Реставрація зображень методом super-resolution з використанням згорткових нейронних мереж
Abstract
Головна мета методу супер роздільної здатності (super-resolution) полягає у створенні зображення більш високої роздільної здатності з зображень нижчої роздільної здатності. Зображення високої роздільної здатності забезпечують високу щільність пікселів, отже, більше деталей на вихідному зображені. Необхідність високої роздільної здатності широко поширена у методах комп'ютерного зору, в програмах для розпізнавання образів або звичайного аналізу зображень. Проте зображення високої роздільної здатності не завжди є доступними. Це пов'язано з тим, що процеси перетворення та методи для обробки вимагають надпотужних процесів, тому і обладнання для отримання зображень високої роздільної здатності виявляється дорогим. Ці проблеми можуть бути подолані за допомогою алгоритмів обробки зображень, які є відносно недорогими, що призвело до появи концепції надрозв'язання. Це дає перевагу, тому що може коштувати дешевше, а існуючі системи візуалізації з низькою роздільною здатністю є достатньо доступними. Висока роздільна здатність має велике значення у медичній візуалізації для діагностики. Багато програм вимагають масштабування конкретної області зображення, при цьому висока роздільна здатність стає необхідною, наприклад, для спостереження, криміналістики та супутникової візуалізації. Наведений в роботі метод з використанням згорткової нейронної мережі для відтворення зображень супер роздільної здатності напряму виконує перетворення з низького зображення на зображення подібне до оригіналу. Щоб прискорити час виходу, запропонований метод виконує більшість обчислювальних операцій у просторі з низьким дозволом та при цьому зменшення дискретизації не призводить до втрати інформації. Головна задача роботи нейронної мережі полягає в реконструкції спотвореного зображення та пошуку ідеальної функції відтворення, по якій, власне, нейронна мережа простої структури створює якісні зображення з кращими показниками, таким як роздільна здатність, співвідношення сигнал/шум, менші часові витрати на відновлення зображення. Під час експеременту було визначено алгоритм, по якому запропонована нейронна мережа може реконструювати будь-яке зображення, з різними видами спотворень. Метод super-resolution був реалізований з використанням мови програмування python 3.6 та програмних модулів для згорткових нейронних мереж tensorflow та tensorlayer. Графічні данні співвідношення сигнал/шум, структурної подібності та графіки втрат були отриманні за допомогою модулю tensorboardX.
Keywords
