[2018年最新整理]Edge-directedinterpolation翻译.docxVIP

边缘导向插值法Jan AllebacF and Ping Wah Wong摘要我们在本文中给出一种由低分辨率图像得到高分辨率图像的一种新的数字插值方法。该方法分为两个步骤：渲染和校正。渲染阶段是边缘导向。通过低分辨率图像数据，我们首先是通过中心环绕的矩形滤波器来得到一个高分辨率的边缘映射，然后在滤波器的输出结果的零点交错处使用分段线性插值。在渲染的步骤中，我们通过已经得到的高分辨率的边缘映射，使用一种改进的双线性插值的方法来避免对图像的边界进行有跨越的插值。在校正阶段，我们在基于解释真正的低分辨率数据差别的渲染上修改网格值，这些通过传感器模型操作在渲染阶段的高分辨率输出中预测。整个过程将不断进行迭代。实验结果证明了我们所给的插值方法的有效性。1.引言高分辨率和高质量的数字插值图像的能力在许多电子图像的应用上很重要。边缘清晰度和痕迹的清除在插值图像的感知质量中是两个很重要的因素。易于计算也是一个重要的因素。有了这些考虑，我们已经开发了一种新的边缘导向图像插值方法[1]。图1显示了边缘导向插值算法运行的构架。我们用亚像素边缘估计技术从低分辨率的图像中生成高分辨率的边缘映射，然后用高分辨率的边缘映射引导低分辨率图像到最后的高分辨率版本的插值。 图1：边缘导向插值算法的构架图2显示了边缘导向插值算法本身的结构。它包括两个步骤：渲染和数据校正。渲染是基于低分辨率图像数据的双线性插值。隐双线性插值的一种隐含的假设是低分辨率数据由来自高分辨率图像的点样本组成。然而，大多数传感器产生的低分辨率的数据，平均超过晶胞相应的低分辨率采样格。我们反复通过传感器模型使被插值的图像变回原样，并使用传感器估计的数据结果和真实传感器数据之间的差别去纠正双线性插值所基于的网格值。 图2：边缘导向插值算法的结构最近人们认识到，被改进的图像的质量可能通过考虑边缘信息而获得[2]-[9].在所有这些工作中，边缘信息用来修改插值方案，以便边缘不进行平滑。所有这些工作仅仅利用原始图像的低分辨率的边缘信息来进行插值。两个例外的是[6]和[9],它们都是执行亚像素边缘估计和使用这些信息来引导插值。然而，在这两个参考文献中采用的方法与我们的完全不同。2.亚像素边缘估计为了估计亚像素边缘映射，我们使用一个简单的中心环绕(COSO)的矩形滤波器，并以恒定的正中心区域嵌入到恒定的负环境区域中，来过滤低分辨率的图像。被选出来的相对高度产生零电流反应。该滤波器模拟拉普拉斯—高斯算子(LOG)的点扩散函数。我们已经发现，COSO滤波器产生的边缘映射与真正的LOG产生的非常相似，但是在每一个输出点处需要5处加/减,，1处乘法，当行列缓冲器迭代实现时。为了确定高分辨率边缘映射，我们在低分辨率网格的点之间线性地插入COSO滤波器的输出，来估计高分辨率网格的零点交错位置，按照下面的步骤。在4组低分辨率像素(点a,b,c和d 在图3 )的每组中，我们仔细检查在每个点的COSO滤波器输出的信号。这些信号可能发生在这3个不同的几何形状上的任何一个。在图3中显示的情况，我们沿着边线a-b,b-c,和b-d插值，来获得零点交错点zc1，zc2 和zc3。我们然后在低分辨率细胞范围里通过点a，b，c，d，两线段zc1-zc3和zc3-zc2来近似边缘，量化该曲线以得到高分辨率网格，在图3中产生估计边缘像素。其余的几何形状符号同样对待。在每种情况下，我们通过两段相邻的线段近似边缘轮廓，并量化成为高分辨率网格。图3：边缘导向插值网格3.预处理在开始在图2中显示的迭代过程之前，我们首先预处理低分辨率的图像，这些将被作为真正的传感器数据。这对减少在估计高分辨率边缘映射的误差的影响是必要的。图4说明了这个问题。考虑在阴影正方形中的高分辨率像素如何被内插。真正的边缘映射跨过这个正方形；但它没有被估计到。（为了简单，我们没有表现出估计高分辨率边缘映射的离散性。）因此像素a，比其它三个低分辨率角像素有更小的值，它被用来在正方形中插入高分辨率像素，导致不必要的小插值。（注意代表低分辨率像素的圆圈的直径是为了表明它们的相对值。）为了解决这个问题，我们比较a的值与那些没有通过边缘估计从a中分离的8个近邻低分辨率像素的子集的平均值μa。如果a的值与μa不同超过一个标准偏差其平均数包括μa的像素，我们用μa来代替a.图4：预处理在估计高分辨率边缘映射时减少误差的影响。像素a将会被它同方向的估计边缘的相邻像素的平均值所代替。4.渲染渲染步骤最重要的特征是我们修改双线性插值，以防止在边缘双线性插值。为了说明这个办法，让我们考虑在图3中的高分辨率点O处插值。我们测定是否任何低分辨率角点a，b，c，和d，通过边缘被O分离。所有这些像素，我们根据启发式程序计算替换值，该程序取决于要被替换的像素的数量和几何形状。对于在图3中所示