Super-opløsningsteknikker kan overordnet opdeles i:

• Traditionelle interpolationsbaserede metoder (Bilinear, Bicubic, Lanczos);
• Dybe læringsbaserede super-opløsning (CNN'er, GAN'er, Transformere).

Traditionelle interpolationsbaserede metoder

Interpolation er en af de simpleste tilgange til superopløsning, hvor manglende pixels estimeres baseret på omkringliggende pixelværdier. Alle almindelige interpolationsmetoder inkluderer cv2.resize(), men parameteren interpolation varierer:

super_res_image = cv2.resize(image, None, fx=4, fy=4, interpolation=interpolation_param)

Nærmeste-nabo interpolation

• Kopierer den nærmeste pixelværdi til den nye position;
• Giver skarpe, men kantede billeder;
• Hurtig, men mangler glathed og detaljer.

interpolation_param = cv2.INTER_NEAREST

Bilineær interpolation

• Gennemsnitter fire nabopixels for at estimere den nye pixelværdi;
• Giver glattere billeder, men kan introducere sløring.

 interpolation_param = cv2.INTER_LINEAR

Bikubisk interpolation

• Anvender et vægtet gennemsnit af 16 omkringliggende pixels;
• Giver bedre glathed og skarphed sammenlignet med bilineær interpolation.

 interpolation_param = cv2.INTER_CUBIC

Lanczos-interpolation

• Anvender en sinc-funktion til at beregne pixelværdier;
• Tilbyder bedre skarphed og minimal aliasing.

 interpolation_param = cv2.INTER_LANCZOS4

Selvom interpolationsbaserede metoder er beregningseffektive, formår de ofte ikke at genskabe fine detaljer og teksturer.

Deep learning-baseret superopløsning

Prætrænede superopløsningsmodeller:

• ESPCN (Efficient Sub-Pixel Convolutional Network): Hurtig og effektiv til realtids-superopløsning;
• FSRCNN (Fast Super-Resolution CNN): Et letvægtsnetværk optimeret til hastighed;
• LapSRN (Laplacian Pyramid SR Network): Anvender progressiv opskalering for bedre detaljer.

 # Load pre-trained model
sr = cv2.dnn_superres.DnnSuperResImpl_create()
sr.readModel("path/to/model.pb")
sr.setModel("model_name", scale_factor)  # Using 4x upscaling

# Apply super-resolution
high_res_image = sr.upsample(image)