Superresolución de imágenes basado en la transformada wavelet bidimensional

Raúl Jair  Osorno-Ortiz; Volodymyr  Ponomaryov; Rogelio Reyes-Reyes; Clara  Cruz-Ramos

doi:10.29057/icbi.v11iEspecial2.10700

Raúl Jair Osorno-Ortiz Instituto Politécnico Nacional https://orcid.org/0009-0000-5537-653X
Volodymyr Ponomaryov Instituto Politécnico Nacional https://orcid.org/0000-0003-4477-4676
Rogelio Reyes-Reyes Instituto Politécnico Nacional https://orcid.org/0000-0001-5506-6611
Clara Cruz-Ramos Instituto Politécnico Nacional https://orcid.org/0000-0001-6050-5885

DOI: https://doi.org/10.29057/icbi.v11iEspecial2.10700

Palabras clave: Transformada Discreta Wavelet (DWT), interpolación, extracción de bordes, super resolución

Resumen

La superresolución (SR) es una técnica diseñada para aumentar la resolución espacial de una imagen digital de baja resolución (LR). A diferencia de los algoritmos basados en métodos de interpolación como método principal, los cuales en su mayoría tienden a deformar los bordes o producen imágenes con bordes irregulares; en este artículo se propone un algoritmo que preserva los bordes de la imagen original mediante los métodos de interpolación entre las sub-bandas de detalles obtenidas por medio de la Transformada Discreta Wavelet (DWT). Se realiza la descomposición wavelet utilizando tres diferentes familias: Daubechies, Symlet y Coiflet. Finalmente, todas las imágenes de sub-banda interpoladas se combinan para la generación de la imagen SR. Los resultados obtenidos demuestran un buen desempeño de acuerdo con las métricas objetivas: tiempo de ejecución, SSIM y PSNR (1.669 seg., 0.8908 y 30.61 dB respectivamente para imágenes con una superresolución de 4080x2712) y en términos subjetivos medidos por medio de la percepción visual humana de diferentes imágenes.

Descargas

La descarga de datos todavía no está disponible.

Citas

Tamrakar, A. & Ortega, A. (2005). Base de datos de imágenes USC-SIPI. https://sipi.usc.edu/database/

Bhatt, U., Singh, A., Bhadauria, H. S., & Kumar, M. (2016). Image super resolution based on discrete and stationary wavelet transform using canny edge extraction and non local mean. In 2016 International Conference on Inventive Computation Technologies (ICICT) (Vol. 3, pp. 1-5). IEEE. https://doi.org/10.1109/inventive.2016.7830216.

Chavez-Roman, H., Ponomaryov, V., & Peralta-Fabi, R. (2012). Image super resolution using interpolation and edge extraction in wavelet transform space. In 2012 9th International Conference on Electrical Engineering, Computing Science and Automatic Control (CCE) (pp. 1-6). IEEE. https://doi.org/10.1109/ICEEE.2012.6421202.

Agustsson, E., & Timofte, R. (2017). Ntire 2017 challenge on single image super-resolution: Dataset and study. In Proceedings of the IEEE conference on computer vision and pattern recognition workshops (pp. 126-135).

Pappas, T. N., Safranek, R. J., & Chen, J. (2000). Perceptual criteria for image quality evaluation. Handbook of image and video processing, 110.

Sowmya, K. (2016). Single image super resolution with wavelet domain transformation and sparse representation. International Journal of Innovative Research in Computer Science & Technology (IJIRCST), 4.

Wang, Z., Bovik, A. C., Sheikh, H. R., & Simoncelli, E. P. (2004). Image quality assessment: from error visibility to structural similarity. IEEE transactions on image processing, 13(4). https://doi.org/600-612. 10.1109/TIP.2003.819861