تصاویر با وضوح برتر با استفاده از مدل میدان مارکوف تصادفی و potts غیرمحلی

در تکنیک های وضوح برتر، با ترکیب اطلاعات مجموعه ای از تصاویر وضوح پایین و بکار بردن اطلاعات پیشین که از روی پیش فرض های بکار برده شده در مورد تصویر وضوح برتر تهیه شده، تصویر وضوح بالا تخمین زده می شود. در تکنیک های مبتنی بر تحلیل بیزی، این اطلاعات بوسیله ی مدل های احتمالی توصیف می شود؛ به این ترتیب که برای اطلاعات مربوط به تصاویر وضوح پایین از مدل درست نمایی، و برای اطلاعات پیشین از مدل پیشین بهره برده می شود. در تکنیک هایی که از مدل پیشین استفاده نمی کنند، مشکلاتی مثل برازش بیش از حد ، و حساسیت بالا به نویز وجود دارد. همچنین اگر مدل پیشین متناسب با مشخصات و ساختار تصویر وضوح برتر انتخاب نشود؛ علاوه بر این که کمکی در تخمین بهتر تصویر وضوح برتر نمی کند، می تواند تاثیر منفی روی فرآیند تخمین تصویر وضوح برتر بگذارد. مدل های پیشین معمول برمبنای پیش فرض هایی مثل تغییرات شدت روشنایی پیکسل ها با توزیعی مشخص(مثل توزیع گاوسی)، یا تغییر تدریجی شدت روشنایی پیکسل ها متناسب با کاربرد مورد نظر ساخته می شوند؛ متاسفانه این مدل ها برای تصاویری که از توزیع مشخصی پیروی نمی کنند، نمی توانند توصیف مناسبی باشند. در مدل mgm با بکار بردن اطلاعات مربوط به قطعه بندی تصویر به عنوان مدل مخفی، تصویر به صورت ترکیبی از نواحی همگن فرض شده که رابطه ای مارکوفی بین پیسکل های داخل نواحی وجود دارد؛ این نوع مدل سازی برای تصاویری که دارای نواحی همگن محدود هستند توصیف مناسبی ارائه می دهد. متاسفانه این مدل به نویزهای تصویر تخمین زده شده حساس می باشد؛ در این پایان نامه برای حل این مشکل، ارتباط بین پیکسل های داخل نواحی به صورت مارکوف های غیرهمگن در نظر گرفته شده است. همچنین مدل پاتس غیرمحلی که برای قطعه بندی تصاویر با نواحی غیر همگن بکار رفته، به عنوان مدل مخفی در این پایان نامه استفاده شده؛ همچنین برای تخمین تصویر از روی مدل بکار رفته، ترکیبی از mcmc و الگوریتم بهینه سازی رقابت استعماری فازی استفاده شده، که بر اساس آزمایشات صورت گرفته دارای کارایی مناسبی می باشد.