基于邊緣像素點(diǎn)分類和插值的圖像放大新算法

端木春江　李林偉

摘 要： 提出了一種超分辨率圖像放大的新方法。根據(jù)低分辨率圖像上的邊緣信息，對(duì)初始的一個(gè)小圖像塊依據(jù)其對(duì)應(yīng)的低分辨率圖像上的邊緣點(diǎn)進(jìn)行分類，并根據(jù)此分類對(duì)圖像塊中某些像素點(diǎn)進(jìn)行重新插值，得到放大的高分辨率圖像塊。由于對(duì)圖像中的邊緣點(diǎn)進(jìn)行了特殊的處理，所提出的方法可以提高放大圖像的邊緣部分的清晰度，克服傳統(tǒng)圖像放大中圖像過(guò)于平滑的缺點(diǎn)，對(duì)圖像進(jìn)行很好的放大。

關(guān)鍵詞： 圖像處理； 圖像放大； 圖像插值； 多媒體信息處理

中圖分類號(hào)：TP37 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2015）04-01-02

Abstract： In this paper， a new image super-resolution method for image processing is proposed. In this method， it first classifies the image edge pixels in the high resolution image patches into different categories according to the edge pixels in the low resolution image. Then， different interpolation methods are utilized for different pixels according to the decided categories. Since special processing for the image edge pixels is utilized， it can enhance the articulation of the high resolution image in the image edge areas， avoid the shortcomings of the traditional image super-resolution methods， and has a good super-resolution performance.

Key words： image processing； image magnification； image interpolation； multimedia information processing

0 引言

圖像超分辨率放大的目的是由低分辨率的圖像得到高分辨率的圖像。這樣，可以在傳輸和存儲(chǔ)時(shí)，只傳輸或存儲(chǔ)低分辨率的圖像，然后在接受方或顯示方采用圖像的超分辨率放大技術(shù)得到高分辨率的圖像。圖像的超分辨率放大技術(shù)可以和已有的圖像壓縮技術(shù)相結(jié)合，進(jìn)一步地減少為存儲(chǔ)和傳輸高分辨率圖像而消耗的系統(tǒng)資源。同樣，高清視頻的存儲(chǔ)和傳輸，也可以利用圖像的超分辨方法來(lái)減少系統(tǒng)資源的消耗。

目前，圖像的超分辨率方法分為插值的方法和基于樣例的方法。其中，基于樣例的方法需要先建立一個(gè)由訓(xùn)練得到的由低分辨率圖像塊和其對(duì)應(yīng)的高分辨率圖像塊構(gòu)成的樣例數(shù)據(jù)庫(kù)，且其計(jì)算量非常大，難以實(shí)時(shí)應(yīng)用；基于插值的方法，雖然其計(jì)算復(fù)雜度低，但是容易造成圖像的模糊，圖像的邊緣部分不清晰，而人眼對(duì)于圖像的邊緣部分是比較敏感的，其較低的失真就會(huì)大大降低圖像的視覺(jué)效果。

本文提出了一種依據(jù)圖像的邊緣來(lái)修改放大圖像中的邊緣像素點(diǎn)和其附近的像素點(diǎn)值的插值方法。用這一方法，在插值的時(shí)候，插值方向和圖像的邊緣走向相一致，可以得到邊緣清晰的放大圖像。

1 方法的提出

鑒于現(xiàn)有技術(shù)的上述缺陷，本文提出一種根據(jù)圖像中的邊緣的情況進(jìn)行分類，然后對(duì)不同的類別進(jìn)行相應(yīng)的重新插值的方法。以根據(jù)低分辨率圖像上的邊緣信息，作為啟發(fā)式的信息，依據(jù)邊緣的走向來(lái)進(jìn)行插值，使放大的圖像邊緣清晰，克服目前已有的超分辨率插值的方法的邊緣模糊的缺點(diǎn)。

為實(shí)現(xiàn)上述目的，本文提供一種在邊緣檢測(cè)后對(duì)邊緣進(jìn)行11種不同的分類，再進(jìn)行重新插值的方法。對(duì)于放大的倍數(shù)為2×2時(shí)，即，橫向放大2倍，縱向放大2倍，其方法如下所述。當(dāng)然本文的方法不限于應(yīng)用于放大2×2倍的情況。本文的基于邊緣分類的新的圖像放大的方法按照如下步驟進(jìn)行。

步驟一，初始的基于雙線性插值的超分辨率放大，以得到初始的高分辨率圖像。

步驟二，對(duì)低分辨率圖像進(jìn)行邊緣檢測(cè)與提取，這里采用Canny算子進(jìn)行邊緣提取。然后，用雙閾值算法來(lái)把已經(jīng)檢測(cè)出的圖像邊緣連接起來(lái)。所采用的雙閾值Th、Tl的取值設(shè)定為T(mén)h=200，Tl=100。

步驟三，對(duì)邊緣提取后的圖像進(jìn)行二值化處理，使非邊緣點(diǎn)上的二值化的值均變?yōu)?，邊緣點(diǎn)上的二值化的值為1。

步驟四，置x=0，y=0。

步驟五，以（x，y）為高分辨率圖像塊的左上角，在高分辨率的圖像上提取3×3大小的圖像塊。對(duì)低分辨率的二值化圖像，以（x/2，y/2）為左上角，提取2×2大小的圖像塊。根據(jù)此2×2大小的邊緣二值化后的圖像塊，對(duì)提取的高分辨率的圖像塊進(jìn)行分類；然后，根據(jù)邊緣的類別，對(duì)初始放大的圖像上提取的如下圖像塊的邊緣像素點(diǎn)及其附近像素點(diǎn)，進(jìn)行重新插值；

2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)主要選取的是FERET數(shù)據(jù)庫(kù)中的人臉圖像，其中具體選取的是包括膚色不同程度的四幅圖像用于重建，原始高分辨率圖像的大小為120*120，根據(jù)每?jī)蓚€(gè)像素點(diǎn)取一個(gè)像素點(diǎn)的規(guī)定，下采樣后的降質(zhì)圖像大小變?yōu)?0*60，即縮小到原來(lái)的1/4，需要插值放大的倍數(shù)應(yīng)該設(shè)為長(zhǎng)和寬方向上各2倍。

選人臉圖像數(shù)據(jù)庫(kù)為實(shí)驗(yàn)對(duì)象，將實(shí)驗(yàn)結(jié)果通過(guò)客觀評(píng)價(jià)來(lái)檢測(cè)實(shí)驗(yàn)結(jié)果的優(yōu)劣，采用一定的公式或算法通過(guò)數(shù)據(jù)來(lái)說(shuō)明圖像的質(zhì)量。主要選用公認(rèn)的峰值信噪比（PSNR）標(biāo)準(zhǔn)來(lái)評(píng)價(jià)方法的性能。

從表1中可以看出，所提出的方法比傳統(tǒng)的雙線性插值方法具有更高的PSNR，重建效果優(yōu)于傳統(tǒng)的雙線性插值重建方法，性能更優(yōu)越。同時(shí)可以看出，檢測(cè)出的邊緣越多越有利于本文的基于邊緣分類的超分辨率重建方法。同時(shí)也可以說(shuō)明邊緣像素點(diǎn)對(duì)插值放大的方法具有重要的影響，而本文所提出的基于邊緣分類的重建算法能更準(zhǔn)確地重建邊緣點(diǎn)和其附近的像素點(diǎn)，因此有利于實(shí)際應(yīng)用。

3 總結(jié)與展望

本文提出了一種圖像放大的新方法，該方法克服了傳統(tǒng)方法中圖像邊緣部分放大時(shí)較模糊的缺點(diǎn)，提高了圖像放大的性能，在PSNR指標(biāo)上都優(yōu)于現(xiàn)有的方法。進(jìn)一步地，本方法和其他的圖像放大算法（如利用稀疏表示的圖像放大算法法和利用樣例的圖像放大算法）相結(jié)合，可以提高這些算法的性能。

參考文獻(xiàn)：

[1] 王春霞，蘇紅旗.圖像超分辨率重建技術(shù)綜述[J].計(jì)算機(jī)技術(shù)與發(fā)展，2011.21（5）：124-127

[2] 易學(xué)能.圖像的稀疏字典及其應(yīng)用[D].華中科技大學(xué)博士學(xué)位論文，2011.

[3] R. R. Schultz， Meng L. Subpixel Motion Estimation For Super-Resolution Image Sequence Enhancement[J]. Journal of Visual Communication and Image Representation，1998：38-50

[4] W. T. Freeman， E. C. Pasztor and O. T. Carmichael. Learning low-level vision[J]. International Journal on Computer Vision，2000.40（1）：25-47

[5] 劉琚，喬建蘋(píng).基于學(xué)習(xí)的超分辨率重建技術(shù)[J].智能系統(tǒng)學(xué)報(bào)，2009.4（3）：199-207

[6] YANG J C， WRIGHT J， MA Y， et a1. Image super-resolution as sparse representation of raw image patches[A]. Proceedings of IEEE Conf CVPR[C]. Anchorage， Alaska： IEEE Press，2008：1-8

[7] 宋慧慧.基于稀疏表示的圖像超分辨率重建算法研究[D]. 中國(guó)科學(xué)技術(shù)大學(xué)碩士學(xué)位論文，2011.

[8] R. Rubinstein， A. M. Bruckstein， M. Elad. Dictionaries for sparse representation modelding[J]. Proceedings of the IEEE，2010.98（6）：1045-1057

[9] W. T. Freeman， T. R. Jones， and E. C. Pasztor. Example-based super-resolution[J]. IEEE Computer Graphics and Applications，2002.22（2）：56-65

[10] M. Elad， A. Feuer. Restoration of a single super-resolution image from several blurred， noisy and under sampled measured images[J]. IEEE Transactions on Image Processing，1997.6（12）：1646-1658