[发明专利]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

说明书

本发明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。

技术领域

本发明关于一种影像处理技术领域，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。

背景技术

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(nearest neighbor)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。

发明内容