秦 潔 李 莉

(安徽農(nóng)業(yè)大學經(jīng)濟技術學院， 合肥 230000)

相比灰度圖像，彩色圖像包含的信息更多，具備更多的色彩通道，各通道之間具有關聯(lián)性。在彩色圖像通道中應用灰度圖像處理方法，效果一般都不理想，會導致圖像失真[1]。對彩色圖像的處理通常是將圖像的特性如亮度、色度分離出來，集中對亮度進行處理。忽視對色度的處理，會導致圖像中彩色通道信息缺失的問題[2]。提升彩色圖像的色度，可以顯著提升其視覺效應[3]。彩色圖像超分辨率重建，目的就在于豐富圖像的色度信息。圖像彩色化的過程就是基于灰度圖像及部分色彩信息來實現(xiàn)對圖像的色彩獲取，增強圖像色度信息[4]。在處理低分辨率彩色圖像時，選擇色度作為圖像處理參數(shù)，應用效率較好的彩色化算法提升圖像的色度，可解決圖像失真問題，改善其視覺效果。

1 圖像質量的主觀評價標準

圖像在獲取、壓縮、處理、傳輸、顯示等過程中，總是存在一定程度失真的問題。評價圖像質量的方法可分為主觀評價方法和客觀評價方法，前者是憑借評價人員的主觀感知來評價圖像的質量；后者是依據(jù)模型給出的量化指標，模擬人類視覺系統(tǒng)感知機制來衡量圖像質量。圖像質量的主觀評價結果，與評價人員的個人能力、知識構成等都息息相關。為了確保圖像評價的客觀性，選擇的評價人員要具備一定的專業(yè)能力，評價人員數(shù)量要在20人以上，最后按平均意見得分(MOS)標準(見表1)判斷圖像的質量。

表1 MOS標準

2 灰度圖像彩色化技術

圖像顏色基本都是由YUV通道構成。圖像的YUV聯(lián)合相關性，表示在特定的位置上圖像的色度、亮度都存在相似的局部幾何特征(local geometry)，在流形結構(manifold)方面也較為相似[5]。局部幾何特征反映了某個位置的像素點和相鄰的像素的關系。應用線性加權方式，可分別得到三通道YUV圖像信息，如圖1所示。

2.1 鄰域相似像素

鄰域的色度計算中，一般是采用菱形窗口鄰域或矩陣中心方式。這往往會導致像素值存在較大誤差，特別是在需要加權值非負的紋理、邊緣等區(qū)域，當領域值的誤差較大時，在求和時就會給圖像彩色化帶來較大的失真。例如，在某個邊緣區(qū)域內(nèi)的像素點，分別應用不同計算方式獲取鄰域像素值，結果如圖2所示。其中：a.應用矩形鄰域分布方式，加權求和過程中會計算綠色像素值，結果紅色像素點顏色發(fā)生了明顯失真現(xiàn)象；b.應用鄰域相似搜索矩陣搜索選擇和紅色像素點相似度較高的像素值，結果圖中該圖像點基本沒有發(fā)生失真。因此，我們應用鄰域相似搜索矩陣方式，來獲取鄰域像素點。

圖1 彩色圖像的YUV通道圖像

圖2 像素點的不同鄰域分布方式

通過鄰域相似像素搜索，綜合分析圖像中不同像素點的相對距離，然后還要對不同像素之間的差異進行分析。以相似度d定義圖像中各個像素點之間的差異及距離等，分別計算以像素點k位置為圓中心、半徑為r的窗口內(nèi)所有的非k像素點j。

(1)

2.2 自回歸模型

基于圖像彩色化通道的YUV聯(lián)合相關性，包含了色度、亮度的局部幾何特征結構。YUV聯(lián)合相關性每個像素點的亮度計算方式，為鄰域像素線性加權組合；色度計算方式，為領域組合關系。

通過構建自回歸模型，來計算鄰域像素線性加權中心像素模型。

(2)

式中：Yk為亮度圖像Y上某個像素點k的亮度；Yki為鄰域像素亮度；wki為亮度的加權系數(shù)。

同理，對于色度圖像U，構建自回歸模型如下：

(3)

3 色度圖像超分辨率重建算法

3.1 圖像色彩初始化的算法選擇

圖像超分辨率重建，是在低分辨率(LR)圖像中，通過處理信號的方法，估計高分辨率(HR)圖像。目前，關于高分辨率圖像的研究主要集中在灰度圖像領域，而在重建彩色圖像高分辨率過程中，采用的參數(shù)主要為圖像亮度信息；對于圖像的色度信息，通常只進行插值處理，結果構建得到的圖像的色度質量不高。在圖像超分辨率重建過程中，為了提高圖像色彩的初始化質量，我們采用IBP算法。

按IBP算法，是在人工初始化圖象值后，反復迭代圖像構建過程，并引用超分辨率圖像不斷修正誤差值，得到和原圖相似的生成圖像[6-7]。迭代重構最小的誤差值為e(IH)。

(4)

式中：IL表示原圖的低分辨率圖像分辨率；IH表示高分辨率圖像分辨率；D表示采樣算子；L表示低通濾波器。誤差值e(IH)越小，表示圖像質量越好。

在初始化色彩顏色信息過程中，采用IBP算法。以重構4倍分辨率為例。如圖3所示，低分辨率圖像在一個4×4放大的圖像塊中。在重建過程中，將已知色度值全部放在相對應的采樣算子位置處。此時，每個放大圖像塊都可以得到一個色度值。接下來，應用該色度值進行彩色化運算，得到初始高分辨率色度圖像。最后，應用雙立方插值來迭代采樣過程，得到初始化后的色度分量值。IBP算法初始化后的色度分量值，更接近原圖像的像素值，具備更好的色度初始化相似度。

圖3 低分辨率圖像在放大4倍圖像塊中的位置

3.2 彩色化算法改進

運用圖像的彩色化算法如基于亮度圖像的超分辨率重建技術，在圖像邊緣重構過程中容易發(fā)生失真現(xiàn)象，且計算速度比較慢。下面提出一種最優(yōu)彩色化算法。

圖像亮度的鄰域變化，直接表明了像素區(qū)域類型；亮度鄰域像素的差值大小，反映著當前重建區(qū)域是否處于邊緣區(qū)域范圍。由此，采用亮度差值關系來計算色度鄰域加權值，充分利用圖像邊緣位置包含的隱藏信息，處理后的圖像質量更高。

在YUV顏色空間內(nèi)，當圖像的某個像素點k的鄰域亮度差值都較小，認為在該點的鄰域色度差值也比較小。鄰域像素集的色度加權和為Nk，則誤差J(U)的計算公式為：

(5)

式中：wks為鄰域像素的加權值；s表示當前像素點。

對于未知顏色的像素點，鄰域像素集的色度加權和的誤差計算公式為：

UH=arg minJ(U)

(6)

式中：J(U)為加權和的誤差和。

在上述算法中，像素點k的鄰域亮度差值和加權值wks存在反比關系，即鄰域亮度差值越小，加權值越大。因此，設計加權值計算公式為：

(7)

式中：Wk為歸一化系數(shù)；α是一個常數(shù)，以此保證圖中像素點的穩(wěn)定性；σk為像素點的鄰域方差。

3.3 高分辨率色度圖像重建算法

在BIP算法中，圖像高分辨率色度在計算過程中采用雙立方插值方式。色度插值方式不會對像素點所處像素進行誤差重建判斷，會統(tǒng)一無差別反饋所有區(qū)域范圍內(nèi)的誤差值進入迭代過程，因此必然會產(chǎn)生邊緣區(qū)域失真現(xiàn)象。

Dai等人通過優(yōu)化調(diào)整雙邊帶濾波IBP算法中高斯窗口系數(shù)來提高圖像的邊緣特性，實驗結果表明該算法具備較好的圖像邊緣質量[8]。Dong等人，在反向投影步驟前就重建局部誤差值，設計了非局部IBP算法[9]。但他們沒有對BIP算法流程進行優(yōu)化，只是通過增加邊緣像素色度來提高邊緣圖像質量。

我們設計的融合了最優(yōu)化彩色化算法的IBP算法(以下簡稱“IBPCSR”算法)，可以實現(xiàn)圖像色度值的獲取，同時還具備較好的圖像邊緣處理能力。首先，根據(jù)4×4放大圖像塊來獲取已知色度位置及其值的大?。蝗缓?，在計算未知色度值中引用最優(yōu)彩色化算法。

4 實驗及其結果分析

實驗選取的窗口為5×5，高斯低通濾波器方差為2，重建倍數(shù)為4。采用圖像模糊處理來驗證 IBPCSR算法。對比算法為：基于學習的高分辨算法[6]，簡稱“Liu”；基于4倍高分辨率算法[7]，簡稱“Huang”；傳統(tǒng)雙立方插值算法。

首先，按主觀評價法對各算法重構圖像進行比較。圖4所示為實驗分析的部分圖像。圖5所示為圖像“花”在高分辨率模糊處理后的實驗結果，其中，第一排為重建后色度原圖；第二排為差值圖像；第三排為重構后的彩色圖像。

圖4 實驗中的部分圖像

圖5 不同方法對花圖的重構結果

對比重構結果可知：按IBPCSR算法處理后，高分辨率色度圖像具備非常好的圖像質量，邊緣更加銳利；在邊緣區(qū)域范圍內(nèi)的重構差值都比較小，圖的損失更少；在重構好的高分辨率圖像中，彩色度和相似度都更高。

客觀得到的各個算法在PSNR(峰值信噪比)、SSIM(結構相似性)[10-11]上的值，見表2和表3。從表中數(shù)據(jù)可以看出，與其他算法相比，IBPCSR算法具備非常好的峰值信噪比，重建后的高分辨率圖像和原圖的結構相似度較高。這表明重視色度處理，可以提升高分辨率彩色圖像質量，減少邊緣區(qū)域范圍內(nèi)圖像的色彩失真現(xiàn)象。

5 結 語

隨著圖像技術的快速發(fā)展，人們對圖像質量的要求也越來越高。為提高圖像的逼真度，設計了基于彩色化的色度圖像超分辨率重建算法。在圖像YUV通道基礎上，應用鄰域相似搜索矩陣，獲取得到較高質量的鄰域像素點，并通過構建自回歸模型來計算鄰域像素線性加權中心像素模型；應用BIP算法，初始化色彩顏色信息，初始化后的色度分量值更加接近原圖像的像素值，具備較高的色度初始化相似度；設計最優(yōu)彩色化算法，快速重構低失真的圖像邊緣。實驗結果表明，運用色度圖像超分辨率重建算法，獲得的重構圖像質量高，邊緣區(qū)域范圍內(nèi)的失真率較低。

表2 不同算法的PSNR值 單位：dB

表3 不同算法的SSIM值 單位：dB