución, las imágenes de alta resolución suelen tener una mayor densidad de píxeles, detalles de textura más ricos y mayor confiabilidad.
Sin embargo, en situaciones prácticas, debido a limitaciones de factores como los dispositivos de adquisición, las condiciones ambientales, los medios de transmisión de la red y el ancho de banda, y los modelos de degradación de la imagen, a menudo no es posible obtener directamente imágenes ideales de alta resolución con bordes nítidos y sin borrosidad. La forma más directa de mejorar la resolución de la imagen es mediante la actualización del hardware óptico en el sistema de adquisición. Sin embargo, debido a los desafíos en los procesos de fabricación y los altos costos, resolver físicamente el problema de las imágenes de baja resolución suele ser prohibitivamente costoso.
Como resultado, desde la perspectiva del software y los algoritmos, la tecnología de reconstrucción de imágenes con súper-resolución se ha convertido en un tema de investigación candente en el procesamiento de imágenes y la visión por computadora, y otros campos.
La tecnología de reconstrucción de imágenes con superresolución (SR) se refiere al proceso de reconstrucción de una imagen de alta resolución a partir de una imagen dada de baja resolución utilizando algoritmos específicos. En concreto, utiliza conocimientos de procesamiento de imágenes digitales y visión artificial, junto con algoritmos específicos y flujos de trabajo de procesamiento, para reconstruir una imagen de alta resolución a partir de una imagen dada de baja resolución. El objetivo es superar o compensar los problemas causados por limitaciones en el sistema de obtención de imágenes o el entorno de adquisición, como imágenes borrosas, baja calidad o regiones de interés poco definidas. En términos sencillos, la reconstrucción con superresolución es el proceso de ampliar una imagen pequeña para convertirla en una más grande, haciéndola "más clara".
El efecto se ilustra en la imagen siguiente:
Algoritmos tradicionales de reconstrucción de súper resolución
1. Reconstrucción de súper resolución basada en interpolación
2. Reconstrucción de súper resolución basada en modelos de degradación
3. Reconstrucción de súper resolución basada en el aprendizaje
Algoritmos de reconstrucción de súper resolución basados en aprendizaje profundo
El aprendizaje automático es una rama importante de la inteligencia artificial, y el aprendizaje profundo es el algoritmo más destacado dentro del aprendizaje automático. Se centra en extraer características abstractas de alto nivel de los datos a través de transformaciones no lineales de múltiples capas, aprendiendo los patrones de distribución subyacentes de los datos para hacer predicciones o juicios razonables sobre nuevos datos. Con el desarrollo continuo de la inteligencia artificial y el hardware informático, Hinton et al. introdujeron el concepto de aprendizaje profundo en 2006, con el objetivo de extraer características abstractas de alto nivel de los datos a través de transformaciones no lineales de múltiples capas. Con sus potentes capacidades de ajuste, el aprendizaje profundo ha comenzado a tener un impacto significativo en varios campos, particularmente en la imagen y la visión. Las redes neuronales convolucionales (CNN) han jugado un papel importante, lo que llevó a muchos investigadores a aplicar el aprendizaje profundo al campo de la reconstrucción de súper resolución.