Resumen

Los principales retos a los que se enfrentan los métodos de ampliación de imágenes en sistemas embebidos proceden de los requisitos de buen rendimiento, bajo coste computacional y bajo uso de memoria. Este artículo propone un método eficaz de ampliación de imágenes que puede cumplir estos requisitos en sistemas embebidos. En primer lugar, para mejorar el rendimiento de los métodos de ampliación, este método extrae diferentes tipos de características para diferentes morfologías con diferentes enfoques. A continuación, se aprenden varios diccionarios basados en diferentes tipos de características, que representan la imagen de una manera más eficiente. En segundo lugar, para acelerar la velocidad de ampliación y reducir el uso de memoria, este método divide los átomos de cada diccionario en varios clusters. Para cada clúster, se calcula una matriz de proyección independiente. Este método reformula el problema como una regresión por mínimos cuadrados. Las imágenes de alta resolución (HR) pueden reconstruirse a partir de unas pocas matrices de proyección. Numerosos resultados experimentales demuestran que este método tiene ventajas como ser eficiente y en tiempo real y tener menos coste de memoria. Estas ventajas hacen que este método sea fácil de implementar en sistemas móviles embebidos.

• Materias:Biotecnología Nanotecnología Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Nanotechnology Sensor networks Sensor system Sensor technology
• Palabras claves:método, diferentes tipos, método eficaz de ampliación de imágenes, numerosos resultados experimentales, pocas matrices de proyección, métodos de ampliación de imágenes, regresión por mínimos cuadrados, menor coste de memoria, bajo coste computacional, bajo uso de memoria
• Keywords:method, different kind, efficient image enlargement method, numerous experiment results, few projection matrixes, image enlargement methods, least squares regression, less memory cost, low computational cost, low memory usage