基于边缘像素点分类和插值的图像放大新算法

端木春江　李林伟

摘 要： 提出了一种超分辨率图像放大的新方法。根据低分辨率图像上的边缘信息，对初始的一个小图像块依据其对应的低分辨率图像上的边缘点进行分类，并根据此分类对图像块中某些像素点进行重新插值，得到放大的高分辨率图像块。由于对图像中的边缘点进行了特殊的处理，所提出的方法可以提高放大图像的边缘部分的清晰度，克服传统图像放大中图像过于平滑的缺点，对图像进行很好的放大。

关键词： 图像处理； 图像放大； 图像插值； 多媒体信息处理

中图分类号：TP37 文献标志码：A 文章编号：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

图像超分辨率放大的目的是由低分辨率的图像得到高分辨率的图像。这样，可以在传输和存储时，只传输或存储低分辨率的图像，然后在接受方或显示方采用图像的超分辨率放大技术得到高分辨率的图像。图像的超分辨率放大技术可以和已有的图像压缩技术相结合，进一步地减少为存储和传输高分辨率图像而消耗的系统资源。同样，高清视频的存储和传输，也可以利用图像的超分辨方法来减少系统资源的消耗。

目前，图像的超分辨率方法分为插值的方法和基于样例的方法。其中，基于样例的方法需要先建立一个由训练得到的由低分辨率图像块和其对应的高分辨率图像块构成的样例数据库，且其计算量非常大，难以实时应用；基于插值的方法，虽然其计算复杂度低，但是容易造成图像的模糊，图像的边缘部分不清晰，而人眼对于图像的边缘部分是比较敏感的，其较低的失真就会大大降低图像的视觉效果。

本文提出了一种依据图像的边缘来修改放大图像中的边缘像素点和其附近的像素点值的插值方法。用这一方法，在插值的时候，插值方向和图像的边缘走向相一致，可以得到边缘清晰的放大图像。

1 方法的提出

鉴于现有技术的上述缺陷，本文提出一种根据图像中的边缘的情况进行分类，然后对不同的类别进行相应的重新插值的方法。以根据低分辨率图像上的边缘信息，作为启发式的信息，依据边缘的走向来进行插值，使放大的图像边缘清晰，克服目前已有的超分辨率插值的方法的边缘模糊的缺点。

为实现上述目的，本文提供一种在边缘检测后对边缘进行11种不同的分类，再进行重新插值的方法。对于放大的倍数为2×2时，即，横向放大2倍，纵向放大2倍，其方法如下所述。当然本文的方法不限于应用于放大2×2倍的情况。本文的基于边缘分类的新的图像放大的方法按照如下步骤进行。

步骤一，初始的基于双线性插值的超分辨率放大，以得到初始的高分辨率图像。

步骤二，对低分辨率图像进行边缘检测与提取，这里采用Canny算子进行边缘提取。然后，用双阈值算法来把已经检测出的图像边缘连接起来。所采用的双阈值Th、Tl的取值设定为Th=200，Tl=100。

步骤三，对边缘提取后的图像进行二值化处理，使非边缘点上的二值化的值均变为0，边缘点上的二值化的值为1。

步骤四，置x=0，y=0。

步骤五，以（x，y）为高分辨率图像块的左上角，在高分辨率的图像上提取3×3大小的图像块。对低分辨率的二值化图像，以（x/2，y/2）为左上角，提取2×2大小的图像块。根据此2×2大小的边缘二值化后的图像块，对提取的高分辨率的图像块进行分类；然后，根据边缘的类别，对初始放大的图像上提取的如下图像块的边缘像素点及其附近像素点，进行重新插值；

2 实验结果

实验主要选取的是FERET数据库中的人脸图像，其中具体选取的是包括肤色不同程度的四幅图像用于重建，原始高分辨率图像的大小为120*120，根据每两个像素点取一个像素点的规定，下采样后的降质图像大小变为60*60，即缩小到原来的1/4，需要插值放大的倍数应该设为长和宽方向上各2倍。

选人脸图像数据库为实验对象，将实验结果通过客观评价来检测实验结果的优劣，采用一定的公式或算法通过数据来说明图像的质量。主要选用公认的峰值信噪比（PSNR）标准来评价方法的性能。

从表1中可以看出，所提出的方法比传统的双线性插值方法具有更高的PSNR，重建效果优于传统的双线性插值重建方法，性能更优越。同时可以看出，检测出的边缘越多越有利于本文的基于边缘分类的超分辨率重建方法。同时也可以说明边缘像素点对插值放大的方法具有重要的影响，而本文所提出的基于边缘分类的重建算法能更准确地重建边缘点和其附近的像素点，因此有利于实际应用。

3 总结与展望

本文提出了一种图像放大的新方法，该方法克服了传统方法中图像边缘部分放大时较模糊的缺点，提高了图像放大的性能，在PSNR指标上都优于现有的方法。进一步地，本方法和其他的图像放大算法（如利用稀疏表示的图像放大算法法和利用样例的图像放大算法）相结合，可以提高这些算法的性能。

参考文献：

[1] 王春霞，苏红旗.图像超分辨率重建技术综述[J].计算机技术与发展，2011.21（5）：124-127

[2] 易学能.图像的稀疏字典及其应用[D].华中科技大学博士学位论文，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] 刘琚，乔建苹.基于学习的超分辨率重建技术[J].智能系统学报，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.基于稀疏表示的图像超分辨率重建算法研究[D]. 中国科学技术大学硕士学位论文，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