Super-resoluutio-tekniikat voidaan jakaa kahteen pääluokkaan:

• Perinteiset interpolointiin perustuvat menetelmät (Bilineaarinen, Bikubinen, Lanczos);
• Syväoppimiseen perustuvat super-resoluutio-menetelmät (CNN:t, GAN:t, Transformerit).

Perinteiset interpolointipohjaiset menetelmät

Interpolointi on yksi yksinkertaisimmista lähestymistavoista super-resoluutioon, jossa puuttuvat pikselit arvioidaan ympäröivien pikseliarvojen perusteella. Kaikki yleiset interpolointitekniikat sisältävät cv2.resize()-funktion, mutta interpolation-parametri vaihtelee:

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

Lähimmän naapurin interpolointi

• Kopioi lähimmän pikselin arvon uuteen sijaintiin;
• Tuottaa teräviä mutta lohkomaisia kuvia;
• Nopea, mutta puuttuu pehmeys ja yksityiskohdat.

interpolation_param = cv2.INTER_NEAREST

Bilineaarinen interpolointi

• Laskee uuden pikseliarvon neljän naapuripikselin keskiarvona;
• Tuottaa pehmeämpiä kuvia, mutta voi aiheuttaa sumentumista.

 interpolation_param = cv2.INTER_LINEAR

Bikubinen interpolointi

• Käyttää 16 ympäröivän pikselin painotettua keskiarvoa;
• Tarjoaa paremman tasaisuuden ja terävyyden verrattuna bilineaariseen interpolointiin.

 interpolation_param = cv2.INTER_CUBIC

Lanczos-interpolointi

• Käyttää sinc-funktiota pikseliarvojen laskemiseen;
• Tarjoaa paremman terävyyden ja minimoi aliasoinnin.

 interpolation_param = cv2.INTER_LANCZOS4

Vaikka interpolointiin perustuvat menetelmät ovat laskennallisesti tehokkaita, ne eivät usein pysty palauttamaan hienoja yksityiskohtia ja tekstuureja.

Syväoppimiseen perustuva super-resoluutio

Esikoulutetut super-resoluutio-mallit:

• ESPCN (Efficient Sub-Pixel Convolutional Network): Nopea ja tehokas reaaliaikaiseen SR-käyttöön;
• FSRCNN (Fast Super-Resolution CNN): Kevyt verkko, joka on optimoitu nopeuteen;
• LapSRN (Laplacian Pyramid SR Network): Käyttää progressiivista ylöspäin skaalausta paremman yksityiskohtaisuuden saavuttamiseksi.

 # 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)