Fast super-resolution and segmentation based on l0 gradient minimization

Super-resolution and segmentation are two difficult problems in image processing and in the past years there has been continuous work to improve existing algorithms and find new approaches. Image super-resolution refers to the process of reconstructing an image with a higher spatial resolution using low resolution observations while preserving its quality and interesting features. Image segmentation involves partitioning digital images into multiple segments or objects to simplify or change the representation into something that is more meaningful and easier to analyse. Our main contribution is the implementation of an efficient solution for the super-resolution problem that significantly improves the speed of a previous algorithm. We apply this new method to two joint super-resolution and segmentation models based on on l0 gradient minimization and compare the results of the algorithms. La super-risoluzione e la segmentazione di immagini sono due problemi difficili nell'elaborazione di immagini digitali, negli ultimi anni è stato dedicato molto lavoro al miglioramento di algoritmi esistenti e alla ricerca di nuovi approcci. La super-risoluzione di immagini consiste nella ricostruzione di un'immagine ad alta risoluzione partendo da osservazioni a bassa risoluzione, preservandone la qualità e le caratteristiche interessanti. La segmentazione di immagini riguarda il partizionamento di immagini digitali in segmenti o oggetti per trasformare le informazioni in qualcosa di più significativo e più facile da analizzare. Il contributo principale di questo lavoro è l'implementazione di una soluzione efficiente per il problema di super-risoluzione che migliora notevolmente la velocità di un algoritmo precedente. Applichiamo questo nuovo metodo a due modelli di super-risoluzione e segmentazione basati sulla minimizzazione della norma l0 del gradiente e confrontiamo i risultati dei due algoritmi.