影像插补方法以及应用该方法的影像插补装置与影像装置制造方法及图纸

本发明专利技术提供一种影像插补方法以及应用该方法的影像插补装置与影像装置，且影像插补方法利用机率神经网络模型对影像进行插补，包括：(1)选取邻近于插补点的多个参考点；(2)利用多个参考点中的每一参考点的边缘方向角度、横向平滑参数、纵向平滑参数以及每一参考点与插补点之间的距离，来获得每一参考点的非等向性高斯函数数值；以及(3)利用一统计方法对该些非等向性高斯函数数值进行整合，以获得插补点的插补数值。本发明专利技术可于高分辨率的原始影像被取样成低分辨率的目标影像后，对该目标影像进行边缘适应性插补动作，确保插补后的影像在边缘区域不会有锯齿状方块的效应，且锐利度足够，并保留边缘的细节，故观看者不会有失焦模糊的感受。

【技术实现步骤摘要】
影像插补方法以及应用该方法的影像插补装置与影像装置
本专利技术关于一种影像处理
，尤其是关于一种用于影像插补的方法以及应用该方法的影像插补装置与影像装置。
技术介绍
影像插补方法是一个长期以来普遍使用在影像处理的技术，最常见的应用是为了让影像产生更好的放大或缩小的视觉效果，以便进行影像的显示和打印。近年来，随着消费性多媒体产品的盛行，相关取像或显像的电子装置成为重要的产业项目，例如，平面显示器、数字相机等，而影像插补方法就是其中核心控制的重要功能之一。以平面显示器为例，由于尺寸和分辨率不断的提高，加上热门的全屏幕显示需求，导致进行影像插补是必要的处理程序，原因在于，若是输入至平面显示器的影像分辨率过低，而平面显示器的尺寸过大，则在没有影像插补的动作下，全屏幕所显示出来的画面将会是模糊不清的，不利观看。此外，其它影像输入装置的运作，如扫描器的放大分辨率或是数字相机的数字变焦功能，都需藉助影像插补的技术。请参阅图1A-1D，其为利用多个现有影像插补方法进行影像插补动作后的结果示意图；其中，图1A为原始影像，图1B为利用一邻近内插法(nearestneighbor)对由高分辨率的原始影像取样成低分辨率的目标影像，进行影像插补后的结果，图1C为利用一双线性内插法(bi-linear)对由高分辨率的原始影像取样成低分辨率的目标影像，进行影像插补后的结果，图1D为利用一双立方内插法(bi-cubic)对由高分辨率的原始影像取样成低分辨率的目标影像，进行影像插补后的结果。观察图1A-1D可知，现有影像插补方法具有下列缺点：(1)插补后的影像细节会明显出现锯齿状；(2)插补后的影像细节，特别是图像边缘与线条特征呈现糊化的效果，令观看者有离焦(de-focus)的视觉感受。有鉴于此，有一种基于机率神经网络的影像插补技术(PNN)被提出来改善上述的缺陷。请参阅图2，其为现有利用基于机率神经网络的影像插补技术进行影像插补动作后的结果示意图；比较图1A-1D与图2可知，采用基于机率神经网络的影像插补技术进行影像插补的结果明显得到了改善。然而，由于机率神经网络的核心是高斯函数，而因为高斯函数具有等方向以及低通滤波的特性，使得其面对影像中灰阶值剧烈变化的边缘区域，不会有显著的锐化效果，因此，图2所示的结果中，图像边缘与线条特征仍令观看者有些微离焦的视觉感受。基于此，另有一种基于非等向性机率神经网络的影像插补技术(APNN)被提出。请参阅图3，其为现有利用基于非等向性机率神经网络的影像插补技术进行影像插补动作后的结果示意图；比较图2与图3可知，采用基于非等向性机率神经网络的影像插补技术进行影像插补的结果得到了更进一步的锐化效果。虽然该技术导入了藉由计算边缘方向角度使高斯函数具有非等向性的特质，进而使所欲插补的插补点的插补数值更能够逼近原始影像的边缘特性的概念；然而，于该技术中，与插补点相邻的多个参考点皆是以同一边缘方向角度(如所欲插补的插补点的边缘方向角度)，来取得各自的非等向性高斯函数数值，再进而相互内插而运算出插补点的插补数值，如此使得插补点的插补数值还是无法有效贴近原始影像的边缘特性，因此图3所示的结果仍有些微模糊。是以，现有的影像插补技术仍具有改善的空间。
技术实现思路
本专利技术要解决的技术问题之一在于，针对现有技术存在的上述不足，提供一种利用机率神经网络模型的影像插补方法。本专利技术要解决的技术问题之一在于，针对现有技术存在的上述不足，提供一种利用上述影像插补方法的影像插补装置。本专利技术要解决的技术问题之一在于，针对现有技术存在的上述不足，提供一种具有影像插补功能的影像装置。本专利技术解决其技术问题所采用的技术方案是提供一种影像插补方法，其利用一机率神经网络模型对一影像的一插补点遂行一适应性插补动作，包括：(1)选取邻近于该插补点的多个参考点；(2)利用该多个参考点中的每一该参考点的一边缘方向角度、一横向平滑参数、一纵向平滑参数以及每一该参考点与该插补点之间的一距离，获得每一该参考点的一非等向性高斯函数数值；以及(3)利用一统计方法对该些非等向性高斯函数数值进行整合运算，以获得该插补点的一插补数值。较佳地，该步骤(3)中的该统计方法为重心法、最大值法、中值法或四分位法。较佳地，所述影像插补方法，于该步骤(2)中，包括：(2-1)利用一梯度运算子获得每一该参考点的一横向梯度值以及一纵向梯度值；以及(2-2)利用每一该参考点的该横向梯度值以及该纵向梯度值获得每一该参考点的该边缘方向角度。较佳地，于该步骤(2-1)中的该梯度运算子为索贝尔(sobeloperator)运算子、普里威特(Prewitt)运算子、中心差分(CentralDifference)运算子、中间差分(IntermediateDifference)运算子、斯给尔(Scharr)运算子或罗伯兹(Roberts)算子。较佳地，该步骤(2-2)，包括：将每一该参考点的该横向梯度值以及该纵向梯度值输入至一拉奥(Rao)算法中进行运算，以获得每一该参考点的该边缘方向角度。较佳地，所述影像插补方法，于该步骤(2)中，包括：将每一该参考点的多个特征值输入至一单神经元神经网络中，以获得每一该参考点的该横向平滑参数以及该纵向平滑参数；其中，该单神经元神经网络的一转移函数为线性函数、S形函数或双曲正切函数，且该转移函数的一自变量为∑(每一该特征值)·(每一该特征值所相对应的一权重)+(一偏压值)。较佳地，所述影像插补方法，于该步骤(2)中，还包括：利用一最佳化算法求得该转移函数中的至少一参数、每一该特征值所相对应的该权重以及该偏压值。较佳地，该最佳化算法为粒子群最佳化(PSO)算法或一遗传(GA)算法。较佳地，所述影像插补方法，于该步骤(2)中，还包括：采用一峰值信号噪声比(PSNR)或一边缘误差百分比(PEE，PercentageEdgeError)作为该最佳化算法的一适应函数。较佳地，每一该参考点的该多个特征值包括一横向梯度值以及一纵向梯度值。较佳地，于该步骤(3)中，该插补点的该插补数值为较佳地，每一该参考点的该信号值为每一该参考点的一灰度值。本专利技术还提供一种影像插补装置，其利用一机率神经网络模型对一影像的一插补点遂行一适应性插补动作，包括：数据储存及控制单元，用以获得邻近于该插补点的多个参考点的边缘方向角度、横向平滑参数以及纵向平滑参数；至少一高斯函数运算单元，连接于该数据储存及控制单元，并利用该多个参考点中的每一该参考点的该边缘方向角度、该横向平滑参数、该纵向平滑参数以及每一该参考点与该插补点之间的一距离，而获得每一该参考点的一非等向性高斯函数数值；以及统计运算单元，连接于该高斯函数运算单元，并利用一统计方法对该些非等向性高斯函数数值进行整合运算，以产生输出该插补点的一插补数值。较佳地，该至少一高斯函数运算单元包括分别对应于该多个参考点的多个高斯函数运算单元，且每一该高斯函数运算单元利用相对应的该参考点的该边缘方向角度、该横向平滑参数、该纵向平滑参数以及相对应的该参考点与该插补点之间的该距离，而获得相对应的该参考点的该非等向性高斯函数数值；抑或是该多个参考点被分为多个参考点群组，且该至少一高斯函数运算单元包括分别对应于该些参考点群组的多个高斯函数运算单元，其中每一该高本文档来自技高网...

【技术保护点】
一种影像插补方法，其利用一机率神经网络模型对一影像的一插补点遂行一适应性插补动作，包括：(1)选取邻近于该插补点的多个参考点；(2)利用该多个参考点中的每一该参考点的一边缘方向角度、一横向平滑参数、一纵向平滑参数以及每一该参考点与该插补点之间的一距离，获得每一该参考点的一非等向性高斯函数数值；以及(3)利用一统计方法对该些非等向性高斯函数数值进行整合运算，以获得该插补点的一插补数值。

【技术特征摘要】
2013.07.12 TW 1021251021.一种影像插补方法，其利用一机率神经网络模型获得一影像的一插补点的一插补数值，包括：(1)选取邻近于该插补点的多个参考点；(2)利用该多个参考点中的每一该参考点的一边缘方向角度、一横向平滑参数、一纵向平滑参数以及每一该参考点与该插补点之间的一距离，获得每一该参考点的一非等向性高斯函数数值；以及(3)利用一统计方法对该些非等向性高斯函数数值进行整合运算，以获得该插补点的该插补数值；其中，于该步骤(2)中，包括：将每一该参考点的多个特征值输入至一单神经元神经网络中，以获得每一该参考点的该横向平滑参数以及该纵向平滑参数；其中，该单神经元神经网络的一转移函数为线性函数、S形函数或双曲正切函数，且该转移函数的一自变量为∑(每一该特征值)·(每一该特征值所相对应的一权重)+(一偏压值)。2.如权利要求1所述的影像插补方法，其特征在于，该步骤(3)中的该统计方法为重心法、最大值法、中值法或四分位法。3.如权利要求1所述的影像插补方法，其特征在于，于该步骤(2)中，包括：(2-1)利用一梯度运算子获得每一该参考点的一横向梯度值以及一纵向梯度值；以及(2-2)利用每一该参考...

【专利技术属性】
技术研发人员：陈庆瀚，郭家铭，
申请(专利权)人：中央大学，
类型：发明
国别省市：中国台湾;71