فراتفکیک‌پذیری تک تصویر مقاوم در برابر نویز به کمک نمایش تنک تطبیقی

فراتفکیک پذیری تک تصویر در حضور نویز و اطلاعات ناکامل صحنه، یکی از مسائل چالش برانگیز در پردازش تصویر است. در این مقاله، یک الگوریتم فراتفکیک پذیری تک تصویر مقاوم و تطبیقی مبتنی بر نمایش تنک ارائه شده است که بدون نیاز به آگاهی از شدت یا نوع نویز، قابلیت بازیابی تصاویر با وضوح بالا را دارد. در روش پیشنهادی، با تخمین پارامترهای آماری گرادیان تصویر، آستانه تطبیقی به صورت خودکار تعیین و در فرآیند استخراج ضرایب تنک برای هر بخش از تصویر اعمال می شود. الگوریتم با طراحی دیکشنری بر مبنای تصویر ورودی و اعمال قید حفظ لبه و تشابه غیرمحلی، ضمن افزایش وضوح، پایداری ادراکی و ساختاری تصویر را نیز حفظ می کند. نتایج شبیه سازی روی تصاویر مرجع با انواع نویز (گوسی، رایلی و یکنواخت) و در مقایسه با روش های پیشرفته مبتنی بر شبکه های عمیق و نمایش تنک نشان می دهد که روش پیشنهادی به طور متوسط موجب افزایش شاخص psnr و بهبود امتیاز فراتفکیک پذیری تک تصویر مقاوم در شرایط نویزی نسبت به روش های رایج شده و تحت سطوح مختلف نویز عملکرد پایدارتری ارائه می دهد. حذف کامل نیاز به تصاویر با کیفیت بالای خارجی برای آموزش و تنظیم خودکار پارامترها بر اساس ویژگی های آماری تصویر ورودی، این الگوریتم را برای کاربردهای دنیای واقعی با داده محدود، مانند تصاویر پزشکی، سنجش از دور و سامانه های کم داده به طور خاص مناسب می سازد.

noise-resistant single-image super-resolution using adaptive sparse representation

practically،single-image super-resolution (sisr) in the presence of noise and incomplete scene information poses a major challenge in image processing. this paper presents a robust and adaptive sisr algorithm based on sparse representation that recovers high-resolution images without prior knowledge of noise type or intensity. the proposed method automatically determines an adaptive threshold using statistical gradient parameters of the input image،applied during sparse coefficient extraction for each image patch. by designing a dynamic dictionary from the input image and enforcing edge-preserving and non-local similarity constraints،the algorithm enhances sharpness while maintaining perceptual and structural stability. simulation results on benchmark images with gaussian،rayleigh،and uniform noise،compared to advanced deep network and sparse methods،demonstrate average improvements in psnr and ssim under noisy conditions،with superior stability across noise levels. the elimination of external hr images and input-adaptive tuning make it suitable for real-world applications،particularly low-data systems،medical imaging and remote sensing.