skip to Main Content
پخش لبه کانولوشن برای درون یابی سریع تصویر مبتنی بر کنتراست

پخش لبه کانولوشن برای درون یابی سریع تصویر مبتنی بر کنتراست

عنوان انگلیسی: Convolutional Edge Diffusion for Fast Contrast-guided Image Interpolation
سال نشر: ۲۰۱۶
نویسنده: Wei Ye , Kai-Kuang Ma
رشته های مرتبط: فناوری اطلاعاتIT ، عکاسی ، الکترونیک
تعداد صفحه فارسی: ۱۰ – تعداد صفحه انگلیسی: ۵
شناسه: ۱۰.۱۱۰۹/LSP.2016.2571738
دانشگاه: School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore
نشریه: Signal Processing Letters

چکیده

یک روش درونیابی تصویر که اخیرا معرفی شده است و با عنوان درون یابی مبتنی بر کنتراست (CGI) شناخته می شود، عملکرد برتری در تولید تصاویر با کیفیت بالا نشان داده است. با این حال، فرآیند  پخش لبه تکراری آن (IED) برای انتشار فیلد های متغیر هدایتی پیوسته و متناوب (DV) ناگزیر به دلیل فرایند بهینه سازی تکراری آن، موجب پیچیدگی محاسباتی بالا می گردد. هدف اصلی این مقاله بررسی چگونگی کاهش چشم گیر محاسبات این فرآیند انتشار همراه با حفظ عملکرد برتر CGI در تصویر داخلی ان می باشد. شروع کار ما با مشاهدات انتقادی به شرح زیر بوده است. از آنجایی که هر فیلد DV منتشر شده برای تولید یک نقشه تصمیم گیرنده با کنتراست دو طرفه (CDM) در مرحله بعدی باید آستانه گذاری شود، چنین عملیاتی باینر سازی قطعا بازدهی را که قبلا از طریق روش داده ای عملکرد انرژی IED حفظ شده بود، از بین خواهد برد. بنابراین، در رویکرد ما، روش داده به کار برده می شود تا یک عملکرد جدید انرژی تولید شود. مشخص است که معادله دیفرانسیل مشتق شده از این عملکرد ساده شده، در واقع، معادله حرارت معروف است که ویژگی بسیار جذاب ان می تواند برای هدایت انتشار استفاده گردد.

به عبارتی با توجه به مقدار مطلوب انتشار در بازدهی، می توان آن را به سادگی با کانولوشن گرفتن فیلد  DV  با یک هسته گاوسی ، به جای به روز رسانی تدریجی فیلد DV از طریق تکرارها تحقق بخشید. توجه داشته باشید که واریانس هسته گاوسی به میزان انتشار مورد نظر مربوط می شود.

در نتیجه، کل زمان محاسبه به طور قابل توجهی کاهش می یابد. نتایج شبیه سازی گسترده نشان داده اند که CED پیشنهادی می تواند CDM های تقریبا یکسان را همانند  CDM تولید شده توسط IED تولید کند، در حالی که فقط حدود ۱/۱۰ از زمان محاسبه آن نیاز دارد. با جایگزینی IED با CED پیشنهادی در چارچوب CGI، زمان کلی اجرایCGI  سریع فقط ۱/۴ از CGI اصلی به طور متوسط ​​است.

Abstract

A recently introduced image interpolation method, called the contrast-guided interpolation (CGI), has shown superior performance on producing high-quality interpolated image. However, its iterative edge diffusion (IED) process for diffusing continuous-valued directional variation (DV) fields inevitably incurs high computational complexity due to its iterative optimization process. The key objective of this letter lies in how to greatly reduce the computation of this diffusion process while maintaining CGI’s superior performance on its interpolated image. The novelty of this letter started with a critical observation as follows. Since each diffused DV field needs to be thresholded for generating a binary contrast-guided decision map (CDM) in the subsequent step, such binarization operation will definitely destroy the fidelity that was preserved previously through the data term of the IED’s energy functional. Therefore, the data term is lifted in our approach to yield a new energy functional. It turns out that the diffusion equation derived from this simplified functional is, in fact, the well-known heat equation, from which a highly attractive property of the heat equation can be exploited for conducting diffusion. That is, given a desired amount of diffusion to yield, it can be realized by simply convolving the DV field with a Gaussian kernel once, rather than gradually updating the DV field through iterations. Note that the variance of the Gaussian kernel corresponds to the amount of diffusion desired. As a result, the total computation time is significantly reduced. Extensive simulation results have shown that the proposed CED can generate nearly identical CDMs as those produced by the IED, while only requiring about 1/10 of its computation time. By replacing the IED with the proposed CED in the CGI framework, the total run time of our fast CGI is only 1/4 of the original CGI’s on average.

۱۲۰,۰۰۰ ریال – خرید
امتیاز شما:
(1 votes, average: 5٫00 out of 5)
Back To Top