Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/9659
Título: O uso do SSIM como critério de convergência em abordagens Bayesianas variacionais de superresolução multiframe
Autor(es): Nascimento, Thais Pedruzzi do
Orientador: Salles, Evandro Ottoni Teatini
Data do documento: 9-Out-2015
Editor: Universidade Federal do Espírito Santo
Resumo: Superresolução multiframe (SR multiframe) é uma técnica que gera uma imagem de alta resolução a partir de várias imagens de baixa resolução. Diferentes métodos foram desenvolvidos com o objetivo de implementar tal técnica com sucesso. Alguns desses utilizam abordagens bayesianas e podem ser baseados em norma-l1 ou norma-l2 . A imagem de alta resolução a ser encontrada é, via de regra, obtida pela execução de um algoritmo iterativo que geralmente usa como critério de parada o erro médio quadrático (MSE ou Mean Square Error). Entretanto, o MSE não considera algumas características das imagens, que são percebidas pelo olho humano. Por outro lado, a métrica SSIM (Structural Similarity Index Method), usa características estruturais, de luminância e contraste para quantificar a diferença entre duas imagens que, no nosso caso, são a imagem estimada pelo algoritmo de superresolução e a original, de alta resolução. Assim sendo, nesse trabalho propõe-se o uso de SSIM como métrica de erro para conduzir o processo de ajuste iterativo na obtenção da imagem de alta resolução, de forma a explorar melhor os ganhos obtidos a partir de distribuições a priori que preservam bordas e outros detalhes estruturais. Para isso, comparou-se os resultados de diferentes métodos bayesianos variacionais de SR alterando-se o critério de convergência de MSE para SSIM. Uma bateria de testes foi proposta e os resultados mostraram que além da melhoria na avaliação final da imagem, houve uma melhoria no tempo de execução dos algoritmos.
Multiframe Superresolution is a technique that generates one high resolution image from several lower resolution images. Different SR methods attempt to implement superresolution successfully. Some of them use bayesian approaches and are based on `2-norm or `1-norm. The estimated high resolution image is obtained, in general, by running an iterative algorithm that usually uses MSE (Mean Squared Error) as its convergence criteria. However, MSE does not consider the image’s structural characteristics that are perceived by the human eye. The structural similarity index method (SSIM), on the other hand, uses such characteristics, and luminance and contrast as well, to quantify the differences between the image estimated by superresolution and the original high resolution one. Therefore, in this work, we propose the use of SSIM as an error metrics to lead the iterative adjustment process to obtain the high resolution image, in order to explore in a better way, the gains obtained from a priori functions that preserve edges and structural details. In this regard, we have compared results from different variational Bayesian methods by changing the convergence criteria from MSE to SSIM. A set of experiments were proposed and the results showed that, in addition to the improvement of the quality image assessment, there was an improvement on the execution time of the algorithms.
URI: http://repositorio.ufes.br/handle/10/9659
Aparece nas coleções:PPGEE - Dissertações de mestrado

Arquivos associados a este item:
Arquivo TamanhoFormato 
tese_8234_Dissertação_ThaisPedruzzidoNascimento.pdf3.82 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.