一种融合一阶梯度的二次曲面图像放大方法

摘要

本发明提供一种融合一阶梯度的二次曲面图像放大方法，包括：S1：提取待放大图像的像素点(i，j)的区域[i，i+1]*[j，j+1]及对应的像素值和一阶梯度；S2：将区域[i，i+1]*[j，j+1]平移至区域[0，1]*[0，1]，其对应的像素值和一阶梯度不变；S3：利用区域[0，1]*[0，1]，其对应的像素值和一阶梯度不变构造二次曲面S；S4：根据放大倍数，提取待放大图像的像素点(i，j)的补偿区域[i，i+1]*[j，j+1]，并将其平移至补偿区域[0，1]*[0，1]；S5：将补偿区域[0，1]*[0，1]网格化，利用网格化的补偿区域[0，1]*[0，1]和二次曲面S，计算补偿值；S6：利用计算的补偿值构造补偿块，并利用补偿块代替像素点，构造放大图像。该方法提高了放大图像的峰值信噪比和结构相似性。

说明书

技术领域

本发明涉及图像处理技术领域，具体涉及一种融合一阶梯度的二次曲面图像放大方法。

背景技术

目前尚有很多的视频文件和信号源分辨率比较低，这些低分辨率的视频或图像文件及信号源在高分辨率显示器件进行显示时，需要经过放大处理。现有技术中，通常采用插值图像放大方法(Bicubic)和机器学习图像放大方法(ANR、NE+LEE、A+)进行图像放大，这两种的图像放大效果以及结构相似性较差。为此，本发明提出一种融合一阶梯度的二次曲面图像放大方法。

发明内容

为解决上述问题，本发明提供一种融合一阶梯度的二次曲面图像放大方法，该方法有效提高了放大图像的峰值信噪比和结构相似性。

本发明提供了如下的技术方案。

一种融合一阶梯度的二次曲面图像放大方法，包括以下步骤：

提取待放大图像的像素点(i，j)的区域[i，i+1]*[j，j+1]及对应的像素值和一阶梯度；

将区域[i，i+1]*[j，j+1]平移至区域[0，1]*[0，1]，其对应的像素值和一阶梯度不变；

利用区域[0，1]*[0，1]，及对应像素值和一阶梯度，构造二次曲面S；

根据放大倍数，提取待放大图像的像素点(i，j)的补偿区域[i，i+1]*[j，j+1]，并将其平移至补偿区域[0，1]*[0，1]；

将补偿区域[0，1]*[0，1]网格化，利用网格化的补偿区域[0，1]*[0，1]和二次曲面S，计算补偿值；

利用计算的补偿值构造补偿块，并利用补偿块代替像素点，构造放大图像。

优选地，所述区域[i，i+1]*[j，j+1]包括像素点(i，j)、(i+1，j)、(i，j+1)、(i+1，j+1)，同时提取4个像素点的像素值和一阶梯度。

优选地，所述将区域[i，i+1]*[j，j+1]平移至区域[0，1]*[0，1]，具体包括：

平移像素点(i，j)、(i+1，j)、(i，j+1)、(i+1，j+1)，及其像素值和一阶梯度，将4个像素点向左平移j个像素向上平移i个像素，4个像素点平移后的坐标为(0，0)、(1，0)、(0，1)、(1，1)，分布在区域[0，1]*[0，1]内。

优选地，所述二次曲面S的构建包括以下步骤：

利用区域[0，1]*[0，1]的4个像素点平移后的坐标为(0，0)、(1，0)、(0，1)、(1，1)，及对应像素值和一阶梯度，构造二次曲面S：

S＝XBP

其中，X＝(1,y,x,y

P＝(P1,P2,P3,P4,G1,G2)，P1、P2、P3、P4为像素点(i，j)、(i+1，j)、(i，j+1)、(i+1，j+1)对应的像素值，G1，G2为像素点(i，j)一阶垂直梯度和一阶水平梯度；垂直方向一阶梯度G1＝P2-P1，水平方向一阶梯度G2＝P3-P1。

优选地，所述利用计算的补偿值构造补偿块，并利用补偿块代替像素点，构造放大图像，包括以下步骤：

确定放大倍数M，将区域[0，1]*[0，1]分割为(M+1)*(M+1)个网格，每个网格点为补偿点，补偿点的横坐标为：

x＝p/M(p＝0,1,...,M-1)

纵坐标为：

y＝q/M(q＝0,1,...，M-1)

根据补偿点的横坐标和纵坐标计算每一个补偿点对应的向量X＝(1,y,x,y2,xy,y2)；利用二次曲面S计算补偿值；

区域[0，1]*[0，1]上所有补偿点的补偿值组成了向量S，将S按照公式排列成补偿块：

B＝(b

其中，b

p＝mod(l-1,M+1)+1

其中，mod(l-1,M+1)表示l-1除以M+1的余数；

用补偿块代替像素点，构造放大图像。

本发明的有益效果：本发明提出了一种融合一阶梯度的二次曲面图像放大方法，该方法有效提高了放大图像的峰值信噪比和结构相似性。

附图说明

图1是本发明实施例的整体流程图；

图2是本发明实施例的大小为5*6图像在像素点(2,1)提取的像素值；

图3是本发明实施例的像素点(2,1)的垂直方向梯度；

图4是本发明实施例的像素点(2,1)的水平方向梯度；

图5是本发明实施例的放大4倍(M＝4)的补偿区域坐标；

图6是本发明实施例的像素点(2,1)放大4倍(M＝4)的像素补偿块；

图7是本发明实施例的图像放大3倍(M＝3)的图像。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

本发明的一种融合一阶梯度的二次曲面图像放大方法，如图1-7所示，包括以下步骤：

S1：提取待放大图像的像素点(i，j)的区域[i，i+1]*[j，j+1]及对应的像素值和一阶梯度，如图2-3所示；区域[i，i+1]*[j，j+1]包括像素点(i，j)、(i+1，j)、(i，j+1)、(i+1，j+1)，同时提取4个像素点的像素值和一阶梯度。

S2：将区域[i，i+1]*[j，j+1]平移至区域[0，1]*[0，1]，其对应的像素值和一阶梯度不变；平移像素点(i，j)、(i+1，j)、(i，j+1)、(i+1，j+1)，及其像素值和一阶梯度，将4个像素点向左平移j个像素向上平移i个像素，其对应的像素值和一阶梯度不变平移至相应的位置；4个像素点平移后的坐标为(0，0)、(1，0)、(0，1)、(1，1)，分布在区域[0，1]*[0，1]内。

S3：利用区域[0，1]*[0，1]，其对应的像素值和一阶梯度不变构造二次曲面S；

利用区域[0，1]*[0，1]的4个像素点平移后的坐标为(0，0)、(1，0)、(0，1)、(1，1)，及对应像素值和一阶梯度，构造二次曲面S：

S＝XBP

其中，X＝(1,y,x,y

P＝(P1,P2,P3,P4,G1,G2)，P1、P2、P3、P4为像素点(i，j)、(i+1，j)、(i，j+1)、(i+1，j+1)对应的像素值，G1，G2为像素点(i，j)一阶垂直梯度和一阶水平梯度；垂直方向一阶梯度G1＝P2-P1，水平方向一阶梯度G2＝P3-P1。

S4：根据放大倍数，提取待放大图像的像素点(i，j)的补偿区域[i，i+1]*[j，j+1]，并将其平移至补偿区域[0，1]*[0，1]，如图5所示；

S5：将补偿区域[0，1]*[0，1]网格化，利用网格化的补偿区域[0，1]*[0，1]和二次曲面S，计算补偿值；

S6：利用计算的补偿值构造补偿块，并利用补偿块代替像素点，构造放大图像，如图6-7所示。

确定放大倍数M，将区域[0，1]*[0，1]分割为(M+1)*(M+1)个网格，每个网格点为补偿点，补偿点的横坐标为：

x＝p/M(p＝0,1,...,M-1)

纵坐标为：

y＝q/M(q＝0,1,...，M-1)

根据补偿点的横坐标和纵坐标计算每一个补偿点对应的向量X＝(1,y,x,y2,xy,y2)；利用二次曲面S计算补偿值；

区域[0，1]*[0，1]上所有补偿点的补偿值组成了向量S，将S按照公式排列成补偿块：

B＝(b

其中，b

p＝mod(l-1,M+1)+1

其中，mod(l-1,M+1)表示l-1除以M+1的余数；

用补偿块代替像素点，构造放大图像。

实验结果分析

选取瑞士联邦理工学院Radu Timofte教授收集包含14幅图像的测试集验证本发明的可行性和优越性，可行性证明本发明得到的放大图像和待放大图像一致，图7说明本发明的可行性。优越性体现本发明与传统的插值图像放大方法(Bicubic)和机器学习图像放大方法(ANR、NE+LEE、A+)相比，具有较高峰值信噪比(PSNR,Peak Signal to Noise Ratio)和结构相似性(SSIM,Structural Similarity Index Measure)。

表1列出了本发明与其他方法的性能对比，从该表可以看出，本发明在测试图像集上的最差峰值信噪比、平均峰值信噪比、最优峰值信噪比均高于传统插值图像放大方法和机器学习图像放大方法，同样本发明在测试图像集上的最差结构相似性、平均结构相似性和最优结构相似性均优于传统插值图像放大方法和机器学习图像放大方法，所以本发明的性能优于Bicubic、ANR、NE+LEE、A+图像放大方法。

表1、本发明与其他方法的性能对比

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。