计算机图形学代码放大缩小,当今主流数字图像缩放技术的算法

1.Ferguson双三次曲面

给定双三次参数曲面

4个角点处的几何信息：位置矢量 (i，j=0，1)，沿 向的切矢 ，以及四个角点处的扭矢

，则满足以上几何条件的双三次曲面可表示为：

(4.1)

其中： ，

由公式(4.1)定义的曲面称为Coons双三次曲面．在实际计算时，4个角点处扭矢不容易确定．如果令上述公式中4个扭矢为零，即令

此时由公式(4.1)定义的曲面就称为Ferguson双三次曲面．

2．Ferguson双三次曲面插值

对于给定的原始图像 ，在本文的算法中，插值曲面

由M*N张Ferguson双三次曲面片 组成。

(4.2)

其中， ， ， 的含义同上。

(4.3)

整张插值曲面 按如下方式定义：当 时令

(4.4)

在矩阵(4.3)中，左上角

代表像素的灰度值，均已知。左下角代表在4个角点处灰度值关于参数 的变化率，右上角代表在4个角点处灰度值关于参数

的变化率，用向后数值微分来估计这些值，即令

(4.5)

(4.6)

至此，就得到了连续的插值曲面

。对其进行重采样，即可得到任意大小的图像。根据上述构造过程，显然插值曲面 具有

连续性．而且，在构造的过程中，不需要解方程组，因此，计算速度很快。

3. 基于Ferguson曲面插值的图像缩放方法伪代码实现

输入：原始图像

FOR( )

{ //(s，t)为像素 对应的全局参数

I=FLOOR(s);

J=FLOOR(t);//FLOOR代表向下取整的函数

u=(s-i); w=(t-j);//(u,w)为像素 对应的局部参数

根据公式 (3.2)，公式(3.3)，公式

(3.5)，公式(3.6)计算

令

}

输出：缩放后的图像

4.2.3 算法评价

Ferguson插值和三次样条插值得到的图像视觉上相差很小，质量都比较好，所生成的图像连续性好，细节清楚，有效地消除了

“方块”效应．相比较而言，本文提出的方法计算速度要比三次样条插值法快得多，因而更加实用．由于该方法可以达到

连续，因此，图像的效果比常用的邻近点插值法和双线性插值方法要好．由于采用局部插值方法，不需要求解线性方程组，所以和双三次样条插值方法相比，该算法计算速度有很大提高．综上所述，这是一种非常实用的图像缩放算法．

4.3 带系数 自适应插值算法及其改进[11] 4.3.1 问题引出

在传统的图像插值算法中，双线性插值与最邻近法相比，由于考虑了待采样点周围四个直接邻点对待采样点的影响，因此基本克服了前者灰度不连续的缺点，但其代价是计算量有所增大。但进一步看，由于此方法仅考虑四个直接邻点灰度值的影响，而未考虑到各邻点间灰度值变化率的影响，因此具有低通滤波器的性质，使缩放后图像的高频分量受到损失，图像的轮廓变得较模糊。用此方法缩放后的图像与原图像相比，仍然存在由于计算模型考虑不周而产生的图像质量退化与精度降低的问题。作为对双线性内插法的改进，即“不仅考虑到四个直接邻点灰度值的影响

，还考虑到各邻点间灰度值变化率的影响”，立方卷积法利用了待采样点周围更大邻域内像素的灰度值作三次插值。因此单从图象处理质量上考虑，双三次插值是优于其他两种基本算法的，我们还可以从三次放插值的算法实现上仔细做数学上的推导变可以得出一个规律，从而实现基本算法的最佳插值方法。

4.3.2 数学推导与算法实现 1．数学推导

双三次插值算法的插值核函数为：

(4.7)

插值后的像素灰度计算公式为：

(4.8)

上式中：

我们分析式(4.7)和式(4.8)可以发现：

(4.9)

令 ，则 ，

。若令k=0，则式(3.8)的立方卷积法就退化为双线性内插法。因此， 可以把用 三次多项式插 值的立方卷积法看成 由两部分组成。其中

代表直接邻点的灰度值对待采样点的影响，而k则代表邻点间灰度值的变化率对待采样点的影响。与双线性内插法相比，立方卷积法不仅考虑了直接邻点的灰度值对待采样点的影响，还考虑了邻点间灰度值变化率的影响，因此后者所求得的待采样

点灰度值更接近原(采样)值。此方法用进一步增大计算量来换取待采样点精度的进一步提高，但这种方法中的两个部分(即

与k)的搭配是否最佳，值得进一步研究。

2. 算法实现

从图(4.3)可以看出在求待采样点的插值时，最近邻点法只考虑直接邻点中距离最近点的影响，其权值为1；双线性内插法考虑了所有直接邻点的影响，各点权值由距待采样点的距离决定，距离近的权值大，距离远的权值小；而立方卷积法不仅考虑了所有直接邻点的影响，还考虑了所有间接邻点的影响，各点权值也由距待采样点的距离决定。通过分析上述几种插值算法可以看到，直接邻点对待采样点的影响是最大的，也是最主要的。同时从对立方卷积法的分析中可以看到，间接邻点通过影响直接邻点

的灰度值而影响待采样点的灰度值，这一关系反映在邻点间灰度值的变化率上，因此也是最佳插值算法中必须考虑的因素。在式(3.9)中

代表直接邻点的灰度值对待采样点的影响，而k则代表邻点间灰度值的变化率对待采样点的影响。前面几种方法对这两种影响的大小都没有进行优化，因此适当调整两种影响的大小．可以找到一种最佳的插值算法，可以对式(3.9)进行修正。

令修正值 ∈[0，1]，将式(4.9)改写为：

(4.10)

图(4.3)几种插值法的比较

当 =0时，式(4.10)代表的是双线性内插法；当

=1时，式(4.10)代表的是双三次插值法。 越大邻点间灰度值变化率的影响权值就越大；

越小，直接邻点灰度值的影响权值就越大。经过计算与统计分析可以发现，当 取

0～1之间的值时，内插效果优于立方卷积法，这说明立方卷积法中邻点间灰度值变化率的权值过高，即应取小于1的某个值。对于不同的图像，最佳的

取值不同。如图(4.3)所示，对不同的图像在立方卷积法和双线性内插法的权值曲线间还有一个最佳的内插曲线，用该曲线求出的权值来处理图像效果比前两者都好。

3. 改进算法

由上面叙述可以知道，根据被处理图像各像素点之间的灰度变化率适当调整系数

，可以对图像达到最佳的插值效果。但是，这种算法的缺点有两个：首先，这个是需要有人的互动在里面，系统不可能自己根据像素灰度的变化率做一个系数的自动调整；其次，对于特殊图像比如有的部分像素灰度值变化快，有的变化慢，则该算法不可能做到兼顾全局。因此我们迫切的需要一个可以根据像素灰度值变化率自己做系数调整的改进算法。该算法实现方式如下：

(1) 设置一个像素灰度值变化临界值d；(该值一般在0.04-0.05之间)

(2) 假设第 点处的像素的灰度值为 ，假设图像的读取与存贮是从图像的最上端从左至右按行依次进行的所以下一个像素点为 ，其像素灰度值为

。这两个点的灰度差值为 ，则 ；

(3) 如果 ，明这两个点的像素的颜色变化不大，此时采用最近邻插值；如果

，说明这两个点的像素的颜色变化较大，此时采用双三次插值算法，用这种图像插值算法，既保证了图像变化后的质量，又提高了运算速度。

4.4 基于数字图像边缘提取的插值算法

4.4.1 问题引入

传统的图像插值酸法有着速度快的优点，但是在放大效果方面各有不足。最近邻插值法只是简单地将源像素点最邻近的像素点(最邻近取样)进行复制，其结果是会产生像素块(即马赛克)，使得图像整体不清楚。而双线性插值法则利用了源像素点周围邻近的4个像素点的线性平均权值来计算目标像素点的值，这样虽然可以得到较好的整体效果，但图像的边缘会变得模糊，细节部分不够清晰，双三次插值也存在这样的问题。因此我们在考虑图像边缘的情况下，引入了一种定向插值的插值算法。

4.4.2 图像定向插值的一般实现方法

定向插值放大与一般插值放大的最大不同之处在于其插值过程是沿着图像的边缘而不是跨过边缘插值进行的，因此定向插值要求先找到图像的边缘，或者更进一步地要先确定图像中灰度值梯度变化处每一个像素点的方向。在得到了图像的边缘后，我们就可以选择个合适的插值算法进行插值放大。需要注意的是这里所用的插值算法必须是线性的而不能是双线性的因为如果再用双线性插值就会破坏我们前一步所查找到的图像边缘信息。

图4.4 sobel矩阵

Sobel矩阵是最常用的查找图像边缘矩阵。单个的Sobel矩阵可以检测水平和垂直方向的边缘，两个Sobel矩阵合在一起就可以得到全面的图像边缘信息。虽然Sobel矩阵有较好的鲁棒性且构造简单，但是在实验中我们发现

Sobel矩阵会忽略掉所有通过矩阵中心的一个像素宽的边缘线，包插 或 的对角线也会被忽略掉。这一缺陷的产生是由于

3×3的像素区域太小，不足以确定穿过矩阵中心的边缘。对这一问题的解决有两种方法可以考虑： 一是选用一个更大矩阵，如

5×5的矩阵。这样可以增加插值的参考点，从而取得更好的插值效果。这种方法的优点是计算方法简单，容易实现；缺点则是会加大计算量，不符合图像处理的基本要求。二是用类似图4.5中的方法。以放大两倍为例，先将每一个源像素点都分割成4个目标像素点，从而找

到每一个目标像素点的插值配对，对于每个源像素点有4个不同的插值配 对(4和 0，4和 3，4和1，4和

l、3的平均值)，这样就可以算出每个源像素点的4个可能的梯度值。图4.5显示了如何分割源图中每次取样得到的9个源像素点。为了计算黑色区域所代表的目标像素插值点方向，要算出0，1，3和4这4个源像素点所组成区域中的最小梯度(用色彩的最小差值可以很好的近似)。这一方法虽可以避免直接增加计算量

，但其“瓶颈”在于如何快速有效地算出取样区域的色彩差值。如果不能采用有效的算法(如所介绍的算法)，其计算量也会非常大，这一点在对24位图像进行处理时表现得尤为明显。

4.4.3 图像定向插值的简化算法

其基本思想和上述方法是一致的，只是在确定图像边缘的过程中作了一定的简化处理。首先我们还是选用

3×3的矩阵作为取样模板，这样可以兼顾处理的速度和精度。接下来查找边缘的方法和上述的逐点计算方向不同，这里我们用一定的阈值将每次取样所确定的源像素区域分为两个部分。大于阈值部分的权值为1，小于阈值部分的权值为0。阈值的选取很重要这一点在后面会进一步说明。

最后只要确定目标像素点所对应的源像素点属于哪一部分，将该部分的所有像素点作为计算的取样点，取样点值的平均值就是所求目标像素点的值。这种取平均值

的方法实际上是默认所有源像素点的权值，是相同的线性插值，是该简化算法的另一个近似处理。如图4.6所示，D是目标像素点，是其对应的源像素点。点所处的灰色区域所有像素点值的平均值就是所求D点的值。可明显看出，点值的求取只参考了源图中指定部分的值，不会跨过边缘进行插值计算。

图4.5一般简化方法示意图

图4.6简化后算法示意图

4.4.4 算法评价

需要指出的是这种简化的定向插值法也有其不足之处。首先这种方法不适用于灰度变化较大的图像，即内容较复杂的图像(如经典的Lena图像)。其次是只有每次放大系数为2时才能显示出其优越性，如一次放大倍率过大或放大倍率为非整数，算法就会退化成重复像素平移法。这是因为简化算法在插值计算时默认所有像素点的权值相等，没有很好地反映目标像素点对应于源图的位置关系，使得相邻的

目标像素点会产生相同的值，从而产生马赛克。因此，简化的定向插值法只适用于对精度要求不高而对速度要求较高的场合。在放大倍率不高，图像内容不复杂的情况下，本文所提出的简化定向插值法可以很好的满足图像放大处理对整体和细节的要求。此外，本文所阐述的简化定向插值方法有很好的扩展性，在该算法的基础上如再结合线性插值及相应的优化算法，可以更进一步地提高图像放大的效果。此外我们前面所提到的划分区域的阈值对于不同的图像可以有不同的取值，对于整体灰度较小的图像阈值可以取的较小，反之可以取较大的阈值，这样可以得到更好的放大效果。更进一步，如果在划分

区域前对所有取样点的灰度值进行统计而得到各自的阈值，就可以得到更为准确的划分区域的阈值，并且不再需要人为的干预。