As técnicas de super-resolução possibilitam combinar várias imagens de uma mesma cena para se obter uma imagem com resolução radiométrica e geométrica aumentada, denominada de imagem de super-resolução. Nessa imagem são realçadas características importantes possibilitando recuperar detalhes e informações. As aplicações envolvem diferentes áreas, tais como: na agricultura para identificar possíveis desmatamentos e controle de pragas, na área médica para a detecção de doenças em estágios iniciais, identificação facial de pessoas suspeitas em imagens de circuito fechado, reconstrução de filmes, identificação de placas de veículos, entre outras. No presente trabalho, é proposta uma metodologia para a geração de imagens de super-resolução a partir de uma região selecionada de um mosaico. Embora existam vários trabalhos publicados relacionados à geração de imagens de super-resolução, as metodologias não se aplicam para uma região específica do mosaico. E grande parte dos trabalhos utiliza uma imagem de referência, a partir da qual é gerada a imagem de super-resolução. Na metodologia proposta, inicialmente, é gerado um mosaico a partir de um conjunto de imagens baseando-se nos algoritmos SIFT ou SURF, BBF e RANSAC e é criada uma estrutura de dados, que organiza os pontos correlacionáveis das imagens com sobreposição, facilitando e simplificando o processo de fusão desses pontos para a obtenção da imagem de super-resolução. A ferramenta implementada a partir dessa metodologia, possibilita ao operador selecionar a região de interesse no mosaico, a partir da qual, é gerada a imagem de super-resolução utilizando as técnicas SIFT (ou SURF), interpolação Bicúbica e a fusão pelo valor mediano dos pontos da área com sobreposição das imagens da sequência. Para validar a metodologia, foram utilizados quatro conjuntos de imagens, que incluem imagens simuladas, obtidas com câmeras de baixa e alta resolução, imagens aéreas de áreas urbanas e rurais, coloridas e em escalas de cinza, e imagens contendo elementos textuais. Nas imagens simuladas foram adicionados ruídos e avaliada a imagem de super-resolução gerada por meio de duas métricas: raiz do erro médio quadrático (RMSE) e o índice de similaridade estrutural (SSIM). Os resultados mostraram que mesmo com valor de RMSE elevado, o SSIM foi acima de 70%, evidenciando o alto grau de similaridade. As imagens de super-resolução obtidas a partir de uma região dos mosaicos gerados foram comparadas com imagens superamostradas por meio de interpolações e avaliadas confrontando as imagens extrapoladas para verificação visual dos elementos da cena. Os resultados apresentados concluem que as imagens de super-resolução geradas, apresentam melhorias no que diz respeito à restauração das mesmas para futura análise de alvos de interesse, sem ter o retrabalho de adquirir novas imagens da cena, pois dependendo da cena analisada não será possível nova aquisição. O presente trabalho contribui com a geração de imagem de super-resolução, a partir de uma região do mosaico e com estruturas de dados e algoritmos que possibilitam a análise de regiões específicas do mosaico, sem que o mesmo tenha que ser processado integralmente.

Super-resolution techniques allow combining several images of the same scene in order to obtain an image with increased geometric and radiometric resolution, called super-resolution image. In this image are enhanced features allowing to recover important details and information. The applications involve different areas, such as: in the agriculture to identify possible deforestation and pest control, in the medical area to detect diseases in early stages, facial identification in images of suspects in closed loop, movies reconstruction, license plates recognition, among others. In this work, we propose a methodology for generating super-resolution images from a selected region of a mosaic. Although there are several published papers related to the generation of super-resolution images, the existing methodologies do not apply to a specific region of the mosaic. And the majority of studies use a reference image, from which is generated the super-resolution image. In the proposed methodology, initially, a mosaic is generated from a set of images based on the algorithms SIFT or SURF, BBF and RANSAC and creates a data structure that organizes the points correlate of the images with overlapping, facilitating and simplifying the fusion process of these points to obtain the super-resolution image. The tool implemented from this methodology allows to the operator to select the region of interest in the mosaic, from which is generated the image using super-resolution techniques SIFT (or SURF), Bicubic interpolation and fusion process by the median value of the points with overlapping area from the images of the sequence. In order to validate the methodology, we used four sets of images, including simulated images taken with cameras of low and high resolution, aerial images of urban and rural areas, color and grayscale images and images containing texts. In the simulated images were added noise and were evaluated the super-resolution image generated by two metrics: root mean square error (RMSE) and the structural similarity index (SSIM). The results showed that even with high RMSE value, the SSIM was above 70%, reflecting the high degree of similarity. The super-resolution images obtained from a region of the mosaics were compared with images generated by super-sampled interpolation and evaluated by comparing the images extrapolated to visual inspection of elements of the scene. From the results it can be concluded that the super-resolution images generated present improvements with regard to restoration of images for further analysis of targets of interest, without reworking to acquire new images of the scene, because depending on the analyzed scene it would not be possible a new acquisition. This work contributes to the generation of super-resolution image from a region of the mosaic and with data structures and algorithms which enable the analysis of specific regions of the mosaic without it has to be fully processed.