A Comparative Study of Conventional Interpolation Image Super Resolution Algorithms

Abstract

This master thesis deals with image super resolution (ISR) problem. We focus on the differences between conventional image interpolation algorithms and deep learning-based algorithms. The considered SR algorithms are applied on the most used datasets in this field. Many simulation experiments are conducted to higlight the efficiency of deep learning SR algorithms. The original images are considered as High resolution (HR) images. Low resolution (LR) images are generated from HR ones, by simple downsampling. Performance assessment of the different SR algorithms is in terms of Peak Signal to Noise Ratio (PSNR) and Structural Similarity Index (SSIM) in addition to the visual quality of the obtained SR image. From the obtained results, deep learning SR algorithms allow a significant enhancement of the LR images and are the best algorithms in terms of PSNR and SSIM. Ce mémoire de maîtrise traite le problème de la super résolution d’image (ISR). Nous nous concentrons sur les différences entre les algorithmes d’interpolation d’images conventionnels et les algorithmes basés sur l’apprentissage profond. Les algorithmes SR considérés sont appliqués sur les ensembles de données les plus utilisés dans ce domaine. De nombreuses expériences de simulation sont menées pour évaluer l’efficacité des algorithmes SR d’apprentissage profond. Les images originales sont considérées comme des images haute résolution (HR). Les images basse résolution (LR) sont générées à partir des images HR, par simple échantillonnage. L’évaluation des performances des différents algorithmes SR se fait en termes de Peak Signal to Noise Ratio (PSNR) et Structural Similarity Index (SSIM) en plus de la qualité visuelle de l’image SR obtenue. A partir des résultats obtenus, les algorithmes SR de deep learning permettent une amélioration significative des images LR et sont les meilleurs algorithmes en termes de PSNR et SSIM..