Upload
trannhi
View
213
Download
0
Embed Size (px)
Citation preview
Avaliação de Interpoladores para Super-Resolução de Vídeos
Ana Carolina Correia Rézio Hélio Pedrini
Instituto de Computação - Universidade Estadual de Campinas
Campinas, SP, Brasil, 13084-971
Resumo
Atualmente, há uma crescente demanda por imagens de
alta resolução em diversos domínios de conhecimento, como
sensoriamento remoto, medicina, automação industrial, mi-
croscopia, entre outras. Imagens de alta resolução forne-
cem detalhes que são importantes para as tarefas de aná-
lise e visualização dos dados presentes nas imagens. Entre-
tanto, devido ainda ao custo elevado dos sensores de alta
precisão e às limitações existentes para redução do tama-
nho dos pixels das imagens encontradas no próprio sensor,
as imagens de alta resolução têm sido adquiridas a partir
de métodos de super-resolução. Alguns métodos de super-
resolução utilizam técnicas de reamostragem. Este trabalho
apresenta uma análise comparativa entre diferentes interpo-
ladores para super-resolução de vídeos a partir de avaliação
qualitativa e quantitativa.
1. Introdução
Em muitas aplicações, a análise de imagens realizada em
várias áreas tem associado um problema em comum. Algu-
mas imagens sofrem um processo de degradação de sua qua-
lidade (imagens em baixa resolução) devido a alguns fatores
como aberrações das lentes, focalização incorreta, desloca-
mento do sensor durante a aquisição, deslocamento do ob-
jeto, deficiência ou excesso de iluminação [4]. Estes fatores
dificultam a segmentação de regiões e a visualização precisa
de detalhes presentes nas imagens. Em algumas aplicações,
envolvendo principalmente as áreas de monitoramento, me-
dicina, geologia e astronomia, o uso de imagens de alta reso-
lução espacial é imprescindível [13].
Algumas técnicas possibilitam aumentar a resolução es-
pacial de um sistema de imagem, as quais recebem o nome
de super-resolução (SR). Atualmente, a SR é um tópico de
pesquisa de interesse crescente nas áreas de visão computa-
cional, análise e processamento de imagens e sensoriamente
remoto. Ela permite superar as limitações inerentes aos sis-
temas de imagem no que se refere à resolução espacial e au-
mentar o desempenho de inúmeras aplicações de processa-
mento digital de imagens. Seu objetivo é melhorar a resolu-
ção espacial e, com isso, não apenas deixar uma visão mais
agradável ao observador, mas também melhorar a precisão
na análise e na interpretação das imagens, preservando as in-
formações originais sem acrescentar artefatos à imagem re-
sultante [3].
A SR normalmente utiliza um conjunto de observações de
imagens em baixa resolução ou de quadros numa sequência
de vídeo para gerar uma ou várias imagens em alta resolu-
ção. As técnicas de SR para uma única imagem são baseadas
na utilização de informação sobre o comportamento espacial
das imagens de alta resolução. Conforme Schultz e Steven-
son [10], essas técnicas, muitas vezes conhecidas como me-
lhoramento ou realce de imagens, utilizam modelos para pro-
dução de imagens de objetos com bordas bem nítidas.
As técnicas de SR que utilizam um conjunto de imagens
para recuperar detalhes das imagens em alta resolução as-
sumem que as imagens capturadas de baixa resolução (LR,
do inglês Low Resolution) têm grande similaridade entre si.
As informações que as diferenciam são mínimas, o que pos-
sibilita gerar nova informação para a recuperação dos deta-
lhes da imagem em alta resolução (HR, do inglês High Re-
solution) [7, 18]. Entretanto, a utilização de uma sequência
de imagens com movimento pode trazer algumas dificulda-
des. Isto ocorre devido aos erros que podem ser gerados na
estimativa de movimento ou aos objetos que aparecem em
uma imagem e desaparecem em outras. Nesses casos, para
que se possa aproveitar a informação do movimento de sub-
pixel, é necessário que o algoritmo utilizado para a super-
resolução seja robusto aos erros gerados na representação do
movimento [18].
Em muitas aplicações, sequências de imagens são de
baixa qualidade devido à falta de precisão de alguns senso-
res e às limitações existentes para redução do tamanho do pi-
xel causadas pelos ruídos inerentes ao próprio sensor. Além
disso, podem existir manchas (regiões de borramento) de
movimento que introduzem degradação significativa na ima-
gem [1]. Essas imagens de baixa qualidade dificultam o pro-
cesso de análise.
Em câmeras de vigilância utilizadas em ciência forense,
por exemplo, as imagens utilizadas para identificar crimino-
sos podem ter sido capturadas com baixa qualidade, o que
04-07 de Julho - FCT/UNESP - P. Prudente VI Workshop de Visão Computacional
126
dificulta o processo de interpretação das imagens. Com isso,
torna-se necessário o desenvolvimento de técnicas para au-
mentar a nitidez dos detalhes na imagem. Na medicina, al-
gumas imagens utilizadas para diagnosticar um paciente po-
dem apresentar ruídos ou regiões de borramento que dificul-
tam a realização de um diagnóstico preciso.
Este trabalho apresenta uma análise comparativa entre di-
ferentes métodos de interpolação para super-resolução de ví-
deos baseada na projeção em conjuntos convexos (POCS, do
inglês Projection Onto Convex Sets) [11, 12, 13]. A interpo-
lação é utilizada para produzir a grade de alta resolução no
algoritmo POCS. Amostras de vídeo são avaliadas qualita-
tiva e quantitativamente.
O texto está organizado como segue. A seção 2 descreve
trabalhos relacionados ao problema de super-resolução em
imagens e vídeos. A seção 3 apresenta a metodologia pro-
posta neste trabalho. Resultados experimentais são descritos
na seção 4 e as conclusões do trabalho são apresentadas na
seção 5.
2. Trabalhos Relacionados
A seguir são apresentados os resumos de algumas técni-
cas utilizadas em trabalhos relacionados à super-resolução.
Estes trabalhos foram classificados em métodos de super-
resolução aplicados em imagens e super-resolução aplicados
em vídeos.
2.1. Super-resolução em imagens
As implementações apresentadas em [18] são baseadas no
método de otimização do Gradiente Conjugado (GC) Não-
Linear, um método significativamente mais rápido do que o
método de Gradiente Descendente utilizado na maioria dos
trabalhos. A proposta foi implementada para três situações
distintas, nas quais duas delas são aplicadas em imagens:
• super-resolução de única imagem: algoritmos que utili-
zam uma única imagem em baixa resolução para pro-
duzir uma imagem em alta resolução. Com esta aborda-
gem, a imagem pode ser ampliada e as distorções cau-
sadas pela aquisição podem ser reduzidas, gerando uma
imagem com qualidade maior do que a imagem gerada
pela simples interpolação;
• super-resolução tradicional robusta: algoritmos, como
os apresentados em [7], que utilizam as informações
provenientes de várias imagens de uma mesma região
em baixa resolução para recuperar os detalhes e produ-
zir uma imagem em alta resolução.
Almeida e Tommaselli [4] utilizam uma sequência de ima-
gens da cena para melhorar a resolução de uma imagem. As
imagens são registradas para então serem retificadas em re-
lação a uma imagem de referência. Após a retificação, todas
as imagens reamostradas da sequência estão em um mesmo
sistema de coordenadas e resolução espacial aumentada, en-
tão executa-se o processo de fusão, gerando uma única ima-
gem. Este processo pode ser realizado por várias abordagens,
como o método da média aritmética entre os níveis de bri-
lho dos pixels e o método de minimização dos erros, a partir
de uma imagem de alta resolução inicial aproximada. Com
base nos resultados, observa-se que o método de minimiza-
ção de erros gera uma sensível suavização nas regiões de alta
frequência, como as bordas.
O algoritmo de super-resolução apresentado em [9]
baseia-se em amostras de treinamento para estimar deta-
lhes em altas frequências nas imagens reamostradas. Este
algoritmo é uma adaptação do método proposto por Free-
man et al. [6] para operar com a componente de luminância
Y do espaço de cores YUV e estimar as altas frequên-
cias perdidas no processo de reamostragem das imagens.
Os resultados são comparados com a abordagem que uti-
liza o espaço de cores RGB. O algoritmo proposto apre-
sentou vantagens devido à redução da dimensionalidade do
conjunto de amostras de treinamento, consequentemente, di-
minuindo o tempo computacional da aplicação.
O método de super-resolução utilizado em [13] é baseado
no método das projeções em conjuntos convexos (POCS),
modificado para utilizar um interpolador sinc, ao invés dos
interpoladores tradicionalmente utilizados, tais como vizinho
mais próximo, bilinear e convolução cúbica. A interpolação
sinc é utilizada para produzir a grade de alta resolução no al-
goritmo POCS. Este método utiliza a imagem de baixa reso-
lução para produzir, através de deslocamentos subpixels nas
linhas e colunas, uma outra imagem. O deslocamento tem
como objetivo minimizar os efeitos de aliasing e possibili-
tar a recuperação de novas informações para a imagem de
alta resolução. O método proposto apresenta adequada super-
resolução das imagens preservando a informação na maior
parte dos casos.
O método proposto em [2] aborda o problema de super-
resolução de uma única imagem. Dada uma imagem de baixa
resolução como entrada, o método a recupera em alta re-
solução usando um conjunto de modelos de treinamento.
Essa formulação assemelha-se a outros métodos baseados em
aprendizagem, no entanto, o método apresentado foi inspi-
rado no LLE (do inglês Locally Linear Embedding).
Patti e Altunbasak [7] propõem dois tipos de melhorias
nos métodos de reconstrução por super-resolução baseados
no POCS. Primeiro, a discretização do modelo de formação
de imagens contínuas é melhorada para explicitamente per-
mitir o uso de métodos de interpolação de alta ordem. Se-
gundo, os conjuntos de restrição são modificados para redu-
zir a quantidade de bordas presentes na imagem de alta reso-
lução estimada.
04-07 de Julho - FCT/UNESP - P. Prudente VI Workshop de Visão Computacional
127
2.2. Super-resolução em vídeos
Além das duas situações em que foi aplicado o método
baseado na otimização de Gradiente Conjugado (GC) Não-
Linear, proposto em [18] e descrito na seção 2.1, há uma im-
plementação para super-resolução em vídeos, em que toda
a sequência de imagens é utilizada para gerar outra sequên-
cia com resolução superior.
Silva [3] apresenta uma técnica de super-resolução não-
Bayesiana, inspirada em Freeman et al. [6], que utiliza
quadros-chaves em sequências de vídeo de resolução mista.
Na resolução mista, alguns quadros, chamados quadros-
chaves, possuem resolução normal e os outros possuem re-
solução reduzida e precisam ser super-resolvidos. Na técnica
descrita, a informação apresentada nos quadros-chaves é pro-
cessada para super-resolver os quadros não-chaves que foram
previamente subamostrados, desconsiderando treinamentos,
distribuições de probabilidade e envio de informações adici-
onais do codificador ao decodificador.
Elad e Feuer [5] apresentam o problema de reconstrução
de sequência de imagens de super-resolução a partir de uma
sequência de baixa resolução. Dois algoritmos iterativos são
apresentados como proposta para a solução deste problema,
o R-SD (Steepest Descent) e o R-LMS (Least Mean Squa-
res). Estes algoritmos assumem que as manchas (ou regiões
de borramento), a baixa resolução digital, a sequência de mo-
vimentos e os ruídos característicos são conhecidos.
Devido à baixa qualidade e à degradação significativa das
imagens, um desafio interessante é fundir muitas imagens em
uma de alta qualidade. Este foi o método proposto por Bascle
et al. [1]. Primeiro, um objeto de interesse é rastreado atra-
vés da sequência de imagens. Depois, a degradação das ima-
gens é modelada em termo de pixels amostrados, manchas de
desfoco (ou regiões de borramento) e de movimento. A mag-
nitude e a direção das regiões de movimento são estimadas
pelo monitoramento dos deslocamentos. Finalmente, a ima-
gem em alta resolução sem mancha é reconstruída.
Schultz e Stevenson [10] descrevem uma técnica para usar
informações temporais e espaciais em uma sequência de ima-
gens para criar um quadro único de vídeo de alta resolução.
A abordagem propõe um modelo de observação com base na
subamostragem de movimento compensado.
3. Método de Super-Resolução
A super-resolução tem como objetivo obter uma imagem
de melhor resolução espacial a partir de uma ou mais ima-
gens de menor resolução espacial. O método apresentado
neste artigo é baseado no algoritmo de projeções de con-
juntos convexos (POCS) [11, 12]. POCS é um método ite-
rativo que restringe a solução a conjuntos convexos fecha-
dos. O método é relativamente simples e utiliza modelo de
observação no domínio espacial. Deslocamentos efetuados
nas linhas e colunas da imagem original permitem a reamos-
tragem ou interpolação de pontos na nova grade criada. Há
vários métodos de interpolação disponíveis na literatura [8],
podendo-se destacar a interpolação pelo vizinho mais pró-
ximo, bilinear, bicúbica, spline e sinc.
O objetivo deste trabalho é realizar uma análise compa-
rativa entre diferentes métodos de interpolação, analisando-
se o impacto desses métodos no resultado final do algoritmo
POCS. A grade de alta resolução neste algoritmo é produ-
zida a partir dos interpoladores adotados.
O interpolador pelo vizinho mais próximo apresenta um
bom desempenho quanto à preservação do contraste e asse-
gura que o valor reamostrado seja um dos valores originais.
Este é um método simples e computacionalmente rápido em
relação aos outros métodos. Sua desvantagem consiste em
gerar distorções em detalhes finos e o efeito de serrilhado em
bordas retas da imagem.
O interpolador bilinear utiliza uma média ponderada de
distância dos quatro pixels vizinhos mais próximos para de-
terminar a intensidade do valor de cada pixel na imagem re-
sultante. Esta imagem apresenta suavização nas bordas e dis-
torção de fase, o que caracteriza um efeito de borramento.
As interpolações bicúbica e spline apresentam um número
de vizinhos maior do que o número de vizinhos da interpola-
ção bilinear a fim de obter uma estimativa mais suave do ní-
vel de cinza. A imagem resultante apresenta suavização das
bordas não tão acentuada, minimização da distorção das bor-
das retas e preservação dos detalhes finos da imagem.
A interpolação sinc é um método acurado para representar
sinais com um decaimento monotônico do espectro de suas
amostras [17]. Nele, um sinal contínuo a(x) é restaurado a
partir de suas amostras an que são tomadas com um intervalo
de amostragem ∆x pela interpolação com a função sinc.
3.1. Medidas para avaliação
Embora não exista um padrão definido para medidas de
qualidade em processamento de imagens, algumas métri-
cas podem ser empregadas na avaliação dos experimentos,
sendo divididas em objetivas e subjetivas. Para que seja pos-
sível realizar a avaliação da qualidade, utiliza-se uma ima-
gem de referência. No entanto, não existe uma imagem LR
do mesmo sensor com a mesma resolução espacial da ima-
gem HR no correspondente intervalo espectral da imagem
LR. Para realizar a avaliação, a imagem HR obtida no pro-
cesso de super-resolução por um interpolador específico é
comparada com a imagem LR reamostrada pelo mesmo in-
terpolador utilizado nesse processo. A comparação entre es-
sas duas imagens permitirá avaliar o impacto do interpolador
no resultado da super-resolução.
A avaliação visual da qualidade apresenta um caráter sub-
jetivo e permite analisar o resultado geral em relação à pre-
04-07 de Julho - FCT/UNESP - P. Prudente VI Workshop de Visão Computacional
128
servação das bordas e da informação espectral da imagem SR
em relação à LR.
A avaliação quantitativa é realizada a partir das seguin-
tes medidas estatísticas: coeficiente de correlação (CC), des-
vio médio (DM), diferença da variância (DV), desvio padrão
da imagem diferença (SDD), índice de medida universal da
qualidade (IQI), raiz do erro médio quadrático (RMSE) e ín-
dice de similaridade estrutural (SSIM).
3.1.1. Coeficiente de Correlação. O coeficiente de corre-
lação (CC) mensura a relação de dependência estatística en-
tre duas variáveis. Ele também tem como característica mos-
trar o grau de similaridade das pequenas estruturas na ima-
gem. Os valores do coeficiente situam-se no intervalo [-1:1]
e é definido como
CC =CLR HR
σLRσHR
(1)
em que σLR e σHR são os valores de desvio padrão das ima-
gens LR e HR, respectivamente. O valor CLR HR é a covari-
ância entre as imagens LR e HR, tal que seu valor é determi-
nado pela equação
σLR HR =1
MN
M−1∑
x=0
N−1∑
y=0
(HR(x, y) − µHR) .
(LR(x, y) − µLR)
(2)
em que µLR é a média da imagem LR e µHR é a média da
imagem HR; N e M são as dimensões das imagens; LR(x,y)
e HR(x,y) são valores para os pixels das imagens LR e HR,
respectivamente, na coordenada (x, y).A análise de correlação entre as imagens é um critério que
será utilizado para estimar a qualidade da informação espec-
tral da imagem de alta resolução HR em relação à da imagem
de baixa resolução LR. O valor ideal é 1.
3.1.2. Desvio Médio. O desvio médio (DM) corresponde à
diferença entre as médias das imagens LR e HR, expresso
como
DM =µLR − µHR
µLR
(3)
em que µLR é a média da imagem LR e µHR é a média da
imagem HR. O valor ideal é zero.
3.1.3. Diferença da Variância. A diferença da variância
(DV), expressa na equação 4, corresponde à relação entre va-
riâncias das imagens LR e HR. Ela indica a quantidade de in-
formação adicionada ou perdida durante o cálculo da super-
resolução (SR). Um valor positivo indica perda de informa-
ção e um valor negativo indica que alguma informação foi
adicionada. Na SR, seu valor ideal corresponde a um valor
negativo próximo de zero.
DV =σ2
LR − σ2
HR
σ2
LR
(4)
em que σ2
LR e σ2
R são as variâncias das imagens LR e HR, res-
pectivamente.
3.1.4. Desvio Padrão da Imagem Diferença. O desvio pa-
drão da imagem diferença (SDD), dada pela equação 5, é a
relação entre a diferença dos valores de desvio padrão das
imagens LR e HR e a média da imagem LR. Segundo [14],
a medida indica o nível de erro nos pixels da imagem resul-
tante. Seu valor ideal é zero.
SDD =σLR − σHR
µLR
(5)
3.1.5. Índice de Medida Universal da Qualidade. O ín-
dice de medida universal da qualidade (IQI), proposto por
Wang e Bovik [15], leva em conta três fatores, perda de cor-
relação, distorção de luminância e distorção de contraste. O
IQI é definido como
IQI =σLR HR
σLRσHR
.2µLRµHR
(µLR)2 + (µLR)2.2σLRσHR
σ2
LRσ2
HR
(6)
em que σLR HR é a covariância das imagens LR e HR.
3.1.6. Raiz do Erro Médio Quadrático. A raiz do erro
médio quadrático (RMSE) indica o grau de similaridade en-
tre as imagens LR e HR, dada pela raiz quadrada da soma
do quadrado das diferenças de cada ponto das imagens LR e
HR. O valor ideal é zero. O RMSE pode ser definido como
RMSE =√
DM2 + SDD2 (7)
3.1.7. Índice de Similaridade Estrutural. O índice de si-
milaridade estrutural (SSIM), proposto por [16], indica a si-
milaridade entre duas imagens. Este método leva em conta a
imagem de referência com a qual a imagem resultante será
comparada. O SSIM mede a qualidade comparando-se as
correlações locais em luminância, contraste e estrutura entre
a imagem de referência e a imagem a ser avaliada. O SSIM é
dado por
SSIM = l(x, y) c(x, y) s(x, y) =(2µLRµHR + C1)
(µ2
LR + µ2
HR + C1)(2σLRσHR + C2)
(σ2
LR + σ2
HR + C2)
(σLR HR + C3)
(σLRσHR + C3)
(8)
em que l(x, y) é a luminância local da imagem, c(x, y) é o
contraste, s(x, y) é a correlação estrutural. As constantes C1
e C2 são utilizadas para estabilizar a equação quando (µ2
LR +µ2
HR) e (σ2
LRσ2
HR) estão próximos de zero. Como sugerido por
Wang et al. [16], utilizou-se C1 = 0, 01, C2 = 0, 03 e C3 =C2/2.
4. Resultados Experimentais
Algumas técnicas de interpolação foram utilizadas para
realizar a avaliação da qualidade dos resultados da super-
resolução. O objetivo desta avaliação é mensurar, por inter-
médio de métricas qualitativas e quantitativas, o desempenho
04-07 de Julho - FCT/UNESP - P. Prudente VI Workshop de Visão Computacional
129
dos algoritmos de interpolação utilizados quanto a sua quali-
dade espacial e espectral.
Avaliar a qualidade da imagem de SR em relação à ima-
gem de referência não é uma tarefa simples, pois esta não
foi obtida pelos mesmos processos que a primeira. O resul-
tado desejado é o aumento da resolução espacial, sem acres-
centar falsos alvos e preservar a informação espectral na ima-
gem HR [13].
O método proposto foi aplicado em várias amos-
tras de vídeos. Resultados experimentais para três amos-
tras utilizando-se cinco métodos diferentes de interpola-
ção são apresentados. A amostra 1 e a amostra 2 consistem
em uma sequência de 12 imagens (quadros) de 512 × 512 pi-
xels, enquanto a amostra 3 consiste em uma sequência de
20 imagens de 256 × 256 pixels. As figuras 1, 2 e 3 ilus-
tram os resultados da super-resolução para o quadro 10 da
amostra 1, quadro 2 da amostra 2 e quadro 19 da amos-
tra 3, respectivamente.
A avaliação visual dos resultados obtidos não identifica
modificações significativas na imagem, como distorções nas
bordas e detalhes finos. Os resultados também foram ava-
liados pelas medidas estatísticas descritas na seção 3.1 e
são apresentados na tabela 1. Os valores das medidas cor-
respondem às médias obtidas para os quadros das sequên-
cias de imagens de cada amostra. A análise quantitativa en-
tre as imagens subamostradas e super-resolvidas demonstram
a eficâcia dos interpoladores utilizados no método de super-
resolução. Em particular, os interpoladores spline, bicúbica e
bilinear obtiveram melhor desempenho.
5. Conclusões
Técnicas de super-resolução consistem em aumentar a re-
solução espacial de imagens ou vídeos, já que o custo dos
sensores de alta precisão em aplicações comerciais é normal-
mente elevado.
Este artigo apresentou uma análise comparativa entre di-
ferentes técnicas de interpolação e seu impacto na super-
resolução de vídeos. Cada quadro do vídeo é super-resolvido
utilizando-se o método de POCS, em que a grade de alta re-
solução é gerada pelos interpolação vizinho mais próximo,
bilinear, bicúbica, spline e sinc.
6. Agradecimentos
Os autores são gratos ao INCT/MACC, FAPESP e ao
CNPq pelo apoio financeiro.
Referências
[1] B. Bascle, A. Blake, and A. Zisserman. Motion Deblurring
and Super-resolution from an Image Sequence. In Fourth
European Conference on Computer Vision, pages 573–582.
Springer-Verlag, 1996.
[2] H. Chang, D.-Y. Yeung, and Y. Xiong. Super-Resolution th-
rough Neighbor Embedding. In Proceedings IEEE Computer
Society Conference on Computer Vision and Pattern Recogni-
tion CVPR 2004, pages 275–282, 2004.
[3] F. B. da Silva. Super-Resolução Utilizando Quadros Chaves
em Sequências de Vídeo de Resolução Mista. Dissertação de
Mestrado, Universidade de Brasília, 2009.
[4] L. L. de Almeida and A. M. G. Tommaselli. Melhoramento
da Resolução a partir de Sequências de Imagens. Boletim de
Ciências Geodésicas, 9(2):163–178, Julho-Dezembro 2003.
[5] M. Elad and A. Feuer. Super-Resolution Reconstruction of
Image Sequences. IEEE Transactions on Pattern Analysis and
Machine Intelligence, 21(9):817–834, Setembro 1999.
[6] W. Freeman, T. Jones, and E. Pasztor. Example-based Super-
Resolution. IEEE Computer Graphics and Appications,
22(2):56–65, Março 2002.
[7] A. J. Patti and Y. Altunbasak. Artifact Reduction for Set Theo-
retic Super Resolution Image Reconstruction with Edge Adap-
tive Constraints and Higher-order Interpolants. IEEE Transac-
tions on Image Processing, 10(1):179–186, Janeiro 2001.
[8] H. Pedrini and W. Schwartz. Análise de Imagens Digitais:
Princípios, Algoritmos e Aplicações. Editora Thomson, 2007.
[9] C. Rubert, L. Fonseca, and L. Velho. Super-Resolução de Ima-
gens de Sensores Remotos Usando a Transformada de Cor
YUV para Estimação das Altas Frequências. In IV Workshop
dos Cursos de Computação Aplicada, São José dos Campos-
SP, 2004. Instituto Nacional de Pesquisas Espaciais.
[10] R. R. Schultz and R. L. Stevenson. Extraction of High-
Resolution Frames from Video Sequences. IEEE Transacti-
ons on Image Processing, 5(6):996–1011, Junho 1996.
[11] H. Stark. Theory of Convex Projections and its Application
to Image Restoration. In IEEE International Symposium on
Circuits and Systems, pages 963–964, 1988.
[12] H. Stark and P. Oksui. High-Resolution Image Recovery from
Image-Plane Arrays using Convex Projections. Journal of Op-
tical Society of America, 6(11):1715–1726, 1989.
[13] M. A. B. G. Telles Junior and A. N. de Castro Santa Rosa.
Super-Resolução de Imagens CBERS 2. In XIII Simpó-
sio Brasileiro de Sensoriamento Remoto, pages 1197–1204,
Florianópolis-SC, 2007.
[14] L. Wald, T. Ranchin, and M. Mangolini. Fusion of Satellite
Images of Different Spatial Resolutions: Assessing the Qua-
lity of Resulting Images. Photogrammetric Engineering &
Remote Sensing, 63:691–699, 1997.
[15] Z. Wang and A. Bovik. A Universal Image Quality Index.
IEEE Signal Processing Letters, 9(3):81–84, Março 2002.
[16] Z. Wang, A. Bovik, H. Sheikh, and E. Simoncelli. Image Qua-
lity Assessment: From Error Visibility to Structural Simila-
rity. IEEE Transactions on Image Processing, 13(4):600–612,
Abril 2004.
[17] L. Yaroslavsky. Signal Sinc-Interpolation: A Fast Computer
Algorithm. Bioimaging, 4:255–231, 1996.
[18] M. V. W. Zibetti and J. Mayer. Super-Resolução Aplicada em
Sensoriamento Remoto. In XIII Simpósio Brasileiro de Senso-
riamento Remoto, pages 6407–6414, Florianópolis-SC, 2007.
04-07 de Julho - FCT/UNESP - P. Prudente VI Workshop de Visão Computacional
130
Original Bilinear Bicúbica Vizinho mais próximo Spline Sinc
Figura 1. Quadro 10 da sequência da imagens da Amostra 1.
Original Bilinear Bicúbica Vizinho mais próximo Spline Sinc
Figura 2. Quadro 2 da sequência da imagens da Amostra 2.
Original Bilinear Bicúbica Vizinho mais próximo Spline Sinc
Figura 3. Quadro 19 da sequência da imagens da Amostra 3.
Vídeos Interpoladores CC Bias DV SDD IQI RMSE SSIM
Amostra 1
Bilinear 1,0000 0,0002 -0,0022 -0,0017 1,0000 0,0017 1,0000Bicúbica 1,0000 0,0002 -0,0010 -0,0008 1,0000 0,0008 1,0000Vizinho mais próximo 0,9995 0,0002 -0,0059 -0,0050 0,9995 0,0050 0,9995Spline 1,0000 0,0002 -0,0010 -0,0008 1,0000 0,0008 1,0000Sinc 0,9923 0,0002 -0,0038 -0,0032 0,9923 0,0032 0,9923
Amostra 2
Bilinear 0,9951 0,0016 -0,0603 -0,0290 0,9947 0,0291 0,9947Bicúbica 0,9968 0,0016 -0,0465 -0,0227 0,9965 0,0227 0,9965Vizinho mais próximo 0,9909 0,0016 -0,0530 -0,0259 0,9906 0,0259 0,9906Spline 0,9973 0,0016 -0,0436 -0,0213 0,9971 0,0213 0,9971Sinc 0,9215 0,0016 -0,0480 -0,0234 0,9213 0,0235 0,9213
Amostra 3
Bilinear 0,9668 -0,0064 -0,2040 -0,1899 0,9626 0,1900 0,9626Bicúbica 0,9718 -0,0064 -0,1688 -0,1683 0,9685 0,1684 0,9685Vizinho mais próximo 0,9564 -0,0064 -0,1675 -0,1606 0,9535 0,1607 0,9535Spline 0,9745 -0,0064 -0,1690 -0,1609 0,9715 0,1610 0,9715Sinc 0,8096 -0,0064 -0,1582 -0,1501 0,8074 0,1503 0,8075
Tabela 1. Resultados obtidos para três amostras utilizando-se cada interpolador.
04-07 de Julho - FCT/UNESP - P. Prudente VI Workshop de Visão Computacional
131