基于加权抛物线插值与小波变换的图像放大算法

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (1): 48-50.

基于加权抛物线插值与小波变换的图像放大算法

刘馨月,张宪超,周健

大连理工大学软件学院，辽宁大连 116024

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-01 发布日期:2008-01-01
通讯作者: 刘馨月

Image magnification algorithm based on parabolic interpolation and wavelet transformation

LIU Xin-yue,ZHANG Xian-chao,ZHOU Jian

School of Software，Dalian University of Technology，Dalian，Liaoning 116024，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-01 Published:2008-01-01
Contact: LIU Xin-yue

摘要/Abstract

摘要： 图像放大问题的焦点是如何在图像放大过程中保持良好的视觉分辨率和清晰度。论文首先对加权抛物线插值算法进行了改进，在此基础上提出一种加权抛物线插值结合小波变换的图像放大算法，并对小波变换后的小波系数低频带作了幅值增强处理。实验结果表明，相对于传统的图像放大算法，该算法不仅较好地保留了原始图像的细节信息，而且还提高了放大后图像的亮度和清晰度。

关键词: 图像放大, 小波变换, 加权抛物线插值

Abstract: The key issue of image magnification to keep good visual resolution and definition.In this paper，the weighted parabolic interpolation algorithm is firstly improved，and then a new algorithm to magnify images is proposed，which combine the improved weighted parabolic interpolation algorithm and discrete wavelet transformation to realize the image magnification.In the mean time，the amplitude of low-frequency field of wavelet transformation is enhanced.The results of experiments show that，compared with traditional methods，this new algorithm not only keeps the details of the original image，but also enhances the brightness and definition of the amplified images.

Key words: image magnification, wavelet transformation, weighted parabolic interpolation

刘馨月,张宪超,周健. 基于加权抛物线插值与小波变换的图像放大算法[J]. 计算机工程与应用, 2008, 44(1): 48-50.

LIU Xin-yue,ZHANG Xian-chao,ZHOU Jian. Image magnification algorithm based on parabolic interpolation and wavelet transformation[J]. Computer Engineering and Applications, 2008, 44(1): 48-50.

[1]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[2]	杜宏伟，乔美丽，宋刚，张云峰，包芳勋. 基于视觉感知的图像放大[J]. 计算机工程与应用, 2020, 56(9): 204-212.
[3]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[4]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[5]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[6]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[7]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[8]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.
[9]	谢国波，吴震禹. 基于小波变换和重力模型的混沌图像加密算法[J]. 计算机工程与应用, 2019, 55(13): 100-105.
[10]	颜宏文，卢格宇. CEEMD-WT和CNN在短期风速预测中的应用研究[J]. 计算机工程与应用, 2018, 54(9): 224-230.
[11]	张志禹1，李向月1，李向阳2. 同步挤压小波变换对随机噪声抑制的研究[J]. 计算机工程与应用, 2018, 54(5): 57-60.
[12]	陈波1，刘厚泉1，赵志凯2. 时间序列多尺度异常检测方法[J]. 计算机工程与应用, 2018, 54(20): 122-127.
[13]	贾澎涛，贾伟. 煤矿井下视频多目标轨迹跟踪算法研究[J]. 计算机工程与应用, 2018, 54(2): 222-227.
[14]	崔金鸽1，陈炳权1，2，徐庆1. 基于Dual-Tree CWT和自适应双边滤波器的图像去噪算法[J]. 计算机工程与应用, 2018, 54(18): 223-228.
[15]	张艺超，袁贞明，孙晓燕. 基于心冲击信号的睡姿识别[J]. 计算机工程与应用, 2018, 54(17): 135-140.