Super-resolution aims to produce a high-resolution image from a sequence of low-resolution images. Bayesian super-resolution is a stochastic approach for super-resolution. The Bayesian super-resolution framework provides a chance to utilize the prior knowledge over the high-resolution images. There were many previous works for the image prior model. However, almost of them were considered for the general images.
In this thesis, we present a new image prior model appropriate to text images in Bayesian super-resolution framework based on training example images. Two basic ideas are considered in the proposed prior model. One is to obtain extra information over the high-resolution image from an underlying high-resolution image. The underlying high-resolution image comes from training examples. Training examples are composed of pairs of high-resolution training images and their blurred training images. And the other is to model the text image property that a text image is composed of two homogeneous regions of the text region and the background region. Selective smoothing using an edge map performs local smoothing in each region. These two ideas are modeled in Markov random field as a clique system and its energy function.
Experiments are performed with scanned images from journal and Korean book. Our prior model shows significantly improved results over other prior models for general images and a text-specific prior model in sense of better looking and minimizing RMS error. And binarized RMS error also shows that the proposed prior model is more appropriate to text images than other prior models.
초고해상도는 여러 장의 저해상도 영상들로부터 고해상도 영상 한 장을 얻어내는 기법이다. 베이지안 초고해상도는 초고해상도를 위한 확률 접근 방법이다. 베이지안 초고해상도 프레임워크는 사전확류 모델에 의해 고해상도 영상들에 대한 사전 정보를 활용할 수 있는 방법을 제공한다. 영상 사전확률 모델에 대한 연구들은 많은 사람들에 의해 이루어져왔다. 그러나 대부분의 연구들은 일반 영상들을 대상으로 하고 있다.
이 논문에서는 베이지안 초고해상도 프레임워크 내에서 예제 영상들에 기반한, 텍스트 영상에 적합한 새로운 영상 사전확률 모델을 제안한다. 제안한 모델에는 두 가지 기본적인 아이디어가 반영되었다. 하나는 기저 고해상도 영상을 예제 영상으로부터 추출해서, 고해상도에 대한 추가 정보를 얻어냈다. 예제 영상들은 고해상도 영상과 그의 손상된 영상의 쌍으로 이루어져 있다. 그리고 다른 하나는 텍스트 영상이 가지고 있는 특성을 반영한 것이다. 텍스트 영상의 특성이란 텍스트 영상은 크게 텍스트 영역과 배경 영역, 두 개의 영역으로 이루어져 있고, 각 영역은 색이 균질한 특성을 갖고 있다. 이러한 텍스트 특성은 기저 고해상도 영상으로부터 추출한 edge map을 이용해서 선택적 평활화를 통해 이루어진다. 이러한 두 가지 아이디어는 MRF(Markov Random Field) 내에서 clique 시스템과 에너지 함수로 모델링되었다.
실험은 인쇄된 저널과 한국어 책으로부터 스캔한 영상들을 대상으로 수행했다. 제안한 모델은 일반 영상을 위한 모델과 텍스트 영상을 위한 모델 등 기존의 모델들에 비해 확연히 향상된 결과를 보여주었다. 평가는 RMS(Root Mean Square) 오차와 이진화된 결과에 대한 RMS 오차 두 가지에 의해서 이루어졌다. 제안한 모델의 결과는 눈으로 보기에도 좋을 뿐만 아니라 가장 낮은 RMS(Root Mean Square) 오차를 보여주었다. 또한, 최종 결과물을 이진화한 영상에 대해서도 원영상에 가장 가까운 영상을 보여주어, 제안한 모델이 텍스트 영상에 대해 적합하다는 결론을 얻을 수 있었다.
