Vateva, Tsvetoslava (2011)
Evaluating a Super-Resolution Reconstruction Algorithm and Enhancing Image Quality Using Simulated Annealing Technique.
Technische Universität Darmstadt
Bachelorarbeit, Bibliographie
Kurzbeschreibung (Abstract)
Super-resolution algorithm is a well-known method for getting high-resolution data from low-resolution observations. We employ Bayesian approach and make use of the equivalence between Markov random fields and Gibbs distributions to obtain a super-resolution reconstruction of two given data sets, consisting namely of 3D cardiac volumes. It has been shown that the parameters of the prior, called hyperparameters, play a significant role in Bayesian image estimation. This work concentrates on the investigation of the influence of one such parameter, called temperature, on the reconstructed image. The value of the temperature is computed at each iteration of the super-resolution reconstruction and the impact on the quality of the reconstructed image is studied. It is empirically shown that the iterative computation of the temperature which resembles simulated annealing delivers better results. Another aspect of this work is that the iteratively computed step size, used for updating the high-resolution estimate, does not deliver better results than the properly chosen constant value and only takes more time. Der Super-Resolutions-Ansatz ist eine bekannte Methode zum Erwerb hochaufgelöster Bilddaten von Bilddaten niedrigerer Auflösung. Wir wenden den Bayesian Ansatz an und nutzen die Äquivalenz zwischen dem Markov-Random-Field (MRF) und der Gibbs Verteilung, um hoch aufgelöste Super-Resolution- Bilddaten von den gegebenen niedrig aufgelösten Datensätzen zu erwerben. Es wurde gezeigt, dass die Parameter des Priors, die noch Hyperparameter genannt sind, eine vorstehende Rolle in dem Bayesian Ansatz für die Maximierung der A-posteriori-Wahrscheinlichkeit spielen. Diese Arbeit konzentriert sich nämlich auf die Evaluation des Einflusses dieser Parameter auf die hoch aufgelösten Super-Resolution- Bilddaten. Der Wert der Temperatur wird bei jeder Iteration des Super-Resolutions-Ansatzes erneut bestimmt und die Auswirkungen auf die Qualität der hoch aufgelösten Bilddaten werden berücksichtigt. Wir haben empirisch gezeigt, dass eine iterative Berechung der Temperatur die besten Ergebnisse liefert. Die Temperaturberechung erfolgt mit dem Simulated-Annealing Algorithmus. Wir zeigen auch, dass die iterative Berechung der Schrittgröße, die für die Aktualisierung der hoch aufgelösten Schätzung verwendet wird, kein besseres Ergebnis liefert, als eine geeignete gewählte Konstante.
| Typ des Eintrags: | Bachelorarbeit |
|---|---|
| Erschienen: | 2011 |
| Autor(en): | Vateva, Tsvetoslava |
| Art des Eintrags: | Bibliographie |
| Titel: | Evaluating a Super-Resolution Reconstruction Algorithm and Enhancing Image Quality Using Simulated Annealing Technique |
| Sprache: | Englisch |
| Publikationsjahr: | 2011 |
| Kurzbeschreibung (Abstract): | Super-resolution algorithm is a well-known method for getting high-resolution data from low-resolution observations. We employ Bayesian approach and make use of the equivalence between Markov random fields and Gibbs distributions to obtain a super-resolution reconstruction of two given data sets, consisting namely of 3D cardiac volumes. It has been shown that the parameters of the prior, called hyperparameters, play a significant role in Bayesian image estimation. This work concentrates on the investigation of the influence of one such parameter, called temperature, on the reconstructed image. The value of the temperature is computed at each iteration of the super-resolution reconstruction and the impact on the quality of the reconstructed image is studied. It is empirically shown that the iterative computation of the temperature which resembles simulated annealing delivers better results. Another aspect of this work is that the iteratively computed step size, used for updating the high-resolution estimate, does not deliver better results than the properly chosen constant value and only takes more time. Der Super-Resolutions-Ansatz ist eine bekannte Methode zum Erwerb hochaufgelöster Bilddaten von Bilddaten niedrigerer Auflösung. Wir wenden den Bayesian Ansatz an und nutzen die Äquivalenz zwischen dem Markov-Random-Field (MRF) und der Gibbs Verteilung, um hoch aufgelöste Super-Resolution- Bilddaten von den gegebenen niedrig aufgelösten Datensätzen zu erwerben. Es wurde gezeigt, dass die Parameter des Priors, die noch Hyperparameter genannt sind, eine vorstehende Rolle in dem Bayesian Ansatz für die Maximierung der A-posteriori-Wahrscheinlichkeit spielen. Diese Arbeit konzentriert sich nämlich auf die Evaluation des Einflusses dieser Parameter auf die hoch aufgelösten Super-Resolution- Bilddaten. Der Wert der Temperatur wird bei jeder Iteration des Super-Resolutions-Ansatzes erneut bestimmt und die Auswirkungen auf die Qualität der hoch aufgelösten Bilddaten werden berücksichtigt. Wir haben empirisch gezeigt, dass eine iterative Berechung der Temperatur die besten Ergebnisse liefert. Die Temperaturberechung erfolgt mit dem Simulated-Annealing Algorithmus. Wir zeigen auch, dass die iterative Berechung der Schrittgröße, die für die Aktualisierung der hoch aufgelösten Schätzung verwendet wird, kein besseres Ergebnis liefert, als eine geeignete gewählte Konstante. |
| Freie Schlagworte: | Forschungsgruppe Medical Computing (MECO), Medical image processing, Super resolution, Image quality, Temperature parameter, Bayesian approach |
| Zusätzliche Informationen: | 36 p. |
| Fachbereich(e)/-gebiet(e): | 20 Fachbereich Informatik 20 Fachbereich Informatik > Graphisch-Interaktive Systeme |
| Hinterlegungsdatum: | 12 Nov 2018 11:16 |
| Letzte Änderung: | 12 Nov 2018 11:16 |
| PPN: | |
| Export: | |
| Suche nach Titel in: | TUfind oder in Google |
 |
Frage zum Eintrag |
Optionen (nur für Redakteure)
 |
Redaktionelle Details anzeigen |
Drucken
Impressum