SR image enhancement approaches have received a lot ofinterest in the 的中文翻譯

SR image enhancement approaches hav

SR image enhancement approaches have received a lot of
interest in the past two decades, and a variety of SR algorithms
have been proposed in the literature. The idea of SR was
first introduced in 1984 by Tsai and Huang for LANDSAT4
images [4]. Kim et al. generalized this work to noisy and
blurred images, using least square minimization [5]. In both
of these studies, SR is performed in the frequency domain.
Although frequency-based SR methods have the advantage of
simplicity and low computational complexity, they require that
the geometric disparity between LR images is translational.
In order to overcome this problem, various spatial-based SR
approaches have been proposed as they provide more flexibility
in modeling the image degradation process. A SR spatial
domain algorithm was first presented by Ur and Gross in 1992
[6]. Utilizing the generalized multichannel sampling theorem
they proposed a non-uniform interpolation method for multiple
spatially shifted LR images. The interpolation is followed by a
deblurring process. A different method called Iterative Backward
Projection (IBP), which was adopted as a basic algorithm
in computer-aided tomography, was first suggested by Irani and
Peleg [7]. If the image degradation elements including blurring,
warping, sampling, and additive noise are known exactly,
SR becomes an inverse problem similar to image restoration,
which has been studied for a much longer time than SR. Many
algorithms coming from the image restoration domain can then
be used for SR, and in some way SR can be thought of as
second-generation image restoration. To reduce noise and solve
singular cases, several SR algorithms incorporate prior knowledge
into the computation by constraining the solution. For
example, Li et al. proposed the maximum a posteriori based
method (MAP) using a discontinuity preserving universal
Hidden Markov Tree (HMT) model for SR reconstruction [8].
For an overview of state-of-the-art SR methods, we refer to [2].
Not all LR images, however, can be employed for SR image
enhancement. First, imagesmust be undersampled, that is to say,
0/5000
原始語言: -
目標語言: -
結果 (中文) 1: [復制]
復制成功!
SR图像增强方法已经收到了很多
的兴趣在过去二十年中,以及各种SR算法
已经在文献中提出。 SR的想法是
第一次在1984年推出的仔和黄为landsat4
图像[4]。 Kim等人。推广这项工作,嘈杂和
图像模糊,使用最小二乘最小化[5]。在这两个
这些研究,SR是在频域中进行。
虽然基于频率的SR方法具有
的简单性和低计算复杂度的优点,它们需要
LR图像之间的几何差异是平移。
为了克服这个问题,各种空间 - 基于SR
方法已经被提出,因为他们提供更多的灵活性
建模的图像退化过程。一个SR空间
域算法,首次提出由乌尔及毛利率于1992年
[6]。利用广义的多通道采样定理
他们提出了一种非均匀内插方法对多个
空间位移LR图像。内插后跟一个
去模糊处理。另一种方法叫做迭代落后
投影(IBP),这是采用了作为一个基本算法
在计算机辅助断层扫描,最早是由伊拉尼和
法勒建议[7]。如果图像退化元素,包括模糊,
翘曲,取样和附加噪声是确切知道,
SR成为一个反问题类似图像复原,
已经研究了更长的时间比SR。许多
算法从图像恢复领域未来可再
用于SR,并以某种方式SR可以看作
第二代图像复原。以降低噪声和解决
单数的情况下,几个SR算法结合先验知识
成计算通过约束的解决方案。关于
例如,Li等人。提出了基于最大
法(图)使用不连续保持通用
隐马尔可夫树(HMT)模型的超分辨率重建后验[8]。
为国家的最先进的SR方法的概述,我们参考[2]。
不是所有的LR图像,但是,可以用于SR图像
增强。首先,imagesmust进行欠采样,也就是说,
正在翻譯中..
結果 (中文) 2:[復制]
復制成功!
SR图像增强方法已经得到了很多的
在过去的二十年中的兴趣,和各种各样的SR算法
已在文献中提出的。SR的想法是
首次引入1984蔡和黄landsat4
图像[ 4 ]。基姆等人。广义的这项工作和
嘈杂的模糊图像,利用最小平方法[ 5 ]。在这些研究
,SR是在频域中进行。
虽然基于频率的SR方法有
简单、计算复杂度低的优点,他们要求
LR图像之间几何差异是翻译。
为了克服这个问题,不同空间的SR
的方法已经被提出作为他们在图像退化过程建模提供更多的灵活性
。SR空间
域算法,首次提出了乌尔和总量1992
[ 6 ]。利用广义多通道采样定理
他们提出一种多
空间移位的LR图像非均匀插值方法。插值后有一个
去模糊过程。不同的方法称为迭代后向
投影(IBP),这是作为一种基本的算法
计算机辅助断层扫描,首先是由伊朗人和
法勒【建议】7。如果图像退化元素包括模糊,
翘曲,取样,和加性噪声的确切知道,
SR成为一个逆问题类似于图像复原,
已经研究了一个更长的时间比从图像恢复领域未来的高级多
算法可以
用于SR,在某种程度上可以被认为是
SR第二代图像恢复。降低噪声和解决
奇异的情况下,几种算法的先验知识纳入到计算
解决制约。为
例子,Li et al.。提出了基于最大后验概率(MAP)
方法使用不连续的保
通用隐马尔可夫树(HMT)SR重建模型
[ 8 ]国家的最先进的SR方法的概述,我们指的是[ 2 ]。
不是所有的LR图像,但是,可以用于SR图像
增强。首先,imagesmust是不足的,也就是说,
正在翻譯中..
結果 (中文) 3:[復制]
復制成功!
SR 图像增强方法收到了很多的
过去两年中和各种 SR 算法的兴趣
在文献中已提出。SR 的想法是
首先介绍于 1984 年由蔡和黄为 LANDSAT4
图像 [4]。Kim et al.广义这项工作对嘈杂和
模糊图像,使用最小平方最小化 [5]。在两个
这些研究的SR 执行中的频率域。
虽然基于频率的 SR 方法具有的优势
简单和低的计算复杂性,他们需要的
LR 图像之间的几何差异是平移。
为了克服这一问题,各种基于空间的 SR
为他们提供更多的灵活性提出了办法
中的图像退化过程建模。空间的 SR
域算法首次提出的您和毛在 1992 年
[6]。利用广义多通道采样定理
他们提议为多个非均匀插值方法
空间转移了 LR 图像。其次是内插
模糊消除过程。不同的方法称为迭代落后
投影 (IBP),通过了作为一种基本算法
在计算机辅助断层扫描,首次提出的伊拉尼和
莱 [7]。如果图像退化元素包括模糊,
确切知道翘曲、 采样和添加剂噪音
SR 成为类似于图像恢复,逆问题
其中已被研究了更长的时间比 SR。许多
算法的图像恢复域来自然后可以
用于 SR,和 SR 可以看作某种方式
第二代图像恢复。以减少噪音和解决
奇异的情况下,SR 的几种算法纳入事先知识
入计算通过约束解决方案。为
的示例中,李 et al.建议的最大后验的基础
方法 (图) 使用维护普遍不连续
隐藏马尔可夫树 (HMT) 模型的 SR 重建 [8].
先进的 SR 方法的概述,我们参考 [2].
并不是所有的 LR 图像,但是,可以雇用的 SR 图像
增强。第一,imagesmust 说,是欠采样,
正在翻譯中..
 
其它語言
本翻譯工具支援: 世界語, 中文, 丹麥文, 亞塞拜然文, 亞美尼亞文, 伊博文, 俄文, 保加利亞文, 信德文, 偵測語言, 優魯巴文, 克林貢語, 克羅埃西亞文, 冰島文, 加泰羅尼亞文, 加里西亞文, 匈牙利文, 南非柯薩文, 南非祖魯文, 卡納達文, 印尼巽他文, 印尼文, 印度古哈拉地文, 印度文, 吉爾吉斯文, 哈薩克文, 喬治亞文, 土庫曼文, 土耳其文, 塔吉克文, 塞爾維亞文, 夏威夷文, 奇切瓦文, 威爾斯文, 孟加拉文, 宿霧文, 寮文, 尼泊爾文, 巴斯克文, 布爾文, 希伯來文, 希臘文, 帕施圖文, 庫德文, 弗利然文, 德文, 意第緒文, 愛沙尼亞文, 愛爾蘭文, 拉丁文, 拉脫維亞文, 挪威文, 捷克文, 斯洛伐克文, 斯洛維尼亞文, 斯瓦希里文, 旁遮普文, 日文, 歐利亞文 (奧里雅文), 毛利文, 法文, 波士尼亞文, 波斯文, 波蘭文, 泰文, 泰盧固文, 泰米爾文, 海地克里奧文, 烏克蘭文, 烏爾都文, 烏茲別克文, 爪哇文, 瑞典文, 瑟索托文, 白俄羅斯文, 盧安達文, 盧森堡文, 科西嘉文, 立陶宛文, 索馬里文, 紹納文, 維吾爾文, 緬甸文, 繁體中文, 羅馬尼亞文, 義大利文, 芬蘭文, 苗文, 英文, 荷蘭文, 菲律賓文, 葡萄牙文, 蒙古文, 薩摩亞文, 蘇格蘭的蓋爾文, 西班牙文, 豪沙文, 越南文, 錫蘭文, 阿姆哈拉文, 阿拉伯文, 阿爾巴尼亞文, 韃靼文, 韓文, 馬來文, 馬其頓文, 馬拉加斯文, 馬拉地文, 馬拉雅拉姆文, 馬耳他文, 高棉文, 等語言的翻譯.

Copyright ©2024 I Love Translation. All reserved.

E-mail: