基于樣例的圖像放大技術的研究

朱蘊文 張曌 潘蕾伊 黃釗桐

摘要：數字圖像處理的方法多種多樣，其中一個重要分支是基于學習的方法。對于基于樣例的圖像放大算法，其基本思想是以Markov模型為理論基礎，對基于樣例的低分辨率圖像和高分辨率圖像進行分塊處理。最后將所有匹配出來的高分辨率圖像塊進行相加，便可得到一副完整的放大后的高分辨率圖像。

關鍵詞：圖像放大技術；基于樣例；改進

一、研究背景與意義

（1）課題研究的背景。在傳統的圖像縮放算法中，有的有的失真較小但是算法復雜；有的運算量小但得到的圖像失真較大，而一些新興的圖像處理方法有些還不夠完善。但是隨著如今經濟的飛速發展，計算機的各類硬件設備不斷降價，空間技術的飛速發展，圖像放大技術的發展前景和應用領域更加廣闊。

（2）課題研究的目的和意義。為了更好地研究圖像放大技術，我們將此研究基于各類已有樣例，在了解已經完全實用化的數字圖像放大技術（內插值放大方法），一些新圖像處理方法（如：小波、分形、編碼等）的基礎上，在matlab軟件的基礎上實現幾種傳統算法和基于樣例的算法對于圖像放大的操作，來研究圖像放大的關鍵技術，嘗試能否改進樣例原先算法，使得放大后的圖像達到理想的分辨率，滿足特殊需求和達到較好的視覺效果。

二、國內外研究現狀

數字圖像處理最早出現于20世紀50年代，當時的電子計算機已經發展到一定水平，人們開始利用計算機來處理圖形和圖像信息。圖像放大的一個首要問題就是記錄圖像的數據量的增加，即我們需要通過計算技術來解決數據量的存儲問題，以使得圖像像素在放大時足以不失真。目前已有的是傳統的基于數字卷積理論的插值方法，如最近鄰插值、雙線性插值、雙三次插值等，它們計算簡單，成本相對低廉，因此在商業上獲得了商人們極高的青睞。

三、課題研究的基本理論

近年來，隨著超分辨率技術頻繁出現在圖像處理領域的理論研究與現實應用當中，大家對圖像放大重建技術的研究逐漸深入，由于超分辨率在實際應用當中的意義與本文研究時基于的其本身的原本定義有些許偏差，因此本文將超分辨率這一術語的定義細分為超分辨率復原和超分辨率重建。本文主要研究的圖像放大技術指的是超分辨率重建。

四、基于樣例的圖像放大技術的研究

1.基于樣例的圖像超分辨率算法

（1）基本思想?；跇永膱D像超分辨率算法，以Markov模型為理論基礎，對基于樣例的低分辨率圖像和高分辨率圖像進行分塊處理。分塊后，在二者之間建立對應的學習模型和訓練庫，在訓練庫中存放高低分辨率的圖像信息對。當輸入低分辨率圖片時，低頻圖像塊會在訓練庫中尋找最高匹配度的高低分辨率圖像信息對，將匹配成功的高分辨率圖像信息補充至低分辨率圖像中。最后，所有匹配出來的高分辨率圖像塊進行相加，便可得到一副完整的放大后的高分辨率圖像。

（1）具體步驟：①對高分辨率圖像進行分塊處理，分塊后，將其作為訓練樣本，進行訓練。②對低分辨率圖像進行分塊處理，并輸入這些圖像塊，計算其特征向量。在特征向量集合中獲取低分辨率圖像塊的局部幾何結構。③映射所得的局部幾何結構，在訓練集中搜尋與之匹配度最高的高頻圖像塊。④選擇低頻圖像塊四個方向上K鄰近的距離，將距離關系反映至訓練完畢的高頻圖像塊特征值集合中，并求出對應高頻圖像塊的特征向量。最后，可得到放大后的高分辨率圖像。

（2）改進方法：由于傳統的圖像放大算法中，未放大的圖像塊和已放大的圖像塊之間不存在重疊區域。如何產生重疊區域從而提高分辨率處理的性能，是我們需要改進的。因此，我們采用帶有鄰邊像素信息的樣例，這樣會使樣例和已放大圖像間產生重疊區域。由于下一個待放大圖像塊左上角移動的距離小于一個塊的長度，會使高分辨率的圖像上產生重疊區域。

（3）總結：通過對基于樣例的圖像放大算法的研究，我們發現該方法可以得到更為清晰且邊緣平滑的圖像。但仍存在不足，比如訓練庫數據龐大，相應的計算量也較大。通過增加鄰邊信息的改進方法，可以使圖片更接近于高分辨率圖像，提升分辨率處理性能。

五、總結與展望

本課題小組成員在matlab上通過不端嘗試各種變成算式，最終在老師的幫助下整理出了兩種傳統算法，即最近鄰插值算法和雙線性插值算法，在matlab軟件上生成了兩種圖像放大效果，實現了兩種傳統算法和基于樣例的算法對于圖像放大的操作。我們進行比較算法的難易復雜程度和圖像放大后的清晰度，發現了圖像放大的傳統算法的缺陷所在：圖形放大中的最近鄰插值法放大的圖像有稍微馬賽克的現象，并有突出的鋸齒邊緣，圖像放大效果不是很好；而使用雙線性插值法和圖高階插值算法處理過的圖像，雖然效果相對較顯著，但經比較可以得知高階插值算法的圖像清晰度較高，幾乎沒有明顯的馬賽克現象；通過分形理論圖像放大算法來對圖像進行放大實驗，放大的視覺效果與高階插值算法比較不是相差太遠。從理論上來看，分形理論圖像放大算法相對于其他插值算法具有其優越性，但是并不能表明其放大圖像具有很強的實用性。我們小組成員在基于已有樣例的改進算法上，慢慢理解其改進地方，通過這塊的改進而實現提升圖像放大技術，因此我們也得出了一些改進意見和結論，例如在基于邊緣檢測的基礎上通過以灰度值為自變量，以最終評定的圖像放大效果為因變量建立坐標函數，通過生成函數圖形來更加形象地觀察分析和決定是否采用此雙線性插值算法來放大圖像。