چکیده
1 . مقدمه
2. بيان مسئله
3. حل با استفاده از شبه فضاها
3.1 تخمين انحراف
3.2 . محاسبه ضرایب فوریه
4 . تفسیر
5. موضوعات محاسباتي
5.1 تخمين انحراف
5.2 محاسبات ضرايب فوريه
6. کاربرد: فرا راه حل
7. بررسي و کارهاي آينده
8. نتايج
چکیده
در سیستم های پردازش سیگنال، ناهمواري به طور معمول به عنوان یک سیگنال نگران کننده در نظر گرفته مي شود. این کار نیاز به فیلترهاي آنالوگ موثر، نوری و ضد ناهمواري دیجیتال را الزامي مي دارد. با این حال، ناهمواري نیز اطلاعات با مقداري را بر روی سیگنال بالای فرکانس نایکوئیست انتقال مي دهد. از این رو، پردازش موثر نمونه ها، بر اساس یک مدل از سیگنال ورودی افزايش فرکانس نمونه برداری را با استفاده از مبدل های آهسته تر و ارزان تر ميسر مي سازد. در این مقاله ، ما از الگوریتمي برای سيگنال هاي باند محدود را ارائه مي دهيم که زیر دو برابر فرکانس سیگنال حداکثر نمونه برداری مي شوند. با استفاده از روش شبه فضا در حوزه فرکانس، ما نشان می دهيم که این سيگنال ها را می توان از مجموعه های متعددی از نمونه ها بازسازی نمود. جبران بین مجموعه نامشخص است و می تواند مقادیر دلخواه داشته باشد. این رویکرد را می توان براي ایجاد تصاویر با رزولوشن فوق العاده از مجموعه ای از تصاویر با کیفیت پایین استفاده نمود. در این کاربرد، پارامترهای ثبت نام باید از تصاویر در هم آميخته محاسبه شود. ما نشان می دهيم که پارامترها و تصاویر با وضوح بالا را می توان دقیقا محاسبه نمود، حتی زمانی که سطح بالایی از ناهمواري بر روی تصاویر با وضوح پایین حاضر است.
Abstract
In signal processing systems, aliasing is normally treated as a disturbing signal. That motivates the need for effective analog, optical and digital anti-aliasing filters. However, aliasing also conveys valuable information on the signal above the Nyquist frequency. Hence, an effective processing of the samples, based on a model of the input signal, would virtually allow the sampling frequency to be increased using slower and cheaper converters. We present such an algorithm for bandlimited signals that are sampled below twice the maximum signal frequency. Using a subspace method in the frequency domain, we show that these signals can be reconstructed from multiple sets of samples. The offset between the sets is unknown and can have arbitrary values. This approach can be applied to the creation of super-resolution images from sets of low resolution images. In this application, registration parameters have to be computed from aliased images. We show that parameters and high resolution images can be computed precisely, even when high levels of aliasing are present on the low resolution images.
