Супер қабылдау (SR) – бұл кескіндердің ажыратымдылығын арттыру техникасы. Оптикалық және геометриялық әдістер, MRI, томографияда қолданылады. Кескіндерді өңдеуде маңызды!
Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Кез келген бейнелеу жүйесінің дәлдігін қалыпты шектен асыруға бағытталған техника.
Any technique to improve resolution of an imaging system beyond conventional limits
Суперрезолюциялық бейнелеу (SR) – бейнелеу жүйесінің ажыратымдылығын арттыратын (жақсартатын) әдістер класы. Оптикалық SR-де жүйелердің дифракция шегі басылып өтіледі, ал геометриялық SR-де цифрлық бейнелеу сенсорларының ажыратымдылығы күшейтіледі. Кейбір радар және сонар бейнелеу салаларында (мысалы, магниттік-резонанстық бейнелеу (МРТ), жоғары ажыратымды компьютерлік томография) стандартты периодограмма алгоритмінен артық суперрезолюцияға қол жеткізу үшін субкеңістіктерді талдау әдістері (мысалы, MUSIC) және сығылған сенсорлық алгоритмдер (мысалы, SAMV) қолданылады. Суперрезолюциялық бейнелеу техникалары бейне өңдеудің жалпы саласында және суперрезолюциялық микроскопияда қолданылады.
Super resolution imaging (SR) is a class of techniques that enhance (increase) the resolution of an imaging system. In optical SR the diffraction limit of systems is transcended, while in geometrical SR the resolution of digital imaging sensors is enhanced. In some radar and sonar imaging applications (e. g. magnetic resonance imaging (MRI), high resolution computed tomography), subspace decomposition based methods (e. g. MUSIC) and compressed sensing based algorithms (e. g., SAMV) are employed to achieve SR over standard periodogram algorithm. Super resolution imaging techniques are used in general image processing and in super resolution microscopy.
Оптикалық немесе дифракциялық суперрезолюция
Ғарыштық жиілік жолақтарын алмастыру: Дифракциямен шектелген өткізу қабілетіне ие болса да, оны кеңістіктік жиілік спектрінде кез келген жерге орналастыруға болады. Микроскопиядағы қараңғы дала жарықтандыруы – мысал. Сондай-ақ, апертуралық синтезді қараңыз.
Substituting spatial frequency bands: Though the bandwidth allowable by diffraction is fixed, it can be positioned anywhere in the spatial frequency spectrum. Dark field illumination in microscopy is an example. See also aperture synthesis.
Көптікке бөлінетін кеңістіктік жиілік жолақтары
Оптикалық құрылғының қалыпты жиілік диапазоны қолданылып кескін жасалады. Содан кейін, нысанаға белгілі жарық құрылымы, мысалы, тіпті жиілік диапазонында болмаса да, жарық жолақтары жиынтығы қойылады.
An image is formed using the normal passband of the optical device. Then some known light structure, for example a set of light fringes that need not even be within the passband, is superimposed on the target.
Байес индукциясы дәстүрлі дифракциялық шектен тыс
Кейбір объектінің ерекшеліктері, дифракция шегінен тыс болса да, шектерде орналасқан және сондықтан суретте қамтылған басқа объектінің ерекшеліктерімен байланысты болуы мүмкін. Осыдан кейін, статистикалық әдістерді қолдана отырып, қолжетімді сурет деректерінен толық нысанның болуы туралы қорытынды жасауға болады. Классикалық мысал – Торальдо ди Францианың суреттің бір жұлдыздың таралуынан кеңірек екенін анықтап, оның бір жұлдызды немесе екі жұлдызды сурет екенін бағалау туралы ұсынысы. Бұл классикалық ажыратымдылық шегінен төменгі аралықтарда мүмкін болады және алдын ала "бір немесе екі?" деген таңдаумен шектелуді талап етеді. Бұл тәсіл нысанды жиілік доменінде суретті экстраполяциялау түрінде болуы мүмкін, объект аналитикалық функция деп есептеліп, белгілі бір аралықта функцияның мәнін нақты білуге болады. Бұл әдіс цифрлық бейнелеу жүйелеріндегі үнемі болатын шуға байланысты шектеулі, бірақ радар, астрономия, микроскопия немесе магниттік-резонанстық бейнелеуде қолданылуы мүмкін. Соңғы уақыттарда, проблемаларды шешудің жабық формуласына негізделген, бір суреттің суперрезолюциясын арттыратын жылдам алгоритм ұсынылды және бұл алгоритм қазіргі Байес суперрезолюция әдістерінің көпшілігін едәуір жылдамдататыны дәлелденді.
Some object features, though beyond the diffraction limit, may be known to be associated with other object features that are within the limits and hence contained in the image. Then conclusions can be drawn, using statistical methods, from the available image data about the presence of the full object. The classical example is Toraldo di Francia's proposition of judging whether an image is that of a single or double star by determining whether its width exceeds the spread from a single star. This can be achieved at separations well below the classical resolution bounds, and requires the prior limitation to the choice "single or double?" The approach can take the form of extrapolating the image in the frequency domain, by assuming that the object is an analytic function, and that we can exactly know the function values in some interval. This method is severely limited by the ever present noise in digital imaging systems, but it can work for radar, astronomy, microscopy or magnetic resonance imaging. More recently, a fast single image super resolution algorithm based on a closed form solution to problems has been proposed and demonstrated to accelerate most of the existing Bayesian super resolution methods significantly.
Аталық атауы
Геометриялық SR реконструкция алгоритмдері тек кіріс төмен ажыратымдылықтағы суреттер жеткіліксіз үлгіленген және осылайша алиасинг құбылысын қамтитын болса ғана мүмкін. Осы алиасинг салдарынан, қажетті реконструкцияланған суреттің жоғары жиілікті құрауы байқалатын әрбір суреттің төмен жиілікті құрауына енгізілген. Егер жеткілікті мөлшерде байқау суреттері болса және байқаулар жиынтығы фазалық түрде өзгеше болса (яғни, суреттер жарты пикселге дейін ығыстырылған болса), онда фазалық ақпаратты алиасингтің нәтижесінде пайда болған жоғары жиілікті құраудан нақты жиілікті құраудан бөліп алуға болады, содан кейін толық ажыратымдылықтағы суретті дәл қалпына келтіруге болады. Іс жүзінде, жиілікке негізделген бұл тәсіл реконструкция үшін қолданылмайды, бірақ тіпті кеңістіктік тәсілдердің (мысалы, ығысу-қосу синтезі) жағдайында да алиасинг SR реконструкциясы үшін қажетті шарт болып табылады.
Geometrical SR reconstruction algorithms are possible if and only if the input low resolution images have been under sampled and therefore contain aliasing. Because of this aliasing, the high frequency content of the desired reconstruction image is embedded in the low frequency content of each of the observed images. Given a sufficient number of observation images, and if the set of observations vary in their phase (i. e. if the images of the scene are shifted by a sub pixel amount), then the phase information can be used to separate the aliased high frequency content from the true low frequency content, and the full resolution image can be accurately reconstructed. In practice, this frequency based approach is not used for reconstruction, but even in the case of spatial approaches (e. g. shift add fusion), the presence of aliasing is still a necessary condition for SR reconstruction.
Техникалық іске асыру
SR-дің бір кадрлы және көп кадрлы түрлері бар. Көп кадрлы SR бір көріністің бірнеше төмен ажыратымды суреттері арасындағы субпиксельдік ығысуларды пайдаланады. Ол барлық төмен ажыратымды суреттерден ақпаратты біріктіріп, жақсартылған ажыратымды сурет жасайды, ал алынған жоғары ажыратымды суреттер көріністі жақсырақ көрсетеді. Бір кадрлы SR әдістері суретті бұрмаламай үлкейтуге тырысады. Бұл әдістер төмен ажыратымды суреттердің басқа бөліктерін немесе басқа байланыссыз суреттерді жоғары ажыратымды суреттің қандай болу керектігін болжау үшін қолданады. Алгоритмдерді олардың салалары бойынша да бөлуге болады: жиілік немесе кеңістік саласы. Бастапқыда суперрезолюция әдістері тек ақ-сұр суреттерде жақсы жұмыс істеді, бірақ зерттеушілер оларды түсті камера суреттеріне бейімдеудің жолдарын тапты.
There are many both single frame and multiple frame variants of SR. Multiple frame SR uses the sub pixel shifts between multiple low resolution images of the same scene. It creates an improved resolution image fusing information from all low resolution images, and the created higher resolution images are better descriptions of the scene. Single frame SR methods attempt to magnify the image without producing blur. These methods use other parts of the low resolution images, or other unrelated images, to guess what the high resolution image should look like. Algorithms can also be divided by their domain: frequency or space domain. Originally, super resolution methods worked well only on grayscale images, but researchers have found methods to adapt them to color camera images.
Зерттеу
Терең конволюциялық желілерді пайдалану арқылы суперрезолюция жасауға қатысты үміттендіретін зерттеулер бар. Атап айтқанда, 20x микроскоппен алынған гүл тозаңдарының суретін 1500x сканерлі электронды микроскоп суретіне түрлендіретін жұмыс көрсетілді. Бұл техника суреттің ақпараттық мазмұнын арттырса да, бастапқы суретте жоғарылатылған ерекшеліктердің болуына кепілдік жоқ. Сондықтан, терең конволюциялық жоғарылату құралдарын екіұшты кіріс деректерімен талдау қолданбаларында қолдануға болмайды. Бұл әдістер сурет ерекшеліктерін құрастырып шығаруы мүмкін, бұл оларды медициналық қолдану үшін қауіпті етеді.
There is promising research on using deep convolutional networks to perform super resolution. In particular work has been demonstrated showing the transformation of a 20x microscope image of pollen grains into a 1500x scanning electron microscope image using it. While this technique can increase the information content of an image, there is no guarantee that the upscaled features exist in the original image and deep convolutional upscalers should not be used in analytical applications with ambiguous inputs. These methods can hallucinate image features, which can make them unsafe for medical use.