Resumen

El problema de generar una imagen de superresolución (SR) a partir de una única imagen de entrada de baja resolución (LR) se aborda mediante la agrupación de cálculo granular en el artículo. En primer lugar, las imágenes de entrenamiento se consideran imágenes SR y se dividen en algunos parches SR, que se redimensionan en parches LS, el conjunto de entrenamiento se compone de los parches SR y los correspondientes parches LR. En segundo lugar, se propone la agrupación de cálculo granular (GrC) mediante la representación de la hiperesfera del gránulo y la medida de inclusión difusa compuesta por la operación entre dos gránulos. En tercer lugar, el conjunto de gránulos (GS) que incluye gránulos de hiperesfera con diferentes granularidades es inducido por GrC y utilizado para formar la relación entre la imagen LR y la imagen SR mediante el lazo. Los resultados experimentales mostraron que el GrC lograba los menores errores cuadráticos medios entre la imagen SR reconstruida y la imagen original en comparación con la interpolación bicúbica, la representación dispersa y el NNLasso.

• Materias:Algoritmos (Matemáticas) Ingeniería del transporte Neurociencias Seguridad del transporte Ingeniería ferroviaria
• Subjects:Agorithms (Math) Transport engineering Neurosciences Transport safety Railway engineering
• Palabras claves:imagen sr, parche sr, medidas de inclusión difusas, parche lr correspondiente, medios de raíz mínima, representación del grullo, grc, imagen sr reconstruida, clustering de computación granular, representación de la hiperesfera
• Keywords:sr image, sr patch, fuzzy inclusion measures, corresponding lr patch, least root means, representation of granule, grc, reconstructed sr image, granular computing clustering, hypersphere representation