بهبود فراتفکیک پذیری تصویر بر پایه رگرسیون محلی و میانگین غیرمحلی

لگوریتم های فراتفکیک پذیری هنوز هم به دلیل پایین بودن وضوح و کیفیت، دچار ضعف هستند. دلیل آن محدودیت های موجود و هزینه زیادِ پیاده سازیِ سخت افزاری است، بنابراین از روش های نرم افزاری مانند فراتفکیک‌پذیری استفاده می گردد. منظور از فراتفکیک‌پذیری، بالا بردن تعداد پیکسل های یک تصویر در واحد سطح است. از فراتفکیک‌پذیری در کاربردهای مختلفی ازجمله تصاویر ماهواره ای، پزشکی، دوربین-های مداربسته و غیره استفاده می گردد. فراتفکیک‌پذیری به دو دسته اصلی فراتفکیک‌پذیری با استفاده از یک تصویرِ ورودی و فراتفکیک‌پذیری با استفاده از چند تصویرِ ورودی تقسیم می گردد. با توجه به کاربرد فراوان موضوع، این مقاله روشی را برای افزایش دقت تفکیک پذیری با استفاده از یک تصویر ورودی ارائه می دهد. در روش ارائه شده، به بهبود فراتفکیک‌پذیریِ تصویر بر پایه رگرسیون محلی و میانگینِ غیرمحلی می پردازیم. روش پیشنهادی شامل یک مرحله یادگیری و یک مرحله بازسازی است. پس از پیاده سازی اولیه، نتیجه را با نتیجه ی یک روش سریع و دقیق مقایسه می کنیم و تفاوت های آن ها را محاسبه می کنیم. سپس با استفاده از یک الگوریتم وراثتی این تفاوت ها را به تصویر اولیه اعمال می کنیم. نتایج پیاده سازی، حکایت از بهتر بودن روش پیشنهادی نسبت به سایر روش ها دارد. مقدار متوسط ssim را حدود یک درصد و مقدار متوسط psnr را حدود 6/0 دسی بل نسبت به روش های raisr و lanr-nlm بهبود دادیم.