1200万像素通过算法无失真扩展到1.92亿像素——加权概率模型收缩模型图像像素扩展算法

很多消费类电子的商家有一个疑惑,尤其是手机生产企业,苹果1200万像素堪比1亿像素的小米拼画面质量。而且苹果设备相互间能适应不同设备投屏,或则说基于苹果系统相互视频通话能自动适应画面质量。
举例:苹果手机和苹果电脑进行视频通话,会议时,明显的画面质量好很多。而我们国内这类的应用均存在画质不行的问题。大家都尝试自己测试。当然,我在这里并不是为了鼓吹苹果,但是我个人认为这些公司多做一点技术研发是有必要的。还有行业内其实早就在使用相关的伪像素,关键是技术如何做到最优。

为此,我带来一个自己的技术,实际应用中可能会有些优化,比如:
1、针对YUV图像,可以只针对Y分量进行变化;
2、针对不同的图像对细节的强化指标是不一样的;
3、因为是按照行列的方式变换的,所以按照CPU线性的编码使得运算会明显慢,当采用GPU或FPGA等并行运算效率最优。
4、应用场景不同优化的方向也不同,比如摄像模组中采集一行或一列图像数据后,即可采用本程序进行像素细节优化和扩展,无需整图采集完毕后再扩展。
5、显示器上在输出图像后亦可采用本算法将图像扩展后再刷新到屏幕上,于是能有效的在扩展图像像素尺寸时增强图像部分细节。
接下来请参看我的算法效果,我们常见的windows图像查看器、或照片等软件都能放大图像,接下来我的图像比较就是基于这两个软件进行,而且是在基于本算法扩展16倍的情况下测试,实际本算法支持4倍、9倍、16倍、25倍扩展。本算法主要目的是放大图像像素时刻画出更多真实细节,柔化、美颜、去毛刺、强化细节等有现成的算法,也不是本算法需要考量的问题,比如Super Resolution算法,Delurring算法等。后续我会加上卷积或其他的方法把细节同步处理的更清晰。
(一)生物细胞图


上面的图中左边是原图,右边是放大十六倍后的图。
1200万像素通过算法无失真扩展到1.92亿像素——加权概率模型收缩模型图像像素扩展算法_第1张图片
明显右图扩展后细节更清晰。

1200万像素通过算法无失真扩展到1.92亿像素——加权概率模型收缩模型图像像素扩展算法_第2张图片
(二)风景图
因为该图是网络上找的jpg转成bmp再测试的,本身图像并不是很清晰。刚好可以用来测试本算法部分效果。

1200万像素通过算法无失真扩展到1.92亿像素——加权概率模型收缩模型图像像素扩展算法_第3张图片
1200万像素通过算法无失真扩展到1.92亿像素——加权概率模型收缩模型图像像素扩展算法_第4张图片
1200万像素通过算法无失真扩展到1.92亿像素——加权概率模型收缩模型图像像素扩展算法_第5张图片
1200万像素通过算法无失真扩展到1.92亿像素——加权概率模型收缩模型图像像素扩展算法_第6张图片
这个部分看起来是不是感觉右边的要暗一些,这个情况是算法一次完成的,是整图变换而来,没有刻意去补充亮度,补充亮度的是很简单的算法,也不是本算法主要需要考虑的问题。
(三)游戏图
嘿,我是魔兽世界的铁粉,弄张魔兽世界的图来试试。
1200万像素通过算法无失真扩展到1.92亿像素——加权概率模型收缩模型图像像素扩展算法_第7张图片

1200万像素通过算法无失真扩展到1.92亿像素——加权概率模型收缩模型图像像素扩展算法_第8张图片
(四)灰度图


针对YUV图,一般仅需要针对Y分量进行变换即可,UV分量也需要通过加权概率模型提取高频信息,方便还原成RGB的彩色像素。
(五)总结
拥有了大图,还能补充细节信息,接下来美颜也好、美白也好、或则增加亮度或锐化也好,这些算法都是有现成的,我也会根据实际商业应用场景增加一些算法现有的算法。
原来我一直推自己的压缩算法,结果改变了文件格式,那就得成为标准才能应用于市场。但是这个算法无关内容,直接在采集或屏幕端应用即可。以前我一直以为加权概率收缩模型是没有物理意义,或则数理意义的,没想到能基于一行,或一列计算出丢失的高频信息。当然新算法有一个适应期,也有很多需要优化的地方或方向。
本算法的数学模型是我提出来的,大家可以从《杰林码原理及应用》一书中看到,至于优化和改进,我们有着大量的论文需要发表或专利申请,我期待更多的大学参与,也期待更多的企业参与。我相信,一旦这个技术得到应用,在虚拟现实、显示器、电视机、图像采集等领域有我国自主的新方法,或新产品。
(六)提问
假设1200万像素基于该算法扩展到1.92亿像素,还能有效的补充细节(高频信息),不知道这个技术有公司需要么?
我提出这个问题,咱们来检验一下大企业对新型技术的态度,是共同研发呢?还是收购?还是说不闻不问?还是说来个喷子喷一下?哈哈!
如果是Photoshop,不防制作一张相同的图出来试试也行,一方面看看时间需要多久,另一方面看看PS里面有没有这类功能性的算法,其次反过来证明这个算法的原创性。

你可能感兴趣的:(杰林码应用,算法)