注册 登录  
 加关注
查看详情
   显示下一条  |  关闭
温馨提示!由于新浪微博认证机制调整,您的新浪微博帐号绑定已过期,请重新绑定!立即重新绑定新浪微博》  |  关闭

To be completed

我回来了

 
 
 

日志

 
 

超分辨率重建学习(一)  

2011-02-15 00:01:15|  分类: Super Resolution |  标签: |举报 |字号 订阅

  下载LOFTER 我的照片书  |
目前正在读《Super Resolution of Images and Video》,其中重点介绍的是基于Bayesian框架的MAP(最大后验概率)方法,我把自己凌乱的理解写成几个部分,最后融合成一个整体。
超分辨率重建简单来说就是根据已有的低分辨率图像或视频得到高分辨率图像或视频,看看正在普及的高清电视(HDTV),就知道它是十分有应用价值的研究方向。
今天先写一下MAP的基本思想:
设fk是高分辨率(HR)图像或是视频的某一帧,d是运动向量,o是观测量,根据Bayesian公式可得:
P(fk, d| o) = P(o| fk, d) * P(fk, d) / P(o)
我们需要求的就是已知观测量o,使得P(fk, d| o)最大的fk和d,即fk, d = argmax{P(fk, d| o)} = argmax{P(o| fk, d) * P(fk, d) / P(o)} = argmax{P(o| fk, d) * P(fk, d)} = argmax{P(o| fk, d) * P(d| fk) * P(fk)}
其中P(o| fk, d)表示已知高分辨率图像fk和运动向量d得到观测量o的概率,即低分辨率成像模型,P(d| fk)表示已知高分辨率图像fk得到运动向量d的概率,即运动估计,P(fk)是高分辨率图像的先验模型。
所以MAP就是围绕着上述3个量进行研究,可以看出MAP的一个好处是可以直接加入先验条件。
  评论这张
 
阅读(118)| 评论(0)
推荐 转载

历史上的今天

在LOFTER的更多文章

评论

<#--最新日志,群博日志--> <#--推荐日志--> <#--引用记录--> <#--博主推荐--> <#--随机阅读--> <#--首页推荐--> <#--历史上的今天--> <#--被推荐日志--> <#--上一篇,下一篇--> <#-- 热度 --> <#-- 网易新闻广告 --> <#--右边模块结构--> <#--评论模块结构--> <#--引用模块结构--> <#--博主发起的投票-->
 
 
 
 
 
 
 
 
 
 
 
 
 
 

页脚

网易公司版权所有 ©1997-2018