基于快速图像分类的图像插值关键技术研究

Image interpolation has wide applications in image processing systems. Recent developments of image interpolation algorithms focus on developing learning-based high quality algorithms, which have serveral drawbacks for low-cost software and hardware implementations on fixed-point DSPs and FPGA/ASIC platforms, such as integer or dyadic resizing factors, high computational complexity, huge memory buffers, etc. Hence, the development of a low complexity and high quality image interpolation algorithm for different software and hardware platforms is highly essential to the research community. In this proposal, we will develop an image interpolation algorithm via real-time image classification through the following novel approaches, including integrating the complexity constraint into the learning process, simultaneously optimizing the image classification and image interpolation functions, and proposing an unified framework for an extension to transform domains and arbitrary interpolation factors. The proposed framework solves the following problems, such as processing arbitrary interpolation factors, requiring very limited memory buffers, and processing in both spatial and transform domains (e.g. DCT/wavelet). The proposed framework will be implemented in real-time software and hardware systems for a comparison to state-of-the-art approaches, in order to evaluate and verify the effectiveness of the proposed framework, which will be an advancement of the image processing community.

图像插值可广泛应用于图像处理系统。现有的高质量图像插值算法大部份是基于在线学习获取插值参数，所以这类算法的复杂性较高、存储缓冲需求极大等，以致一般软硬件平台(如DSP、FPGA/ASIC等平台)都难以实现这些算法。为此，研究可自适应于不同软硬件平台的实时高质量图像插值算法极为迫切。本课题将研究基于图像快速分类的快速插值算法，其创新之处是从线下学习插值函数的过程中加入降低算法复杂度的约束，并同时优化图像快速分类方法和插值函数，建立一个从空间域扩展到变换域及任意缩放倍数的算法框架。本课题提出的快速插值算法框架将解决以下问题，包括处理任意缩放倍数、需求小量存储缓冲、空间域和变换域(如DCT/Wavelet)同步实现等。本课题的算法框架将实现于原型软件系统(及仿真的硬件系统)以展示实时图像插值的效果，并综合比较现有最先进的的实时插值算法，以验证本课题算法框架的执行效率和高效性。

图像插值可广泛应用于图像处理系统。现有的高质量图像插值算法大部份是基于在线学习获取插值参数，所以这类算法的复杂性较高、存储缓冲需求极大等，以致一般软硬件平台(如DSP、FPGA/ASIC等平台)都难以实现这些算法。为此，研究可自适应于不同软硬件平台的实时高质量图像插值算法极为迫切。本课题将研究基于图像快速分类的快速插值算法，其创新之处是从线下学习插值函数的过程中加入降低算法复杂度的约束，并同时优化图像快速分类方法和插值函数，建立一个从空间域扩展到变换域及任意缩放倍数的算法框架。本课题提出的快速插值算法框架将解决以下问题，包括处理任意缩放倍数、需求小量存储缓冲、空间域和变换域(如DCT/Wavelet)同步实现等。本课题的算法框架将实现于原型软件系统(及仿真的硬件系统)以展示实时图像插值的效果，并综合比较现有最先进的的实时插值算法，以验证本课题算法框架的执行效率和高效性。本项目的研究工作非常顺利，研究计划按预期执行和全部完成, 并取得重要的进展，主要的成果包括发表5篇国际会议论文、7篇SCI论文和4篇申请专利。同时, 在人才培养方面, 培养了2个在站博士后, 5个硕士研究生。国内外学术交流方面, 项目组参加了5人次在国内外举办的4个国际会议。总体来说, 本项目的研究成果达到预期目标。