مترجم: حبیب الله علیخانی
خلاصه
ترمیم تصویر روند بازسازی محتویات از دست رفته و یا آسیب دیده در داخل یک تصویر به روش محتمل ادراکی است. اگرچه بیش از ده سال تحقیقات نتایج ترمیم تصاویر برای آغاز ورود به کاربرد های واقعی را مناسب ساخته است، اما این روش های تکنولوژی جدید هنوز از پیچیدگی محاسباتی سنگین و آثاری مانند تاری و لبه های معیوب، بویژه در نواحی ترمیمی بزرگ رنج می برد. در این مقاله ما رویکرد مولتی رزولیشن(آنالیز و نمایش تصویر در رزولیشن های مختلف) برای ترمیم تصویر را پیشنهاد دادیم. در این چارچوب، ابتدا هرم تصویر ساخته شد، سپس برای تصویر منتخب با رزولیشن پایین در هرم، ترمیم انجام می شود. بعد از آن اطلاعات در این تصویر اصلاح شده با رزولوشن پایین، در میان هر یک از تصاویر با رزولوشن بالاتر منتشر می شود تا تصویر با بالاترین رزولوشن اصلی ترمیم شود. در مقایسه با روشهای استفاده شده ی فعلی، روش پیشنهادی دارای مزایایی مانند سهولت پرکردن نواحی بزرگ با نتایج بهتر، سرعت بیشتر و تطبیق بهتر با عملکرد دید انسان می باشد. نتایج تجربی نشان می دهد که چارچوب ترمیم مولتی رزولیشن پیشنهادی می تواند نتایج ادراکی بهتر تولید کند و بیش از سه برابر سریعتر از روش های تکنولوژی جدید اجرا شود.کلمات کلیدی: ترمیم تصویر؛ مولتی رزولوشن.
مقدمه
ترمیم تصویر بازسازی اطلاعات در نواحی آسیب دیده یا از دست دفته درون یک تصویر است به طوریکه تصویر بدست آمده طبیعی به نظر رسد. کاربردهای آن در برنامه نویسی تصویر، انتقال تصویر بیسیم (بازیابی بلوک ازدست رفته)، جلوه های ویژه(حذف اشیا) و ترمیم آثار هنری(خراش یا حذف متن) است. هدف ترمیم تصویر، پر کردن نواحی از دست رفته(ناحیه هدف) از طریق محتوای محتمل ادراکی با استفاده از اطلاعات بقیه تصویر است(ناحیه ی منبع).با الهام از فرآیند ترمیم واقعی از هنر هنرمندان مرمت،Bertalmio و همکاران یک طرح ترمیم دیجیتال بر اساس PDE با مرتبه ی بالا ارائه دادند. آنها یک الگوریتم ترمیم تصویر پیشنهاد کردند که فرآیند دستی سنتی را برطبق اطلاعات لبه اطراف ناحیه هدف را شبیه سازی کردند. چان و همکارانش یک مدل تغییرات که بسیار مرتبط است با مدل حذف نویز کلاسیک TV(مجموع تغییرات) و CDD(مدل انتشار انحنای رانده) را مطالعه کردند. روش مبتنی بر PDE برای ترمیم تصاویر باریک، و نواحی هدف ممتد مناسب است. اما زمانیکه برای تصاویری که در آن نواحی هدف بزرگ و دارای بافت هستند مورد استفاده قرار می گیرد، آنها منجر به صاف شدن(صیقلی) تصویر می شوند و آثار تاری را ارائه می کند. سنتز بافت به ترمیم تصویر اعمال می شود. اکثر الگوریتم ها در این رویکرد پیکسل اسیب دیده در یک تصویر را در امتداد خطوط اسکن تصویر اصلاح می کنند. Efros و Leung یک روش غیر پارامتری برای سنتز بافت ارائه کردند، مدل بافت آنها حوزه ی(فیلد) تصادفی مارکوف نام دارد(MRF) و بافتها را به روش نمونه گیری احتمال تولید می کند. Wei و Levoy (WL) همچنین از رویکرد سنتز مبتنی بر MRF استفاده کردند. آنها تصویر خروجی را با نویز تصادفی مقداردهی اولیه کردند و برای جستجوی پیکسل شبیه تر به پیکسل اصلاح شده جاری، از همسایگی L شکل استفاده کردند. براساس الگوریتم WL ، بعلاوه Ashikhmin فهمید که هر پیکسل ترمیم شده در همسایگیL شکل می تواند یک پیکسل کاندید شده ی انتقال یافته، برای ترمیم تولید کند. بنابراین شبیه ترین پیکسل در میان این کاندیدها برای بالابردن سرعت انتخاب می شود. این الگوریتم به طور عمده برای بازگرداندن بافت استفاده می شود.
با ترکیب مزایای رویکردهای PDE و سنتز بافت، Criminisi الگوریتمی که قطعه ی معلوم شده را به قطعه ی از دست رفته انتقال می دهد را ارائه داد. برتری هر یک از قطعات در روش او هم با اطمینان به قطعات و هم تحریک به ترغیب انتقال ساختار خطی تعیین شده است. برای تطبیق قطعات، الگوریتم برای شبیه ترین قطعه از ناحیه ی منبع و کپی آن به طور مستقیم به ناحیه ی هدف در سطح قطعه جستجو می کند. از آنجا که این الگوریتم یک تصویر را به روش حریصانه پر می کند، اغلب ناهماهنگی تصویری در تصویر نهایی به نظر می رسد. به منظور غلبه بر محدودیت رویکرد مبتنی بر نمونه ابداع شده ، وانگ و همکاران از اطلاعات غیر محلی چندین نمونه در تصویر و سهم وزن آنها بر اساس شباهتشان به همسایه ی پیکسلی که ترمیم میشود، استفاده کردند. به هر حال این امر منجر به صاف شدن ناحیه ی هدف می شود.
تا اینجا خروجی متداول از روش های تکنولوژی جدید هنوز شامل آثار تصنعی بصری قابل توجه است، بویژه هنگامیکه ناحیه ی هدف بزرگ باشد. در این مقاله، ما رویکرد جدیدی برای ترمیم نصویر مبتنی بر مولتی رزولوشن تصویر پیشنهاد کردیم. ما نشان می دهیم که این چارچوب جدید برخی از مزایای کلیدی که به طور طبیعی در روند ترمیم موجود است و می تواند نتایج بهتری با سرعت بیشتر تولید کند، را پیشنهاد می کند.
بقیه ی مقاله به شرح زیر است. در بخش دوم ما اولویت قطعه و بیان را برای ترمیم تصویر ارائه شده در را بررسی می کنیم، که ما در چارچوب پیشنهادی ترمیم تصویر با استفاده از مولتی رزولوشن ، استفاده خواهیم کرد . در بخش سوم ما چارچوب پیشنهادی را با جزئیات اجرا را ارائه می کنیم. در بخش چهارم ما عملکرد روش پیشنهادی را با دیگر تکنولوژی جدید در سنتز و تصاویر طبیعی مقایسه می کنیم. در نهایت، ما نتایج را در بخش پنجم رسم می کنیم.
اولویت قطعه و بیان قطعه(PATCH PRIORITY AND PATCH REPRESENTATION)
در ترمیم تصویر مبتنی بر نمونه گیری، انتخاب قطعه و ترمیم قطعه دو مرحله کلیدی هستند. مرحله ی انتخاب قطعه تصمیم می گیرد که ابتدا باید مرز قطعه ترمیم شود، و معرفی قطعه بر می گردد به اینکه کدام قطعه در ناحیه ی منبع باید برای ترمیم قطعه ی هدف استفاده شود.با توجه به تصویر ورودی،
به معنی ناحیه ی هدفی که باید ترمیم شود، و 
ناحیه ی منبع می باشد. مرز ناحیه ی هدف با 
مشخص می شود که fill-front نامیده شد. روش های محاسبه ی اولویت قطعه و معرفی قطعه به شرح زیر است.
A. اولویت قطعه(Patch Priority)
در Criminisi و همکاران اشاره می کنند که محاسبات اولویت باید نسبت به آن قطعه هایی باشد که ادامه ی لبه های سخت هستند و توسط پیکسل های با اطمینان بالا احاطه شده است. آنها اولویت را بطور حاصلضرب دو عبارت تعریف می کنند، به عنوان مثال:
که در آن p پیکسلی است که بازسازی می شود است،
عبارت اطمینان است و 
عبارت داده است. عبارت اطمینان اندازه ی مقدار اطلاعات معتبر اطراف پیکسل فعلی در قطعه است، در حالیکه عبارت داده تابعی از قدرت موفقیت ایزوفوت(خط (خیالی یا در یک نمودار) اتصال نقاط که در آن روشنایی یا نور همان است) fill-front در هر تکرار است، که ابتدا پیشبرد ساختار خطی آن سنتز می شود.
که در آن
مرکز قطعه در پیکسل p است. که اگر پیکسل p در ناحیه ی منبع باشد، تابع شاخص 
است و در غیر اینصورت، 
است. 
سطح است.
در بالا
بردار در پیکسل p است که متعامد به بردار گرادیانش است و هم اندازه ی آن است. 
بردار واحد در p است که متعامد به است. α فاکتور نرمالسازی است که معمولا 255 است. توجه کنید که p∈∂Ω است. برخی از نویسندگان اولویت قطعه را به صورت زیر تعریف کردند:
که در آن
همان فرمول 2 است.
در فرمول 5 ، ω اندازه ی شباهت قطعه است و
اندازه ی سایز نسبی ناحیه ی منبع درون مسیر کاندید است.B.بیان قطعه(Patch Representation)
در روند معرفی قطعه، اطلاعات پیکسلی ناحیه ی منبع، برای پیداکردن مناسبترین قطعه (برای بازسازی پیکسل مجهول درون قطعه ترمیمی که از بخش قبلی بدست آمده) پردازش می شود. Criminisi از بهترین قطعه ی منفرد برای معرفی به قطعه هدف فعلی استفاده می کند. اشکال اصلی آن هزینه ی بالای احتمال انتخاب نمونه ای که ممکن است خراب باشد است. بر اساس الگوریتم Criminisi ، وانگ از اطلاعات غیر محلی تصویر از نمونه های متعدد داخل تصویر استفاده می کند. سهم نسبی هر نمونه برای بازسازی یک پیکسل هدف با استفاده از یک تابع شباهت وزنی برای پرکردن اطلاعات از دست رفته تعیین می شود. اگرچه این روش می تواند ناحیه ی از دست رفته را قویتر تخمین بزند، اثر صافی را ارائه می دهد. Xu یک مدل برای معرفی یک قطعه با ترکیب پراکندهی نمونه های گوناگون پیشنهاد کرد و در ظاهر نتیجه بهتر از نسبت به نویسندگان دیگر، بدست آورد.محدودیت الگوریتم Criminisi این است که ساختار منحنی را نمی تواند اداره کند. به این دلیل، ما از متد Xu برای محاسبه ی اولویت و معرفی و ترکیب قطعه که در چارچوب پیشنهادی مولتی رزولوشن که در بخش بعدی توضیح خواهیم داد، استفاده می کنیم.
در این بخش ما ابتدا مراحل اصلی چارچوب پیشنهادی را تعریف می کنیم، سپس پیش از روش های پیشنهادی مزایای آن را آنالیز می کنیم. مراحل اصلی چارچوب پیشنهادی در الگوریتم 1 نشان داده شد. بعدا ما جزئیات آن را توضیح خواهیم داد.
الگوریتم 1: چارچوب ترمیم تصویر با استفاده از مولتی رزولوشن
ساخت هرم تصویر وررودی، با تصویر ورودی به عنوان بالاترین وضوح تصویر در هرم.
انتخاب یک تصویر با وضوح پایین و ترمیم آن.
استفاده از تصویر با رزولوشن پایین ترمیمی و انتشار اطلاعات آن برای ترمیم آن به تصویر با رزولوشن بالاتر درست بالای آن در هرم. سپس تکرار این فرایند تا تصویر با بالاترین رزولوشن ترمیم شود.یک هرم تصویر می تواند به شیوه های مختلف ساخته شود. به طور کلی ، با توجه به یک تصویر با رزولوشن بالا، یک توالی از تصاویر با رزولوشن پایین می تواند از طریق کاهش رزولوشن پی در پی بدست آید. شکل 1 یک تصویر از این روند را نشان می دهد. در این مقاله نرخ کاهش رزولوشن 2 × 2 را برای ترمیم استفاده می کنیم. بنابراین هر تصویر با رزولوشن پایین یک چهارم سایز تصویر زیرین در هرم است.
هنگامیکه هرم تصویر ساخته می شود، ما یک تصویر با رزولوشن پایین اولیه برای ترمیم استفاده می کنیم. این مرحله می تواند به هر یک از روش های موجود انجام شود. در این مقاله ما از روش متداول استفاده می کنیم. در این روش قطعات متمرکز شده در نقاط fill-front به عنوان قطعه های هدف مورد نظر هستند. پس از محاسبه ی اولویت قطعات هدف، قطعه ی درون fill-front با بالاترین اولویت انتخاب شده و ابتدا ترمیم خواهدشد. در این فرایند، ما نیاز به ذخیره ی مکان قطعات هدف و مکان قطعات پرکننده، از جمله ضرایب وزن داریم. این اطلاعات در زمان ترمیم تصاویر با رزولیشن بالاتر استفاده خواهد شد.
از طریق این تصویر با روزولوشن پایین ترمیم شده، ما تصویر با رزولوشن بالاتر که درست در زیر آن در هرم تصویر است را ترمیم می کنیم، و این فرایند را تا تصویر ورودی اصلی ترمیم شود ادامه می دهیم. بعد ما شیوه ی ترمیم یک تصویر با رزولوشن بالا B از طریق تصویر با رزولوشن پایین تر A را توصیف خواهیم کرد.
A.انتخاب قطعه توسط ترتیب اولویت
در چارچوب پیشنهادی، به دلیل آشکاربودن ارتباط بین تصویر A و B ، ما ترتیب اولویت قطعات هدف در تصویر B را همان قطعه ی هدف تصویر A قرار می دهیم، که اکنون در مرحله ی قبل ذخیره شده است. تنها مشکل که باید با آن برخورد شود این است که هر پیکسل در تصویر A مربوط به چهار پیکسل در تصویر B است. ما این چهار پیکسل را با توجه به مقدار اطمینانشان دسته بندی می کنیم. شکل 2 جزئیات را نشان می دهد. در این مثال، قطعه ی مرکزی در پیکسل a دارای بالاترین اولویت فعلی در تصویر A است. سپس چهار قطعه ی مرکزی چهار پیکسل a1 تا a4 متناظرش در تصویر B برای کاندیدای قطعه ی با بالاترین اولویت انتخاب می شود. سپس ما مقدار اطمینان را به ترتیب برای این چهار قطعه محاسبه می کنیم. قطعه ی دارای بالاترین مقدار اطمینان توسط Ψ_a نشان داده می شود، که ابتدا در تصویر B ترمیم خواهد شد.B.بیان قطعه(Patch Representation)
معرفی قطعه در تصویر B با استفاده از اطلاعات ذخیره شده در طول فرآیند ترمیم تصویر A انجام می شود. باز هم با استفاده از شکل 2 به عنوان مثال، فرض کنید که قطعه ی
متمرکز شده در پیکسل a توسط قطعه ی
معرفی شده است که در تصویر A در پیکسل b متمرکز شده است. سپس در تصویر B ، در میان چهار پیکسل متناظر b در تصویر A ، ما پیکسل سمت چپ بالا و یک همسایگی اطراف آن را ترمیم می کنیم( این همسایگی 7 × 7 که در شکل (c)2 نشان داده شده است). یک قطعه ی متحرک(قطعه ی قرمز رنگ 3 × 3 که در شکل (c)2 نشان داده شده) به طرف پیکسل مرکزی، گذرنده از هر یک از پیکسل های این همسایگی b1 استفاده شده است. برای هر موقعیت قطعه ی متحرک، ما مقدار مجموع تفاوت مربع(SSD) بین قطعه ی متحرک و قطعه ی Ψ_a را محاسبه می کنیم و قطعه ای را که بیشترین شباهت به Ψ_a را دارد را پیدا می کنیم. سرانجام پیکسل متناطر را در این قطعه کپی می کنیم و پیکسل ناشناخته در قطعه ی Ψ_aرا با آنها پر می کنیم.سپس ما مزایای این چارچوب( ترمیم با استفاده از مولتی رزولیشن) پیشنهادی را تجزیه و تحلیل می کنیم. ابتدا، این رویکرد مطابق با روند ادراک بصری انسان است. معروف است که زمان آنالیز ساختار تصویر، که برای ترمیم تصویر مورد نیاز است، معمولا انسان ابتدا به برجسته ترین ویژگی های تصویر توجه می کند. هنگامی که این ویژگی ها مطابقت می شوند، سپس ما به مطالعه ی بیشتری در مورد ساختار تصویر بهتر می پردازیم. این فرآیند به طور طبیعی در چارچوب پیشنهادی مجسم شده، که در آن تصاویر با رزولیشن پایین اساسا ساختارهای تصویر بزرگ را نشان می دهد در حالیکه تصاویر با رزولوشن بالا حاوی اطلاعات بهتری است. ثانیا، به دلیل اینکه تصویر با رزولیشن پایین در اندازه ی کوچک است، ترمیم سریعتر انجام می شود و از آنجا که ناحیه ی هدف در مقایسه با ناحیه ی هدف در تصویر با رزولوشن بالاتر کوچکتر خواهد بود، ترمیم آسانتر و دقیق تر خواهد بود. سپس هنگامیکه ترمیم با رزولوشن بالاتر انجام می شود، بجای جستجوی کلی مورد استفاده در روشهای دیگر تنها لازم است مجموعه ی کوچکی از قطعات همسایه جستجو شود. بنابراین سرعت بیشتر و ترمیم دقیقتر می تواند کسب شود. ثالثا، ما مکانیزمی برای پاس دادن اطلاعات ترمیم بدست آمده(در طول بازسازی تصاویر با رزولیشن پایین)، به باز سازی تصاویر با رزولیشن بالاتر ایجاد کردیم. دسترسی به این اطلاعات جانبی مهم تقریبا در روش های دیگر که فقط مستقیما تصویر اصلی را ترمیم می کنند، وجود ندارد . بنابراین سرانجام در تئوری این چارچوب پیشنهادی انتظار می رود نتایج بصری بهتری نسبت به روشهای دیگر حاصل گردد. این مزایا در بخش بعدی توسط آزمایش ها تایید شده است.
نتایج تجربی
ما روش ترمیمی پیشنهادی را با الگوریتم BSCB ، الگوریتم Criminisi ، الگوریتم وانگ و الگوریتم Xu مقایسه کردیم. همه ی برنامه ها به زبان C++ نوشته شده اند و بر روی یک کامپیوتر دسکتاپ با پردازنده ی) (AMD Athlon dual core 3800+ 1.8GHz و با RAM 1.5 GB اجرا شده اند. Type equation here.ما از لیست های پیوندی برای به روز رسانی مرزها در طول شبیه سازی استفاده کردیم. ما قطعه های معرفی شده جدید روی fill-front در هر تکرار انجام شده را محاسبه کردیم. در اجرای الگوریتم پیشنهادی، ما از ساده ترین هرم تصویر که تنها دو سطح دارد استفاده کردیم. اکثر پارامترهای مورد استفاده بوسیله ی دیگران نیز مورد استفاده قرار گرفته است. به طور خاص، ما اندازه قطعه را در تصویر رزولوشن پایین 7 × 7 و در تصویر با رزولوشن بالا 13 × 13 انتخاب کردیم. سایز همسایگی پیکسل که در آن قطعه ی متحرک به اجرا در می آید 51×51 انتخاب شد، تحمل خطا ϵ برابر 5 و حداکثر تعداد قطعات کاندیدا 25 و مقدار σ برابر 5.0 قرار داده شد. ما زمانیکه الگوریتم Criminisi اجرا می شود، عبارت داده را از طریق را با توجه به فرمول های ارائه شده بوسیله ی سایر محققین، بدست آورده ایم.ما از الگوریتم ها در موارد از حذف چیزهای مسدود (occluding object) ، تکمیل بلوک گم شده، حذف شی مشخص و حذف خراش(scratch) استفاده می کنیم. نتایج در شکل 3 تا 9 نشان داده شده است. برای اینکه جزئیات را بهتر ببیند، ما نواحی آسیب دیده را از شکل 5 تا 9 استخراج کردیم و آنها را در شکل 10 نشان دادیم. مقدار PSNR مربوط به برخی از موارد آزمون برای مراجعه فراهم شد. توجه داشته باشید که در حال حاضر در بسیاری از موارد، معلوم شده است که مقدار PSNR، یک شاخص دقیق از کیفیت ترمیم تصویر هدف نیست.
A. محاسبه ی زمان
محاسبه ی زمان برای همه ی الگوریتم ها در هفت برنامه ترمیم در جدول 1 لیست شده است. از آنجا که BSCB روش ترمیم پیکسل به پیکسل مبتنی بر PDE مرتبه بالا اتخاذ کرد، کند ترین الگوریتم بین این پنج الگوریتم است. پس از محاسبه ی اولویت قطعه، الگوریتم Criminisi تصویر را بر طبق بلوک پیکسل ترمیم می کند.، در نتیجه به کارایی بالاتری دست می یابد. الگوریتم وانگ بر اساس رویکرد Criminisi است اما نیاز به پیدا کردن قطعه های کاندید و محاسبه وزن خود دارد در نتیجه این الگوریتم بسیار پایین تر است.روش Xu شباهت قطعه فعلی را با قطعه های همسایه خود محاسبه می کند. چه چیزی بدتر است، این الگوریتم همچنین وزن قطعات کاندید را محاسبه می کند، بنابراین این الگوریتم کمی سریعتر از الگوریتم BSCB است. روش پیشنهادی به طور کلی در مقایسه با سایر روش ها سریعتر اجرا می شود. این نتیجه ی فرمولاسیون مولتی رزولیشن پیشنهادی در این مقاله است، که در آن قطعه با بالاترین اولویت که ترمیم می شود می تواند به سرعت از تصویر با رزولوشن پایین بدست آید و قطعه ی معرفی آن می تواند تنها با جستجو میان یک همسایگی کوچک قطعه، به سرعت مشخص شود.
B.کیفیت ترمیم ادراکی
1). حذف چیزهای مسدود (occluding object)
دو نمونه از در شکل 3 و 4 ارائه شده است. ما می بینیم که بخشی از لبه مسدود تقریبا کاملا توسط الگوریتم پیشنهادی بهبود یافته، در حالی که نتایج الگوریتم های دیگر آثار مختلفی را نشان می دهد.2). تکمیل بلوک گم شده
شکل 5 و 6 عملکرد مقایسه الگوریتمها را در تکمیل بلوک گم شده نمایش می دهد. ما می بینیم که روش ارائه شده دوباره نتایجی تولید می کند که در میان آنها بهترین است، به ویژه در شکل 5 (به تصاویر نمای نزدیک در شکل 10 نگاه کنید). از لحاظ مقدار PSNR در نواحی تکمیلی، ما همچنین می بینیم که هزینه ی روش پیشنهادی در مقایسه با روشهای دیگر بسیار خوب است.
3).حذف شی مشخص
شکل 7 و 8 نمونه هایی از حذف شی مشخص هستند. ما در شکل 7 می بینیم که نتیجه ی BSCB بدتر از بقیه است. در نتایج حاصل از الگوریتم Criminisi، قطعات ترمیمی همیشه سازگار با بافت های اطراف نیستند. در الگوریتم Xu ، قطعه توسط ترکیب پراکنده از قطعات کاندید حدس(استنباط) زده می شود، نتیجه نیز تا حدودی مبهم است. الگوریتم پیشنهادی نتایجی تولید می کند که در مقایسه با روش های دیگر بهترین است. در شکل 8، الگوریتم BSCB خراش سفید تولید می کند. در نتایج Criminisi، وانگ و Xu، ساختار ناخواسته در تصویر ترمیمی مشاهده می شود، و الگوریتم پیشنهادی ناحیه ی گم شده را بهتر ترمیم می کند.4). از حذف خراش(scratch)
شکل 9 نمونه ای از حذف خراش را ارائه می کند. برای ناحیه ی خراش، الگوریتم های BSCB و وانگ اثر ماتی تولید می کند. دلایل آن این است که در الگوریتم BSCB از انتشار و در الگوریتم وانگ از ترکیب خطی قطعات کاندید برای معرفی استفاده شد. در الگوریتم قبل، مقدار پیکسل همسایه برای تشکیل دادن مقدار پیکسل ترمیمی منتشر شد، که حدودا یک فرایند فیلترینگ پایین گذر است، بنابراین تصویر مات تولید کرد. در الگوریتم دوم، معمولا قطعات کاندیدای مختلف حاوی تصویر مقیاس بزرگ مشابه است ، بجز اطلاعات تصویر در مقیاس های کوچک با شدت های مختلف، به ویژه در ناحیه ی بافت نازک. هنگامیکه این قطعات به صورت خطی ترکیب شوند، تصویر ترمیمی نهایی مات خواهد شد. در مقابل الگوریتم پیشنهادی برای جلوگیری از میانگین موفقیت، از معرف قطعه پراکنده استفاده می کند، بنابراین نتیجه ی بهتری تولید می کند. توجه داشته باشید که (b) و (d) دارای مقادیر بالایی از PSNR می باشند. این می تواند گمراه کننده باشد. از اینرو مقدار PSNR مقیاس خوبی برای مقایسه س شباهت بافت نیست. ما می بینیم که روش پیشنهادی باز هم یکی از بهترین کیفیت ادراکی را تولید می کند.
نتیجه گیری
در این مقاله ما یک چارچوب جدید برای ترمیم تصویر با استفاده از مولتی رزولیشن پیشنهاد کردیم. در این چارچوب ، فرآیند ترمیم یک تصویر ورودی از طریق هرم تصویر معرفی آن انجام شده است. در این هرم، تصویر با رزولوشن پایین می تواند ابتدا با دقت و با سرعت بالا ترمیم شود. سپس زمانیکه این تصویر ترمیم شد، اطلاعات در این تصویر ترمیمی به تصویر با رزولوشن بالاتر پاس داده می شود تا زمانیکه تصویر اصلی ترمیم شود. مزایای استفاده از چارچوب پیشنهادی شامل کیفیت بهتر ادراکی، سرعت بیشتر و تطابق بهتر با روند درک دید انسان، که توسط نتایج تجربی تایید شد.استفاده از مطالب این مقاله، با ذکر منبع راسخون، بلامانع می باشد.
/ج
