O uso do SSIM como critério de convergência em abordagens Bayesianas variacionais de superresolução multiframe

Detalhes bibliográficos
Autor(a) principal: Nascimento, Thais Pedruzzi do
Data de Publicação: 2015
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)
Texto Completo: http://repositorio.ufes.br/handle/10/9659
Resumo: Multiframe Superresolution is a technique that generates one high resolution image from several lower resolution images. Different SR methods attempt to implement superresolution successfully. Some of them use bayesian approaches and are based on `2-norm or `1-norm. The estimated high resolution image is obtained, in general, by running an iterative algorithm that usually uses MSE (Mean Squared Error) as its convergence criteria. However, MSE does not consider the image’s structural characteristics that are perceived by the human eye. The structural similarity index method (SSIM), on the other hand, uses such characteristics, and luminance and contrast as well, to quantify the differences between the image estimated by superresolution and the original high resolution one. Therefore, in this work, we propose the use of SSIM as an error metrics to lead the iterative adjustment process to obtain the high resolution image, in order to explore in a better way, the gains obtained from a priori functions that preserve edges and structural details. In this regard, we have compared results from different variational Bayesian methods by changing the convergence criteria from MSE to SSIM. A set of experiments were proposed and the results showed that, in addition to the improvement of the quality image assessment, there was an improvement on the execution time of the algorithms.
id UFES_4e28b67648ab146ac14f428e2a8b4b69
oai_identifier_str oai:repositorio.ufes.br:10/9659
network_acronym_str UFES
network_name_str Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)
repository_id_str 2108
spelling Salles, Evandro Ottoni TeatiniNascimento, Thais Pedruzzi doCôco, Klaus FabianCamponez, Marcelo OliveiraMascarenhas, Nelson Delfino D' Avila2018-08-02T00:01:08Z2018-08-012018-08-02T00:01:08Z2015-10-09Multiframe Superresolution is a technique that generates one high resolution image from several lower resolution images. Different SR methods attempt to implement superresolution successfully. Some of them use bayesian approaches and are based on `2-norm or `1-norm. The estimated high resolution image is obtained, in general, by running an iterative algorithm that usually uses MSE (Mean Squared Error) as its convergence criteria. However, MSE does not consider the image’s structural characteristics that are perceived by the human eye. The structural similarity index method (SSIM), on the other hand, uses such characteristics, and luminance and contrast as well, to quantify the differences between the image estimated by superresolution and the original high resolution one. Therefore, in this work, we propose the use of SSIM as an error metrics to lead the iterative adjustment process to obtain the high resolution image, in order to explore in a better way, the gains obtained from a priori functions that preserve edges and structural details. In this regard, we have compared results from different variational Bayesian methods by changing the convergence criteria from MSE to SSIM. A set of experiments were proposed and the results showed that, in addition to the improvement of the quality image assessment, there was an improvement on the execution time of the algorithms.Superresolução multiframe (SR multiframe) é uma técnica que gera uma imagem de alta resolução a partir de várias imagens de baixa resolução. Diferentes métodos foram desenvolvidos com o objetivo de implementar tal técnica com sucesso. Alguns desses utilizam abordagens bayesianas e podem ser baseados em norma-l1 ou norma-l2 . A imagem de alta resolução a ser encontrada é, via de regra, obtida pela execução de um algoritmo iterativo que geralmente usa como critério de parada o erro médio quadrático (MSE ou Mean Square Error). Entretanto, o MSE não considera algumas características das imagens, que são percebidas pelo olho humano. Por outro lado, a métrica SSIM (Structural Similarity Index Method), usa características estruturais, de luminância e contraste para quantificar a diferença entre duas imagens que, no nosso caso, são a imagem estimada pelo algoritmo de superresolução e a original, de alta resolução. Assim sendo, nesse trabalho propõe-se o uso de SSIM como métrica de erro para conduzir o processo de ajuste iterativo na obtenção da imagem de alta resolução, de forma a explorar melhor os ganhos obtidos a partir de distribuições a priori que preservam bordas e outros detalhes estruturais. Para isso, comparou-se os resultados de diferentes métodos bayesianos variacionais de SR alterando-se o critério de convergência de MSE para SSIM. Uma bateria de testes foi proposta e os resultados mostraram que além da melhoria na avaliação final da imagem, houve uma melhoria no tempo de execução dos algoritmos.Texthttp://repositorio.ufes.br/handle/10/9659porUniversidade Federal do Espírito SantoMestrado em Engenharia ElétricaPrograma de Pós-Graduação em Engenharia ElétricaUFESBRCentro TecnológicoSuper-resoluçãoÍndice de similaridade estrutural (SSIM)Variação total (Matemática)Critério de ConvergênciaProcessamento de imagensMétodos iterativos (Matemática)Engenharia Elétrica621.3O uso do SSIM como critério de convergência em abordagens Bayesianas variacionais de superresolução multiframeinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)instname:Universidade Federal do Espírito Santo (UFES)instacron:UFESORIGINALtese_8234_Dissertação_ThaisPedruzzidoNascimento.pdfapplication/pdf3907681http://repositorio.ufes.br/bitstreams/ab623148-94f2-4327-814e-e9f7c9073186/downloadef324458cfeef7bcc211220330c07171MD5110/96592024-07-17 17:01:26.843oai:repositorio.ufes.br:10/9659http://repositorio.ufes.brRepositório InstitucionalPUBhttp://repositorio.ufes.br/oai/requestopendoar:21082024-10-15T17:57:18.989319Repositório Institucional da Universidade Federal do Espírito Santo (riUfes) - Universidade Federal do Espírito Santo (UFES)false
dc.title.none.fl_str_mv O uso do SSIM como critério de convergência em abordagens Bayesianas variacionais de superresolução multiframe
title O uso do SSIM como critério de convergência em abordagens Bayesianas variacionais de superresolução multiframe
spellingShingle O uso do SSIM como critério de convergência em abordagens Bayesianas variacionais de superresolução multiframe
Nascimento, Thais Pedruzzi do
Super-resolução
Índice de similaridade estrutural (SSIM)
Variação total (Matemática)
Critério de Convergência
Engenharia Elétrica
Processamento de imagens
Métodos iterativos (Matemática)
621.3
title_short O uso do SSIM como critério de convergência em abordagens Bayesianas variacionais de superresolução multiframe
title_full O uso do SSIM como critério de convergência em abordagens Bayesianas variacionais de superresolução multiframe
title_fullStr O uso do SSIM como critério de convergência em abordagens Bayesianas variacionais de superresolução multiframe
title_full_unstemmed O uso do SSIM como critério de convergência em abordagens Bayesianas variacionais de superresolução multiframe
title_sort O uso do SSIM como critério de convergência em abordagens Bayesianas variacionais de superresolução multiframe
author Nascimento, Thais Pedruzzi do
author_facet Nascimento, Thais Pedruzzi do
author_role author
dc.contributor.advisor1.fl_str_mv Salles, Evandro Ottoni Teatini
dc.contributor.author.fl_str_mv Nascimento, Thais Pedruzzi do
dc.contributor.referee1.fl_str_mv Côco, Klaus Fabian
dc.contributor.referee2.fl_str_mv Camponez, Marcelo Oliveira
dc.contributor.referee3.fl_str_mv Mascarenhas, Nelson Delfino D' Avila
contributor_str_mv Salles, Evandro Ottoni Teatini
Côco, Klaus Fabian
Camponez, Marcelo Oliveira
Mascarenhas, Nelson Delfino D' Avila
dc.subject.por.fl_str_mv Super-resolução
Índice de similaridade estrutural (SSIM)
Variação total (Matemática)
Critério de Convergência
topic Super-resolução
Índice de similaridade estrutural (SSIM)
Variação total (Matemática)
Critério de Convergência
Engenharia Elétrica
Processamento de imagens
Métodos iterativos (Matemática)
621.3
dc.subject.cnpq.fl_str_mv Engenharia Elétrica
dc.subject.br-rjbn.none.fl_str_mv Processamento de imagens
Métodos iterativos (Matemática)
dc.subject.udc.none.fl_str_mv 621.3
description Multiframe Superresolution is a technique that generates one high resolution image from several lower resolution images. Different SR methods attempt to implement superresolution successfully. Some of them use bayesian approaches and are based on `2-norm or `1-norm. The estimated high resolution image is obtained, in general, by running an iterative algorithm that usually uses MSE (Mean Squared Error) as its convergence criteria. However, MSE does not consider the image’s structural characteristics that are perceived by the human eye. The structural similarity index method (SSIM), on the other hand, uses such characteristics, and luminance and contrast as well, to quantify the differences between the image estimated by superresolution and the original high resolution one. Therefore, in this work, we propose the use of SSIM as an error metrics to lead the iterative adjustment process to obtain the high resolution image, in order to explore in a better way, the gains obtained from a priori functions that preserve edges and structural details. In this regard, we have compared results from different variational Bayesian methods by changing the convergence criteria from MSE to SSIM. A set of experiments were proposed and the results showed that, in addition to the improvement of the quality image assessment, there was an improvement on the execution time of the algorithms.
publishDate 2015
dc.date.issued.fl_str_mv 2015-10-09
dc.date.accessioned.fl_str_mv 2018-08-02T00:01:08Z
dc.date.available.fl_str_mv 2018-08-01
2018-08-02T00:01:08Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://repositorio.ufes.br/handle/10/9659
url http://repositorio.ufes.br/handle/10/9659
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv Text
dc.publisher.none.fl_str_mv Universidade Federal do Espírito Santo
Mestrado em Engenharia Elétrica
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Engenharia Elétrica
dc.publisher.initials.fl_str_mv UFES
dc.publisher.country.fl_str_mv BR
dc.publisher.department.fl_str_mv Centro Tecnológico
publisher.none.fl_str_mv Universidade Federal do Espírito Santo
Mestrado em Engenharia Elétrica
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)
instname:Universidade Federal do Espírito Santo (UFES)
instacron:UFES
instname_str Universidade Federal do Espírito Santo (UFES)
instacron_str UFES
institution UFES
reponame_str Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)
collection Repositório Institucional da Universidade Federal do Espírito Santo (riUfes)
bitstream.url.fl_str_mv http://repositorio.ufes.br/bitstreams/ab623148-94f2-4327-814e-e9f7c9073186/download
bitstream.checksum.fl_str_mv ef324458cfeef7bcc211220330c07171
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da Universidade Federal do Espírito Santo (riUfes) - Universidade Federal do Espírito Santo (UFES)
repository.mail.fl_str_mv
_version_ 1813022541672873984