具体实施方式
下面结合附图和具体实施例来对本发明进行详细描述。
本发明是一种内容相关的图像重采样方法,它对图像的边缘信息敏感,首先利用普通插值方法得到基础采样结果;而后侦测边缘信息,生成修正掩模;对掩模覆盖下的点,利用二阶导数估算其邻域窗口内各点到采样位置的变化趋势,得到各点抵达采样点处的预测值;将这些邻域预测值加权累积为采样点的预测值,修正初始采样结果。经本方法重建的采样结果边缘与采样前同样清晰。
为保障计算的精度,本实施例中,首先将重采样数据转化为浮点数表示形式,归一化在0-1区间,求得最终采样结果后,在还原为0-255区间的灰阶值。
如图1所示,一种图像重采样方法,包括以下步骤:
一、计算基础采样结果。
本实施例用高斯卷积法求得基础采样结果,实际上,基础采样结果也可以用常规插值方法求得,如采用双三次插值法,经修正后也能得到理想结果,但不宜采用最近邻法,因其得到的采样值不具备平滑连续的特征。
二、计算原图的梯度和差异度、一阶和二阶偏导等信息。
偏导数的主要用在预测当前点到采样点的变化量,一阶导数在计算梯度时也会用到。
原图各点的一阶和二阶偏导的求解公式为:
f″xx(x,y)=I(x+1,y)+I(x-1,y)-2*I(x,y),
f″yy(x,y)=I(x,y+1)+I(x,y-1)-2*I(x,y)
其中,I(x,y)表示坐标点(x,y)的灰度值,f′(x,y)表示其一阶偏导,f″(x,y)表示二阶偏导,下标指示所求导的变量。
梯度G的计算方式有很多,本实施例采用的梯度公式为:
G(x,y)=|f′x(x,y)|+|f′y(x,y)|
如果被处理图为彩色图,含有多个通道,则每点计算一个复合梯度。
其中,N为通道的个数,如彩色BMP图含有RGB三个通道,其N值为3。
差异度D是本方法中用来评估各点与其邻域灰度值相似度的度量,实施例中用7*7大小的邻域计算中心部位的差异度,计算公式为:
求得差异度后,还需要在邻域内取最小值削去峰值,对数值进行平滑。
三、计算修正掩模。
图像的平稳区域无论采用何种插值方式,得到的结果都差异不大,无需修正;而边缘及纹理丰富区域,图像内容变化较大,插值结果易于出现偏差,采样不当就能观察到明显模糊现象,是需要重点保障的部位。
修正掩模WM的值是梯度、差异度的共同作用结果,这是因为在图像发生阶变的边缘部位,梯度衰减较快,而常规采样方法下,边缘两侧存在较宽的模糊过渡带,必须予以修正。边缘附近的差异度变化平缓,适合用来标记掩模部位,与梯度配合可从掩模中消去平稳区域,保留边缘等变化区域,得到合理的掩模范围。
计算掩模的公式如下:
WM(x,y)=[G(x,y)·(a·D(x,y)+b)]2-c
a,b,c为常量,WM的值如落在[0,1]之外的,截断到[0,1]区间。
四、计算邻域各点预测灰度值。
把图像视为连续可导的曲面,已知采样点到其邻域点的偏移量,配合其偏导数,可以预测邻域点到达采样点的变化量,加上邻域点自身灰度值,就得到该邻域点对采样点灰度值的一个预测值。
计算公式如下:
Ib(x+Δx,y+Δy)=I(x,y)+Δx·f′x(x,y)+Δy·f′y(x,y)
+λ·[(Δx)2·f″xx(x,y)+2Δx·Δy·f″xy(x,y)+(Δy)2·f″yy(x,y)]
Ib(x+Δx,y+Δy)表示邻域点(x,y)对采样点(x+Δx,y+Δy)的预测值,λ是一个常量。
五、计算邻域各点权重,合成预测采样值。
如图15所示,本发明使用了采样点所在的5*5邻域,将他们对采样点的预测值加权合成为最终的评估值。计算权重是个复杂的过程,有很多因素需要考虑。
a.距离越接近采样部位的邻域点,其值越接近采样点,权重越大;
b.加大边缘两侧点的权重,抑制边缘上的点,更利于消除模糊;
c.和已有的基础采样值相比,预测值偏离越远,其可信度越低,宜
减小权重;
d.到采样点变化量越小,则过渡越平稳,可信度越高,宜增大权重。
本实施中,在计算权重时,将权重拆分为几个因子的乘积,WB为边缘权重因子;WD为距离权重因子,WS为差异量权重因子。
W=WB·WD·WS
所述的边缘权重因子WB对边缘敏感,具备保边缘性能。平稳区域WB的值很小,而在非平稳区域,正处于边缘部位的点的权重受抑制,但边缘两侧的点,权重得到增强,本实施例中,结合梯度、差异度计算WB。
T(x,y)=1-d.G(x,y)·D(x,y)
T(x,y)为一中间量,d为一个常量。
在8邻域构成的0度,45度,90度,135度方向上,若任一方向上T(x,y)的值同时大于两侧的值,则计算其最小差平方,各方向的最小差平方计算公式为:
B(x,y)=T(x,y)-[3*(D45+D135)+2*(D0+D90)]
如求得的B(x,y)值小于0,将其赋值为一个大于0的极小值。
下式为WB的计算公式:
WN(x,y)=[B(x,y)]c1。
所述的距离权重因子WD强调离采样点越近权重越大,越远的点权重越小,本实施例选用下式积分表征权重。
在X或是Y方向,用t表示采样点距最近邻点在该方向上距离,其5邻域的距离权值表达式如下
[l,h]=[g*(t+i-0.5),g*(t+i+0.5)],t∈(-0.5,0.5)
式中,g是一个常量,它应保证t变化时,总积分区间大于[-1,1],这样权重总和才能为1,但若其值过大,则权重集中于最近邻点,丧失调节性,g取(1/2,2/3)之间的值较为合理。
图16中,红线161为5邻域权重值积分区间的划分线,蓝线162为函数y(u)的曲线。由形态可见,靠近采样中心的邻域点权值最大,且在一定范围内衰减较小,但当远离采样中心时,邻域点权值会大幅度衰减,甚至为0.
WD是X和Y方向距离权重的乘积组合:
WD=WDi·WDj
所述的差异量权重因子WS具有平滑作用,它增大与采样点基础采样值差异较小的邻域点的权重。
以Ia表示基础采样值,Ib表示邻域点对采样点的预估值
S(x,y)=1-[α·|I(x,y)-Ia(x+Δx,y+Δy)|+β·|I(x,y)-Ib(x+Δx,y+Δy)|]·D(x,y)
式中α,β为常量。如果S的值落在[0,1]之外的,截断到[0,1]区间。
WS的计算公式如下:
WS(x,y)=[3*(S(x,y))2-2*(S(x,y))3]c2
算得邻域各点权重后,预测值合成公式如下:
其中,Wij表示邻域点(x+j,y+i)的权值,
E(x+j,y+i)表示该邻域点对采样点的预测值。
E(x+j,y+i)=Ib(x+Δjx,y+Δiy)
Δjx=Δx-j,Δiy=Δy-i
六、合成最终采样值。
用I′表示最终采样值,合成公式如下:
I′=(1-w)*Ia+w*Ic
Ia表示基础采样值,Ic表示邻域的合成预测值,w表示采样点部位的掩模值。
w基于修正掩模,采用和计算基础采样值同样的插值方法插值而得wa。
wb=1.5*wa
w=3wb 2-2wb 3
如w的值落在[0,1]之外的,截断到[0,1]区间。
图2是旋转前原图,图3和图4是图2局部图像旋转45度的重采样结果对比,其中,图3是采用双三次法重采样效果图,图4是采用本发明所述的方法重采样效果图。
图5是原图,图6是原图局部放大图,图7和图8是图像平移的重采样结果对比,其中图7是采用双三次法重采样效果图,图8是采用本发明所述的方法重采样效果图。
图9是蕾娜图,图10和图11是图像放大后局部的重采样结果对比,其中,图10是采用双三次法重采样效果图,图11是采用本发明所述的方法重采样效果图。
图12原图,图13和图14是图像放大2倍的重采样结果对比(原始网格为2个像素宽),其中,图13是采用双三次法重采样效果图,图14是采用本发明所述的方法重采样效果图。
综上,本发明提出了一种与内容相关的图像重采样方法及系统,该方法及系统有别于现有技术中只与位置相关的其他方法(如双三次插值法),它先由常规插值算法得到基础采样值,而后根据待采样部位的在原图中的邻域内容,加权修正基础采样值。
需要注意的是,上述具体实施例仅仅是示例性的,在本发明的上述教导下,本领域技术人员可以在上述实施例的基础上进行各种改进和变形,而这些改进或者变形落在本发明的保护范围内。本领域技术人员应该明白,上面的具体描述只是为了解释本发明的目的,并非用于限制本发明。本发明的保护范围由权利要求及其等同范围限定。