Bayesian ανακατασκευή video υψηλής ανάλυσης από συμπιεσμένα δεδομένα χαμηλής ανάλυσης

Abstract

Στη διατριβή αυτή μελετάται το πρόβλημα της ανακατασκευής video (εικονοσειρών) υψηλής ανάλυσης (high-resolution) από δεδομένα (παρατηρούμενα εικονοπλαίσια/frames) χαμηλότερης ανάλυσης (low-resolution), τα οποία μπορεί να είναι συμπιεσμένα (compressed), το οποίο είναι γνωστό και ως πρόβλημα της υπερ-ανάλυσης (super-resolution). Τα δεδομένα χαμηλής ανάλυσης προέρχονται από ένα αισθητήρα ο οποίος “βλέπει” την ίδια σκηνή (scene) για μία χρονική περίοδο. Το πρόβλημα αυτό έχει ένα τεράστιο εύρος εφαρμογών και αποτελεί ζήτημα αιχμής για το επιστημονικό πεδίο της ψηφιακής επεξεργασίας σήματος. Ανεξάρτητα με τον τρόπο δημιοργίας των δεδομένων, η βασική προϋπόθεση για την επίτευξη της αύξησης της ανάλυσής τους είναι να περιέχουν διαφορετικές μεν, αλλά παρόμοιες, εικόνες της ίδιας σκηνής. Για δυναμικές σκηνές οι απαραίτητες μετατοπίσεις υφίστανται λόγω της ήδη υπάρχουσας κίνησης. Στο πλαίσιο αυτό, αναλύθηκαν διάφορες τεχνικές εκτίμησης του πεδίου κίνησης (motion field) και αναδείχθηκε η λειτουργικότητα της τεχνικής που χρησιμοποιήθηκε στη διατριβή (HBMA). Παράλληλα, έγινε μία αναλυτική μελέτη των μέχρι σήμερα πρόσφατων τεχνικών που εφαρμόστηκαν στο εν λόγω πρόβλημα καθώς και της Μπεϋζιανής Bayesian (συγκεκριμένα της μέγιστης εκ των υστέρων πιθανοφάνειας Maximum a Posteriori-MAP) μεθοδολογίας της οποίας έγινε χρήση για τον συμπερασμό των τυχαίων μεταβλητών και την εκτίμηση των παραμέτρων του προβλήματος. Παράλληλα, από την μελέτη του συστήματος συμπίεσης και ειδικά του state-of-the-art standard H.264 γίνεται κατανοητός ο μηχανισμός της δημιουργίας των σφαλμάτων υποβάθμισης (artifacts) της ποιότητας της εικόνας και της σημασίας του μηχανισμού εκτίμησης του κίνησης. […]