一种保持图像边缘的插值方法

合集下载

十种放缩法技巧全总结

十种放缩法技巧全总结

十种放缩法技巧全总结放缩法(Scaling)是一种常用的图像处理技术,通过对图像进行放缩,可以改变图像的尺寸和像素分布,以满足不同的需求。

本文将总结十种常用的放缩法技巧,包括等比例缩放、非等比例缩放、双线性插值、最近邻插值等。

1. 等比例缩放等比例缩放是最常用的一种放缩法技巧,通过保持图像的宽高比不变,按比例减小或增大图像的尺寸。

在图像处理软件中,可以直接设置缩放比例或输入目标尺寸来实现等比例缩放。

代码示例:1. 设置缩放比例为0.5:scale_factor = 0.52. 设置目标尺寸为宽度为500px:target_width = 500, target_height = original_height * (target_width / original_width)2. 非等比例缩放非等比例缩放是一种在宽高比不变的情况下,分别按比例减小或增大图像的宽度和高度的放缩法技巧。

与等比例缩放相比,非等比例缩放会改变图像的形状,导致图像的扭曲或拉伸。

代码示例:1. 分别设置缩放比例:scale_factor_x = 0.8, scale_factor_y = 1.22. 分别设置目标尺寸:target_width = original_width * scale_factor_x, targ et_height = original_height * scale_factor_y3. 双线性插值双线性插值是一种用于图像放缩的插值算法,通过对图像的像素进行线性插值计算,以获得更平滑、更真实的放缩效果。

双线性插值通过对目标图像的每个像素,根据原图像的相邻像素的灰度值进行加权平均计算,从而得到最终的像素值。

代码示例:1. 计算目标像素的位置:target_x = (x / scale_factor_x), target_y = (y / s cale_factor_y)2. 计算四个相邻像素的坐标:top_left_x, top_left_y, top_right_x, top_right_y, bottom_left_x, bottom_left_y, bottom_right_x, bottom_right_y3. 分别计算四个相邻像素的灰度值:top_left_gray, top_right_gray, bottom_left_gray, bottom_right_gray4. 根据四个相邻像素的灰度值和目标像素的位置,进行插值计算得到最终的像素值4. 最近邻插值最近邻插值是一种快速的插值算法,通过选择离目标像素最近的原图像像素的灰度值作为目标像素的灰度值。

基于梯度的快速图像插值算法

基于梯度的快速图像插值算法
Ju a fC mp trA piain o rl o o ue p l t s n c o
I SN 001 9 S 1 — 08l
2 2.1 . 01 . 0. 01
计 算机 应 用 ,02 3 (0 : 8 1 2 2 ,86 2 1, 2 1) 2 2 — 8 32 2 文 章 编 号 :0 1— 0 1 2 1 )0— 8 1 3 10 9 8 (0 2 1 2 2 一O
(¥ 通信作者 电子 邮箱 zah a j.d .n hn u@t eu a) u

要: 为解 决传统插值算 法效果不佳 而新发展 的边缘 方向插值 算法计 算量 大的问题 , 出了一种基 于梯度检 提
测边缘的快速 图像插值算法。该算法通过在原 图像每一个 3× 3邻域 内计 算二 阶梯度 , 测边缘是 否存在 : 检 若存在边 缘, 则计 算一 阶梯度判 断边缘 强弱并 自适应得 到权值 因子 , 然后进 行 带权 的线性插 值 ; 不存 在边缘 , 若 则在 此邻域 内
进行双线性插值。 实验结果表明 , 算法不仅使 插值后 图像具 备整体 清晰性 和边缘 平滑性 , 此 有效保持 了图像 的主观
视觉质量 , 而且相 比现 有同等效果的插值 算法 , 运算 时间至 少能降低 2 % , 0 尤其适 用于嵌入 式设备 图像放 大的应 用。
关键词 : 图像 放 大 ; 速 插 值 ; 快 带权 插 值 ; 缘 检 测 ; 阶梯 度 边 二
Ab ta t r dt n li g n ep lt n a g rt ms h v o r p r r n e a d mo to h e e t e eo e d e s r c :T a i o a ma e it r o ai l o i i o h a e p o e f ma c n s f t e r c n l d v l p d e g — o y d r ce n e oai n a g rtmsa e o ih c mp t t n i td it r lt lo h r fhg o u ai .T ov h s rb e ,a f s i g ne p l t n ag r h b s d e p o i o o s le t o e p o lms a t ma e i tr oai lo t m a e o i o r d e t d sr u in ee t n wa rp s d T e a i i e s o e e t h e i e c f e g s n a h 3 × 3 n g a in it b t d tci s p o o e . h b sc d a wa t d tc t e xs n e o d e i e c i o o t n ih o r o d o e oi i a lw— sl t n i g y c lu ai g i w — tp ga in s fa d e e itd d p ie w i he eg b u h o ft rgn o r ou i ma e b ac lt t t o s r d e t.I n e g x s ,a a t e g td h l e o n s e e v f co p t d e s e g h w s o ti e y c c l t g i n —t p g a in , a d t e h ih e i e r it r oa in w s a tru o e g t n t a b an d b a u ai t o e se rd e t n h n t e weg t d l a n e lt a r l n s n p o i lme t d mp e n e .O h r ie b l e r i tr o ain w s c ri d t r u h i h t n ih o r o d T e e p r n s s o h t t e t e w s , i n a nep lt a are h o g n ta e g b u h o . h x e me t h w t a h i o i

一种新的基于梯度的2*图像插值算法

一种新的基于梯度的2*图像插值算法
图像的边缘对应 的是图像中的高频信息 , 也就是
维普资讯
Байду номын сангаас
第 2 卷 第 6期 8
V 1 8 NO6 02 l. .
20 年 6月 06
刘 刚等:一种新的基于梯度的 2 图像插值算法 ・
Jn 2 0 ue 06
灰度级变化 比较剧烈的地方 ,一个边缘的示例如图
双线性插法是指对放大后的图像,对原始像素周 围 的放大 后 的新 点的像 素 ,用原 始 图像 上原 始 点与右
收稿 日期:2 0 .42 0 50 .1 作 者简介:刘刚 (9 6 ,助教。主要研究方 向:光 电成 17 一) 像 ,实时 图像处理 ,图像通信等 。
34 2
4 本文算法分析
Ab ta t A e 2 i g n ep lt n b s d o rd e twa rp sd a l a o sr c : n w ma e itr oai a e n g a in s p o o e s wel s c mmo ma e o n i g itr oainmeh d e iwe . en w ma tr oain meh d h d s mea v na e ffs p r t n nep lto t o srve d Th e i g i e lt to a o d a tg s t eai n p o o a o o a do v o sefc ,t e t ag f r aino ei g d ea de sl aie yh dwae n b iu fe t ik p rei om t f h l n o t ma ee g a i r l db a r . n ye z r Ke r s i g tro ain i g d e g a in ywo d : ma ei e lt ; ma ee g  ̄ rd e t n p o ‘

图像填充的原理

图像填充的原理

图像填充的原理图像填充是计算机图像处理中的一个重要技术,其原理是在输入图像的某些区域上填充像素值,以达到补全图像或修复图像缺陷的目的。

在图像处理中,填充可以用于多种场景,例如修复缺失的图像部分、去除噪点或伪像、修复图像边缘等。

图像填充涉及到许多算法和技术,下面将介绍几种常用的图像填充原理。

1. 直接复制填充法:直接复制填充法是最简单的一种填充方法,它将已有的图像内容直接复制到需要填充的区域。

这种方法的原理是通过在源图像上选取合适位置的像素值进行填充,然后将这些像素值复制到目标图像的相应位置。

该方法的优点是简单易实现,但缺点是不能处理复杂的填充问题,只能进行简单的复制填充。

2. 邻近像素填充法:邻近像素填充法是一种基于邻近像素值来进行填充的方法。

其原理是对于需要填充的像素,根据其周围像素的像素值来确定填充的像素值。

常用的邻近像素值选择有四邻域和八邻域,四邻域只考虑上下左右四个方向的像素值,八邻域则考虑上下左右和斜对角共八个方向的像素值。

该方法的优点是计算简单,但缺点是填充结果可能不够平滑,容易产生锯齿状边缘。

3. 插值填充法:插值填充法是基于插值算法进行图像填充的方法。

其原理是通过已有的图像信息,根据一定的插值算法来估计需要填充的像素值。

常用的插值算法有最近邻插值、双线性插值和双三次插值等。

最近邻插值是一种简单的插值算法,它将需要填充的像素的最近邻像素的像素值作为填充像素值。

双线性插值和双三次插值都是基于像素之间的线性关系进行插值计算的,可以得到更平滑的填充结果。

插值填充法的优点是填充结果更加平滑,缺点是计算量较大。

4. 基于纹理合成的填充法:基于纹理合成的填充法是一种更加高级的填充方法,其原理是基于已有的图像纹理进行填充。

该方法将源图像的纹理信息应用到目标图像的填充区域上,以达到自然衔接的效果。

实现该方法的关键是纹理合成算法,常见的纹理合成算法有基于像素块匹配和基于贴图的纹理合成算法。

这些算法通过将源图像的局部纹理与目标图像进行匹配或融合,生成逼真的填充结果。

导向滤波算法

导向滤波算法

导向滤波算法导向滤波算法是一种基于图像尺度空间理论的图像处理方法。

这一算法在保持图像边缘信息的同时对图像进行了平滑处理,是一种相对较为高效的图像降噪方法。

下面就让我们来分步骤阐述一下这一算法的具体实现吧。

第一步:计算导向场在导向滤波算法中,首先需要计算出图像中的导向场。

导向场可以理解为图像中每个像素点的方向矢量,强度和方向都是变化的。

计算导向场可以通过两种方法:基于梯度和基于结构张量。

梯度方法计算速度快,但容易受到噪声的影响;结构张量方法计算准确度高,但计算速度相对较慢。

根据具体情况选用不同的方法。

第二步:计算权值矩阵根据图像中每个像素点的导向场,我们可以计算出每个像素点的权值矩阵。

权值矩阵的大小与像素点邻域的大小有关,通常选取3x3的邻域大小。

每个像素点的权值矩阵也包含了导向场的信息,因此在计算权值矩阵时需要考虑导向场的影响。

第三步:进行卷积操作计算出了权值矩阵之后,我们就可以对图像进行卷积操作对图像进行平滑处理。

由于权值矩阵包含了导向场信息,因此导向滤波算法可以一定程度上保持图像的边缘信息。

对于离散图像而言,我们可以使用离散卷积来计算滤波后的像素值。

第四步:进行缩放操作由于导向滤波算法在计算权值矩阵时选择了邻域,因此滤波后的图像可能存在一定程度上的缩小。

为了避免这种情况的出现,我们可以对图像进行缩放操作,即在卷积之后重新调整像素的位置。

这一步操作可以使用双线性插值来实现。

通过以上四个步骤,我们就可以成功实现导向滤波算法对图像的平滑处理。

在实际应用中,导向滤波算法可以应用于图像降噪、图像增强、图像去模糊等方面。

同时,导向滤波算法的计算量相对较小,对于实时图像处理具有一定优势。

图像处理中的图像超分辨率算法研究

图像处理中的图像超分辨率算法研究

图像处理中的图像超分辨率算法研究图像超分辨率算法是一种可以将低分辨率图像转化为高分辨率图像的技术。

在图像处理领域中,图像超分辨率算法有着广泛的应用。

本文将介绍一些常见的图像超分辨率算法,并对其进行研究和探讨。

一、图像超分辨率算法的概述图像超分辨率算法是指通过插值、重建等技术手段,将低分辨率图像增强为高分辨率图像的过程。

基于此目标,研究者们提出了许多不同的算法,包括插值法、基于统计的方法、基于深度学习的方法等。

二、插值法插值法是一种最简单的图像超分辨率算法,其主要思想是通过对低分辨率图像的像素进行插值,来增加图像的分辨率。

常见的插值方法有最近邻插值、双线性插值和双三次插值等。

这些方法在一定程度上可以提高图像的清晰度,但是却无法从根本上提高图像的细节和边缘信息。

三、基于统计的方法基于统计的方法是一种常见的图像超分辨率算法,主要利用同一场景下的多张低分辨率图像的统计信息来重建高分辨率图像。

这类方法通常需要大量的训练样本,并采用一些数学模型来推断高分辨率图像中的详细细节。

然而,这种方法的计算复杂度较高,并且对训练样本的要求较高。

四、基于深度学习的方法近年来,随着深度学习的飞速发展,基于深度学习的图像超分辨率算法也逐渐受到研究者的关注。

深度学习算法通过构建深度神经网络模型,并结合大量的训练数据,可以自动学习并推断高分辨率图像中的细节信息。

这类方法在一定程度上提高了图像超分辨率的效果,但是也存在模型复杂度高、训练样本要求大等问题。

五、局部自适应超分辨率算法为了克服以上算法的局限性,局部自适应超分辨率算法被提出。

这类算法通过将图像分割为若干小块,并对每个小块进行超分辨率处理,然后再将处理后的小块拼接起来,从而得到整体的高分辨率图像。

这种算法结合了插值法和基于统计的方法,既能提高计算效率,又能保持较好的图像细节和边缘信息。

六、总结图像超分辨率算法是图像处理领域中一个重要的研究方向。

本文介绍了一些常见的图像超分辨率算法,并进行了研究和探讨。

stablediffusioninpainting原理

stablediffusioninpainting原理稳定扩散修复(Stable Diffusion Inpainting)是一种图像修复的方法,通过扩散过程来填补图像上的缺失部分。

它的原理是在输入图像中选择一个合适的扩散模型,并使用扩散过程填补图像的缺失部分。

稳定扩散修复算法主要包含以下几个步骤:1.图像预处理:首先,输入图像需要进行预处理,以便更好地应用稳定扩散修复算法。

预处理的步骤可能包括去噪、边缘检测和图像增强等。

2. 定义扩散模型:在稳定扩散修复算法中,需要选择一个适当的扩散模型。

最常用的模型是非线性扩散模型,如Perona-Malik模型。

该模型可以有效地平滑图像,但对边缘进行保护,以防止边缘细节的模糊。

3.扩散过程:使用选择的扩散模型对图像进行扩散修复。

扩散过程涉及将图像中缺失的像素位置作为边界条件,并将修复后的像素值向缺失区域扩散。

扩散过程可以通过使用偏微分方程进行数值解来完成。

4.扩散停止准则:为了控制扩散修复的过程,需要定义一个停止准则。

常用的准则是根据扩散过程中像素值的变化量来确定是否停止扩散。

当像素值的变化量低于一些阈值时,扩散修复过程可以停止。

5.后处理:最后,完成稳定扩散修复后,可能需要进行一些后处理操作,以进一步优化修复图像的质量。

后处理可能包括去噪、图像增强和边缘保护等。

稳定扩散修复算法的优点是能够有效地填补图像的缺失部分,并且保持图像的细节信息。

它适用于各种类型的图像缺失修复,如遮挡、噪声和损坏等。

相比于传统的插值方法,稳定扩散修复算法能够更好地恢复图像的真实性和细节。

然而,稳定扩散修复算法也存在一些限制。

首先,选择合适的扩散模型是一个挑战性的任务,需要根据具体的图像缺失情况进行调整。

其次,扩散修复的过程可能比较耗时,对计算资源要求较高。

总的来说,稳定扩散修复是一种有效的图像修复方法,可以用于填补图像上的缺失部分。

它的原理是利用扩散过程对图像进行修复,同时保持图像的细节信息。

cv2.resize 默认差值方法

CV2是一个在Python中广泛使用的计算机视觉库,它具有许多强大的功能,其中包括图像处理和缩放。

在CV2中,有一个常用的函数`cv2.resize`,可以用来对图像进行缩放处理。

在使用`cv2.resize`函数时,可以指定缩放的方法,其中默认的差值方法有两种,分别是最近邻插值和双线性插值。

1. 最近邻插值最近邻插值是一种简单的插值方法,它的原理是在缩放过程中,直接使用原图像中最接近目标像素的像素值。

在最近邻插值中,目标图像的每一个像素都是由原图像中离它最近的像素确定的。

这种方法计算速度快,但会导致图像的锯齿边缘现象,从而降低图像的质量和清晰度。

2. 双线性插值双线性插值是一种较为复杂的插值方法,它的原理是在缩放过程中,通过对原图像的四个最近像素进行加权平均来确定目标像素的值。

双线性插值可以更好地保持图像细节和平滑度,不会出现锯齿边缘现象,得到的缩放图像质量更高,视觉效果也更好。

在使用`cv2.resize`函数时,默认的差值方法即为双线性插值,这意味着在缩放过程中,CV2会使用双线性插值来确定每个目标像素的值,以保证图像质量和清晰度。

双线性插值是一种比较成熟和常用的插值方法,在图像处理和计算机视觉领域得到了广泛的应用。

总结在实际使用中,选择合适的缩放方法对于保持图像质量和细节至关重要。

最近邻插值适合于一些对图像细节要求不高的情况,而双线性插值则更适合对图像质量有较高要求的场景。

在CV2中,`cv2.resize`函数的默认差值方法为双线性插值,在大多数情况下能够满足用户的需求。

使用`cv2.resize`函数进行图像缩放时,可以放心地使用默认的差值方法来获得高质量的缩放结果。

在实际的图像处理和计算机视觉应用中,图像的缩放是非常常见的操作。

无论是在图像识别、目标检测、图像分类还是图像分割等领域,都会面对图像的缩放需求。

而在进行图像缩放时,选择合适的插值方法对于最终效果具有重要的影响。

在CV2中,`cv2.resize`函数便提供了默认的差值方法,使得用户能够便捷地对图像进行缩放操作。

常见的插值方法及其基础原理

常见的插值方法及其原理这一节无可避免要接触一些数学知识,为了让本文通俗易懂,我们尽量绕开讨厌的公式等。

为了进一步的简化难度,我们把讨论从二维图像降到一维上。

首先来看看最简单的‘最临近像素插值’。

A,B是原图上已经有的点,现在我们要知道其中间X位置处的像素值。

我们找出X位置和A,B位置之间的距离d1,d2,如图,d2要小于d1,所以我们就认为X处像素值的大小就等于B处像素值的大小。

显然,这种方法是非常苯的,同时会带来明显的失真。

在A,B中点处的像素值会突然出现一个跳跃,这就是为什么会出现马赛克和锯齿等明显走样的原因。

最临近插值法唯一的优点就是速度快。

图10,最临近法插值原理接下来是稍微复杂点的‘线性插值’(Linear)线性插值也很好理解,AB两点的像素值之间,我们认为是直线变化的,要求X点处的值,只需要找到对应位置直线上的一点即可。

换句话说,A,B间任意一点的值只跟A,B有关。

由于插值的结果是连续的,所以视觉上会比最小临近法要好一些。

线性插值速度稍微要慢一点,但是效果要好不少。

如果讲究速度,这是个不错的折衷。

图11,线性插值原理其他插值方法立方插值,样条插值等等,他们的目的是试图让插值的曲线显得更平滑,为了达到这个目的,他们不得不利用到周围若干范围内的点,这里的数学原理就不再详述了。

图12,高级的插值原理如图,要求B,C之间X的值,需要利用B,C周围A,B,C,D四个点的像素值,通过某种计算,得到光滑的曲线,从而算出X的值来。

计算量显然要比前两种大许多。

好了,以上就是基本知识。

所谓两次线性和两次立方实际上就是把刚才的分析拓展到二维空间上,在宽和高方向上作两次插值的意思。

在以上的基础上,有的软件还发展了更复杂的改进的插值方式譬如S-SPline, Turbo Photo等。

他们的目的是使边缘的表现更完美。

插值(Interpolation),有时也称为“重置样本”,是在不生成像素的情况下增加图像像素大小的一种方法,在周围像素色彩的基础上用数学公式计算丢失像素的色彩。

一种新的区域图像插值算法

点在源图像 中所属 的区域对应地使用不 同的插值算 法。与一些典 型插值算法 进行仿真 比较 , 验证 了该算
法在基本不改变插值精度 的前提下 , 可以有效地降低运算时间 。 关键词 :图像处理 ;纹理 ;区域划分 ; 参 数选 取 ; 插值算法
中图分类号 :T P 3 9 1 . 4 文献标 识码 :A 文章编号 :1 0 0 0 - - 9 7 8 7 ( 2 0 1 4 ) 0 3 - - 0 1 5 0 - - 0 4
0 引 言
定下降 ; 3 ) 基于边缘保持 的 自适应插值算 法” : 这类 算法 能有效地去 除图像 的锯齿 效果 , 但对小 面积重 复 区域 处理 不足 ; 4 ) 基 于区域 的插 值算 法 : 插值 原理 是 首先 将原 始低 分辨率 图像依 据不同方法 划分 成不 同区域 , 然后将 插值 点 映射 到低 分辨率图像 , 判 断其所属 区域 , 最后根据插值 点的 邻 域像素设计不 同的插值公 式 , 计 算插值 点 的值 。此类 算 法无论从 主观 上还 是客观 上, 图像质 量均 较好 , 但 文 献[ 1 O ] 由于引入了图像分割的方法 , 算法 复杂 度加 大。 针对 已有算法 的一些不足 , 以第 四类算法为指导 , 本文 提 出了一种新 的区域方法用于插值算法 中。该算 法主要思 路为先将待插值 图像 等分 成 M × N个 方格 , 分别 计算 方格 4个端点 的灰度均方差 , 并将 与 阈值 作 比较从 而判
J i ng a n a n Un i v e r s i t y , Wu x i 2 1 4 1 2 2 , C h i n a )
Ab s t ac r t :Ai mi n g a t p r o b l e ms s u c h a s g r a y s c le a d i s c o n t i n u o u s , c o n t o u r f u z z y, l a r g e a mo u n t o f c a l c u l a t i o n a f t e r i n t e r p o l a t e d, e x i s t s i n t r a d i t i o n a l t h r e e k i n d s o f i ma g e i n t e po r l a t i o n a l g o i r t h ms , p r o p o s e a n e w r e g i o n l a i n t e po r l a t i o n a l g o i r t h m. T h e a l g o it r h m i f r s t d i v i d e s i ma g e a c c o r d i n g t o l f a t o r c o mp l e x o f i ma g e t e x t u r e , t h e n a c c o r d i n g t o r e g i o n t h e i n t e po r l a t i o n p o i n t b e l o n g i n g t o i n t h e s o u r c e i ma g e c o r r e s p o n d i n g l y u s e s d i f f e r e n t i n t e po r l a t i o n lg a o i r t h ms . T h e s i mu l a t i o n r e s u l t s v e i r i f e d t h a t t h i s lg a o r i t h m c a n e f f e c t i v e l y r e d u c e s t h e o p e r a t i o n t i me w i t h o u t c h a n g i n g t h e i n t e r p o l a t i o n p r e c i s i o n, c o mp a r e d w i t h s o me t y p i c a l i n t e po r l a t i o n lg a o r i t h ms .
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
中 图分 类号 :T 9 1 7 N 1.3 文献标识 码 : A 文 章编号 :0 9— 5 6 2 0 ) 3— 0 8— 3 10 3 1 ( 0 7 0 0 7 0
在单帧 图像或 序列 图像 的超 分辨率 重建 中 , 需要对 低分辨 率 ( o eo tn L 图像进行 插值 , 都 Lw R sl i ,R) uo 并结 合其 他手段 , 重建 高分辨 率 ( i eouo , R) Hg R sltn H 图像 , 而提 高 图像 的 空域 分 辨 率 , 富 图像 的细 节信 息 。 h i 从 丰 线性插 值是 常用 的图像 插值 方 法 … , 理 论 已经 非 常成 熟 , 其 在信 号 、 图像 处 理 等许 多 领 域 都 有 着 广 泛 的应 用 , 插值 的结果 过 于平滑 , 图像 的边 缘 信息 受 到 损失 。近些 年 来 利 用 变换 域 进 行 插值 的方 法 也有 很 但是 使
1 图像降质模型
设 g i ) 1 ≤ ,≤. (, ( ≤i 1 f ≤Ⅳ) 为观 测到 的 L R图像 ,(, ( ≤ . i ) 1 ≤ ,≤ N,>1 厂 1 ≤r r )为理 想 的未 降 质 H R图像 , 从假设 为限带 的连 续场景 中按 等于 或高 于 N qi 率 的采 样 率采 样 得 到 的 , >1表 示 由 H 是 yus t r R图 像 到 L R图像 g的下 行采样 因 子 ( 简便 起见 , 设二 维相 同) 。除 了模 型 允许 的运 动 和退 化 之 外 , 以认 为. 可 厂 在获取多幅 L R图像的过程中保持不变 , 因此 , 在一幅 H R图像.上进行形变 、 厂 模糊 、 二次采样操作 , 便产生了 多幅 L R观察 图像 。假定 每 幅低 分 辨率 图像被 加性 噪声污 染 , 由 H 则 R图像 得 到 P帧 L 图像序 列 的空 域数 R
比较常用 的插值 方法 有 最近邻 插值 、 双线 形插值 和 双三 次插 值 。双三 次 插值 用 双 三 次 多项 式 局部 表 面 近似灰 度 函数来 改 善插值 模 型 , 1 相 邻 点作 为插值 计 算像 素 。一 维 的插 值 核 ( 西 哥草 帽 ) 图 1 用 6个 墨 如 所 由 hx ( )=I 。 2 I I 一 +10 I ≤1h x = 一I。 5I I 8I + 1 I ≤2; ( I , ≤ I ; ( ) + I 一 I 4, ≤ I h )= I >2给 0, 1 I
维普资讯
第 8卷第 3期
20 07年 6月







报( 自然科学版 )
V 18 o . No 3 .
JU N LO I O C N IE RN NV R I N T R LS IN EE I O ) O R A FARF R EE GN E IGU IE S Y( A U A CE C DT N T I
JI 2 0 1 0 7 u.

种 保 持 图像 边缘 的插 值 方 法
张 雄 , 毕笃彦 , 杨 宝强
( 空军工程大学 工程学 院 ,陕西 西安 70 3 ) 10 8

要 : 图像 超分 辨 率重建 中, 在 需要对低 分辨 率 图像 进行插 值 。在对 图像 提 取边 缘 的基 础上 ,
为r MN× MN的模糊 矩 阵 , 是 一个 大小 为 r ×MN 的 二次采样 矩 阵 。图 像超 分辨 率 重 建 的 目标 是从 观 r D MN r 测到 的 L R图像 g估 计 H R图像 . 厂。本 文讨 论 由单 帧 L R图像 g插值 重 建 H R图像 . 厂。
2 保 持 边 缘 的插值 重 建
学模型可表示为 - g = C F n( ≤ ≤p 。式中: 、和 n 分别表示按行或按列重新堆砌而成的 M 5 D + 1 ) ] g厂 N × R图像 、2 N× R图像和 M 1 L r M 1H N×1 噪声。 是一个大小为 r × 的形变矩阵 , 删 以 c 代表一个大小
考 虑边缘 的方 向, 对边 缘像 素插 值 , 后对 其余 零填 充 像 素用 双 三 次插 值赋 值 。 最 后给 出 了 先 然 实验结果 , 与最近 邻插值 、 线性插 值 及传 统 的双 三次插 值进 行 了比较 。结 果 表 明苌 方 法 较 并 双 好地 保持 了图像 的边 缘信 息 。 关键词 : 分辨 率重 建 ; 超 插值 ; 缘保持 ; 边 高分 辨 率
多, 如文献[ ] [ ] 2 、3 等是基于小波变换进行的插值 , 插值效果比较好 , 但是需要先进行插值 , 然后再进行小波 变换及其逆变换 , 计算量 比较大。本文对单帧图像插值 中保持图像边缘进行研究 , 结合经典而有效的双三次 插值方法 , 并与常用的插值方法 即最近邻插值、 双线性插值和传统的双三次插值结果进行了比较。

出 一 。
收 稿 日期 :06—1 —2 20 1 8
基金项 目: 国家“ 6 ” 83 计划资助项 目( 0 6 A 0 11 20 A 7 12 ) 作者简介 : 雄 (9 8一) 男 , 张 17 , 湖北钟祥人 , 博士生 , 主要从事 图像处理与模式识别等研究 ; 毕笃彦( 9 2一) 男 , 16 , 陕西扶风人 , 教授 , 博士生导 师, 主要从事智能 图像处理 , 模式识别等研究

维普资讯
第 3期

雄等 : 一种保持图像边缘的插 值方法
7 9
双三次插值对最近邻插值 中的锯齿边界问题和双线性插值中的模糊 问题都有很好 的解决 , 较好 的保持 了图像的细节 , 但是 在对 边缘像 素 的处理 中 , 因为非边缘 像 素的参 与计 算 , 没有 单独 考 虑边缘 像素 , 并 而是将 其 与其它像素 同等考 虑 的 , 使得 边缘像 素插 值效 果受 到影 响。 边缘方 向插值算 法通 常假设 自然 图像具 有理 想 的阶梯 形 边缘 即几何 正则 性 , 图像 的 强度 场 沿着 边 缘方 向的变化 比垂 直于边 缘方 向 的变化慢 , 即边 缘方 向上 的光 滑性 和垂 直 方 向上 的 锐利 性 。 几何 正 则性 决定 自 然 图像 的视觉 质量 。好 的插 值 方法应 当对 图像 的边缘特 殊考 虑 , 能避免 或 减轻 边缘模 糊 和产 生锯齿 , 好 才 很 地保持 边缘 的光滑性 和锐利 性 。基 于这种考 虑 , 我们 提 出一种 保持 图像 边缘 的插值 算 法 。 在 图像 中 , 除边 缘外 , 其它 区域都 是像素 灰度值 较 为平坦 的 区域 , 时用 双线性 插值 或者 双 三次插值 , 这 效 果都 已足够好 . 甚至 在有些 平坦 区域用 最近邻 插值 , 觉效 果也 不 会 太差 。在 这 种情 况 下 , 用小 波 插值 或 视 采 者其 它较 为复杂 的插 值方 法 , 算复杂 度 和运 算量 都会 大大增 加 , 运 而效果 却不 会有 太 明显 的改善 。所 以插值 中最需要 考虑 的是边 缘像素 的插值 。 在前述降质模型中. 设二维下采样率相同, r 2。图2为边缘插值示意图 , 白点阵构成高分辨率图 即 = 黑 像像素 阵列 。黑 点为低 分辨 率 图像 像 素点 的复制 , 如像 素 点 (k一12 一1 2 ,l )对 应低 分 辨 率 图像 中的像 素 点 ( ,), kZ 白点为零 填充插 值像 素点 , 实线段 A、 C、 、 D所连接 的黑 点为低 分辨 率 图像 中检测 出 的边缘像 素 。 在对零 填 充像 素进 行赋 值时 , 首先 对 边缘 像 素点 赋值 。在 图示 中 , 以边缘 像 素 点 连 接线 段 中 的零填 充点 (.2)为例 , 2 ,Z ] } 对该 点进行 插值 时 , 由于 (k一12 一1 2 ,l )与 ( .+12 +1 2} ,l )均 为低 分 辨 率 图像 中 的边缘 ] 像素 , 边缘 的连续性 , 认 为 (.2)亦 为边缘像 素 , 以 , 根据 我们 2} Z ] , 所 我们用 两点 的均值 对 点 (.2) 2 ,Z赋值 , ] } 即
相关文档
最新文档