فرا تفکیک پذیری تصویر با انتخاب حوزه ی تنکِ مبتنی بر پایه ی گروه به شکل وفقی

همواری محلی و خودشباهتی غیرمحلی، دو تا از مهم ترین پیش فرض ها برای حل مساله فرا تفکیک پذیری تصویر می باشند. با وجود اینکه نمایش تنک به خوبی برای توصیف همواری محلی در تصویرهای طبیعی استفاده می شود، نادیده گرفتن همبستگی بین ضرایب نمایش تنک بلوک های مشابهِ هم می تواند منجر به ضرایب تنک غیر دقیق گردد. در این مقاله مدلی برای نمایش تنک بلوک ها پیشنهاد می کنیم که از تلفیق همواری محلی و خودشباهتی غیرمحلی در یک چارچوب یکپارچه به دست می آید. این مدل، انتخاب حوزه ی تنک مبتنی بر پایه ی گروه به شکل وفقی نامیده می شود. بلوک های غیرمحلی با ساختار مشابه به صورت ماتریس، به عنوان واحد پایه نمایش تنک، به نام گروه، استخراج می شوند. برای نمایش تنک این گروه ها، آنها را به بردارهای ستونی تبدیل کرده و هر ستون، بهترین واژه نامه ای را که از اعمال تبدیل pca برای گروه های داده های آموزشی به دست آمده اند، انتخاب می کند. فرآیند نمایش تنک هر ستون در حوزه ی گروه به یافتن بردارهای تنکی منجر می شود که با انتخاب واژه نامه های متعامد می توانند به سادگی تخمین زده شوند. برای بهبود بیشتر کارایی نمایش تنک مبتنی بر گروه، از عبارت تنظیم غیر محلی نیز استفاده می شود. نتایج آزمایشها بر روی تصویرهای آزمایشی استاندارد، برتری روش پیشنهادی را نسبت به برخی از مهم ترین روشهای متعارف با معیارهای psnr و ssim نشان می دهد.

Single Image Super Resolution Via Adaptive Group-based Sparse Domain Selection

Local smoothness and nonlocal selfsimilarity of natural images are two main priors in single image super resolution (SISR) problem. Although local sparsity is efficiently utilized to describe the local smoothness, but ignoring the correlation between the sparse representation coefficients of similar patches can lead to inaccurate sparse coding coefficients. In this paper, we propose the method that enforce the local smoothness and nonlocal selfsimilarity by sparse representation in a unified framework, called adaptive groupbased sparse domain selection (AGSDS). Nonlocal patches with similar structures are exploited and stacked in the form of matrix as the basic unit of sparse representation called group. These groups are converted into a column vector, each column selects the best fitted PCA sub dictionary which is learned from the training data. The sparse coding process for each column in the domain of group leads to find sparse vectors which can be easily estimated by the selected orthogonal sub dictionaries. To further improve the performance of the groupbased sparse representation, we use nonlocal means regularization term. Extensive experimental results validate the effectiveness of the proposed method comparing with the stateof theart algorithms.