基于边缘信息改进的双线性插值算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (31): 171-174.

• 图形、图像、模式识别 • 上一篇下一篇

基于边缘信息改进的双线性插值算法

郭海霞1，郭海龙2，解凯3

1.哈尔滨金融高等专科学校计算机系，哈尔滨 150030
2.哈尔滨学院，哈尔滨 150080
3.北京印刷学院信息与机电学院，北京 102600

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-11-01 发布日期:2011-11-01

Improved bilinear interpolation algorithm based on edge information

GUO Haixia1，GUO Hailong2，XIE Kai3

1.Department of Computer，Harbin Finance College，Harbin 150030，China
2.Harbin University，Harbin 150080，China
3.College of Information & Mechanical Engineering，Beijing Institute of Graphic Communication，Beijing 102600，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-11-01 Published:2011-11-01

摘要/Abstract

摘要： 针对传统双线性插值算法插值时未考虑图像边缘信息，致使放大后图像出现模糊效应的特点，提出基于边缘信息的插值算法。该算法利用边缘检测及自适应门限划分出原始图像中的“边缘点”及“非边缘点”，引入“灰度补偿”参数增加了边缘邻接插值点与非边缘邻接插值点间的灰度差，利用边缘点的“边缘方向”特性，判定待插值点是否位于放大图像的边缘上，对位于边缘上的待插值点利用边缘信息插值，恢复了使用传统双线性插值时断裂的边缘。大量的仿真实验证明该算法在一定程度上抑制了放大后图像边缘模糊的效应，改善了放大图像的视觉效果。

关键词: 双线性插值, 图像处理, 边缘检测

Abstract: Because edge information is not considered，some fringe details of image are damaged in the process of standard bilinear interpolation.To avoid the disadvantages of standard bilinear interpolation，a new algorithm based on edge information is proposed.In this method，three improved solutions have been proposed：edge-pixel and non edge-pixel are distinguished by edge-detection and adaptive-threshold，grey-difference between edge-adjoined-pixel and non edge-adjoined-pixel is extended.Using direction of edges，interpolated points are determined on edge or not.To the point on edge of magnified image，it is interpolated based on edge information.Many experiments confirm that this algorithm is superior to others.

Key words: bilinear interpolation, image processing, edge-detection

郭海霞1，郭海龙2，解凯3. 基于边缘信息改进的双线性插值算法[J]. 计算机工程与应用, 2011, 47(31): 171-174.

GUO Haixia1，GUO Hailong2，XIE Kai3. Improved bilinear interpolation algorithm based on edge information[J]. Computer Engineering and Applications, 2011, 47(31): 171-174.

[1]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[2]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[3]	杨培伟，周余红，邢岗，田智强，许夏瑜. 卷积神经网络在生物医学图像上的应用进展[J]. 计算机工程与应用, 2021, 57(7): 44-58.
[4]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[5]	云旭，宋焕生，梁浩翔，侯景严，戴喆. 基于深度学习的关键岗位人员行为分析系统[J]. 计算机工程与应用, 2021, 57(6): 225-231.
[6]	马庆禄，唐小垚. 融合时域和分水岭信息的车辆检测算法[J]. 计算机工程与应用, 2021, 57(24): 227-233.
[7]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[8]	张德，林青宇，郭茂祖. 单幅图像超分辨重建的深度学习方法综述[J]. 计算机工程与应用, 2021, 57(22): 28-41.
[9]	齐小祥，李敏，朱颖，宋雨，杜卫东. 基于边缘检测的SAR图像自适应区域分割[J]. 计算机工程与应用, 2021, 57(22): 232-240.
[10]	李祥霞，谢娴，李彬，尹华，许波，郑心炜. 生成对抗网络在医学图像处理中的应用[J]. 计算机工程与应用, 2021, 57(18): 24-37.
[11]	林本丰，王呈，孙悦程. 融合LSD算法与深度学习的开关状态检测方法[J]. 计算机工程与应用, 2021, 57(17): 181-189.
[12]	许洋洋，李伟，王杰. 利用事件和期限驱动对机器人延时的优化[J]. 计算机工程与应用, 2021, 57(17): 260-268.
[13]	王滢暄，宋焕生，梁浩翔，余宵雨，云旭. 基于改进的YOLOv4高速公路车辆目标检测研究[J]. 计算机工程与应用, 2021, 57(13): 218-226.
[14]	陈少洁，赵淦森，林成创，彭璟，黄凯信，李壮伟，黄润桦，杜嘉华，樊小毛. 深度学习在染色体分割中的应用综述[J]. 计算机工程与应用, 2021, 57(11): 46-56.
[15]	许春冬，辛鹏丽，周静，应冬文. 基于功率谱密度与卷积神经网络的心音分类[J]. 计算机工程与应用, 2021, 57(10): 125-132.

基于边缘信息改进的双线性插值算法

Improved bilinear interpolation algorithm based on edge information

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics