Алгоритмы обработки изображений с достижением эффекта сверхразрешения на основе методов оптимальной фильтрации и машинного обучения

Диссертационная работа посвящена исследованию и синтезу моделей и алгоритмов обработки изображений с достижением эффекта сверхразрешения на основе методов оптимальной фильтрации и машинного обучения. Целью работы является совершенствование алгоритмов обработки информации в задачах построения сверхразрешения для последовательностей изображений и видеоданных в условиях аппликативных помех на основе методов оптимальной фильтрации и машинного обучения с использованием глубоких нейронных сетей. Синтезированы и исследованы модели и комплексные алгоритмы многокадрового сверхразрешения в условиях наличия аппликативных помех, основанные на использовании методов оптимальной динамической фильтрации и позволяющие учесть неопределенности относительно параметров используемой математической модели данных. Предложен двухэтапный алгоритм сегментации областей аппликативных искажений на изображениях, основанный на суперпиксельном представлении изображений и кластерном анализе полученных суперпикселей. Выведены соотношения для включения результатов его работы в процесс оптимальной фильтрации. Синтезированы и исследованы итеративные алгоритмы многокадрового сверхразрешения и сверхразрешения видеоданных в условиях наличия аппликативных помех, основанные на использовании ансамбля свёрточных нейронных сетей и предложенных в работе сетей в виде направленного ациклического графа. Приведены результаты сопоставительного анализа альтернативных подходов к построению алгоритмов сверхразрешения в условиях аппликативных помех, свидетельствующие о наличии преимущества алгоритмов, реализованных в виде ансамбля предложенных глубоких нейронных сетей, по качеству получаемых изображений высокого разрешения и по времени обработки по отношению к алгоритмам, базирующимся на применении методов оптимальной фильтрации.