時下越來越多的電子消費產品內建了數位相機，一般人也有越來越多的機會接觸到數位影像，所以數位影像的處理就成為了重要的一環，影像縮放廣泛的應用在各個領域之中，也使得它在影像處理中始終佔有一定的份量，屹立不搖，其中影像放大更是佔了相當大的應用比例。本文提出以顏色資訊將影像分割，在放大影像時，針對邊界的部分單獨處理，以得到較清晰平滑的邊緣。

本文在分割圖片的顏色區塊時，利用將RGB 轉換至HIS 色彩空間，來得到顏色的資訊，利用先在圖片邊緣灑下的生長點，尋找相同顏色的點合併為區塊，再以區塊融合的方式來達到顏色區塊分割，當進行影像放大時，本文以Bilinear 作為基礎，當區塊沒有明顯的顏色交界時，我們使用一般的Bilinear進行放大，在面對顏色的交界處時，便改用自定義的演算法，捨棄非同顏色的點，以達到較平滑的邊緣。

最後，本文結合顏色分塊和Bilinear 以及顏色交界處的自定義插值法，只需要增加少量的處理時間，便能得到比Bilinear 較佳的視覺效果。

In present time, many consumer electronic devices have build-in digital camera that makes peoples have more chances to use digital camera related devices. Therefore, digital image processing has become an important research topic in present days. The technique of image scaling is always a major topic of the digital image processing, especially the image upsampling technique. In this thesis, by using the color information of the image, a bilinear interpolation based method is proposed for smoothing the edge of the objects in the image. 

  In this thesis, a novel method is proposed to segment the image according to the color information at first. The segmentation process starts from the border of the image, and assemble the pixels that have similar color. In this work, the image is cut into several blocks. When the small block contains features of the color edges, the upsampling process will be performed on the corresponding block by the proposed method based on the bilinear interpolation technique. Otherwise, the upsampling process is performed using the pure bilinear interpolation technique.

  The proposed method combines the color information and modified bilinear interpolation technique to achieve better visual quality. Moreover, comparing to the traditional methods, the proposed method only requires a few extra computational time to accomplish the goal.

中文摘要	I
英文摘要	II
目錄	III
圖表目錄	V
	
第一章 緒論	1
1.1	研究動機與目的	1
1.2	影像處理流程簡介	3
1.2.1	轉換色彩模式	4
1.2.2	型態影像學處理	4
1.2.3	顏色區塊分類	4
1.2.4	改良式Bilinear內插法	5
1.3	本文架構	6
第二章 理論基礎	7
2.1	色彩空間	7
2.1.1	 三原色理論	9
2.1.2	 心理色彩理論	12
2.1.3	 色彩模式	16
2.2	型態影像學	18
2.2.1	 型態影像學發展史	18
2.2.2	 結構元素	19
2.2.3	 侵蝕（Erosion）	20
2.2.4	 擴張（Dilation）	22
2.2.5	 斷開（Opening）	24
2.2.6	 閉合（Closing）	26
2.3	影像插值法	29
2.3.1	 最近鄰居法（Nearest Neighbor）	29
2.3.2	 雙線性內插法（Bilinear Interpolation）	30
第三章 系統架構	32
3.1	RGB-HSI色彩模式轉換	32
3.2	型態影像學處理	34
3.3	顏色區塊分類	36
3.3.1	分區步驟	37
3.3.2	遞迴分區、合併演算法	38
3.4	影像放大演算法	40
3.4.1	 顏色交界選取	41
3.4.2	 改良式Bilinear內插法	43
第四章 實驗結果與比較	46
4.1	樣本測試	46
4.2	實驗結果與討論	51
第五章 結論	53
5.1	總結	53
5.2	未來展望	53
參考文獻	54
附錄A 英文論文	A-1



 
圖表目錄

圖目錄
圖1.1	程式運作流程圖	3
圖2.1	可見光波長圖	7
圖2.2	Newton's Color Wheel	8
圖2.3	RGB色光混合圖	9
圖2.4	L-、M-、S-cones敏感曲線圖	10
圖2.5	CIE Color Maching Experiment	10
圖2.6	RGB Tristimulus Value	11
圖2.7	XYZ Tristimulus Value	11
圖2.8	CIE RGB 1931 色度圖	12
圖2.9	CIE XYZ 1931色度圖	12
圖2.10	色相偏移範例圖	13
圖2.11	飽和度偏移範例圖	14
圖2.12	亮度偏移範例圖	15
圖2.13	HSV與HLS示意圖	16
圖2.14	HSI色彩模型	17
圖2.15	常用的結構元素形狀	19
圖2.16	利用垂直元素結構進行結構萃取	20
圖2.17	二元影像侵蝕運算	21
圖2.18	灰階影像侵蝕運算	22
圖2.19	二元影像擴張運算	23
圖2.20	灰階影像擴張運算	24
圖2.21	二值影像斷開運算	25
圖2.22	灰階影像斷開運算	26
圖2.23	二值影像閉合運算	27
圖2.24	灰階影像閉合運算	28
圖2.25	最近鄰居法放大效果圖	29
圖2.26	Bilinear放大4倍示意圖	30
圖2.27	Bilinear計算方式	31
圖2.28	Bilinear放大效果圖	31
圖3.1	分區演算法步驟圖	37
圖3.2	分區演算法比較方式	38
圖3.3	顏色分區示意圖	39
圖3.4	利用Bilinear放大4倍	40
圖3.5	像素區塊分割方式與處理順序	41
圖3.6	邊界選取示意圖	42
圖3.7	對角及邊線點內插圖	43
圖3.8	利用三點求出目標像素	44
圖4.1	測試用樣本	46
圖4.2	Lena放大4倍	47
圖4.3	Flower放大4倍	48
圖4.4	House放大4倍	49
圖4.5	Opera House放大4倍	50

表目錄
表2.1	可見光顏色與波長對應表	8
表4.1	本文方法與Bilinear耗用時間比較	51

[1]	E. Maeland, “On the comparison of interpolation methods,” IEEE Trans. Medical Imaging, vol. 7, pp. 213–217, 1988.

[2]	T. M. Lehmann, C. G¨onner, and K. Spitzer, “Survey: Interpolation methods in medical image processing,” IEEE Trans. Medical Imaging, vol. 18, pp. 1049–1075, 1999.

[3]	JK Han and SU Baek, “Parametric cubic convolution scaler for enlargement and reduction of image,” IEEE Trans. Consumer Electronics, vol.46, no.2, pp.247-256, May 2000.

[4]	C. Lee, M. Eden, and M. Unser, “High-quality image resizing using. oblique projection operators,” IEEE Trans. Image Processing, vol. 7,. no. 5, pp. 679–692, May, 1998.

[5]	M. Unser, A. Aldroubi, and M. Eden, “Enlargement or reduction of digital images with minimum loss of information, ” IEEE Trans. Image Processing, vol. 4, pp.247-258, 1995.

[6]	K. Jensen and D. Anastassio, “Subpixel edge localization and the interpolation of still images,” IEEE Trans. Image Processing, vol. 4, pp. 285–295, 1995.

[7]	J. Allebach and P. W. Wong, “Edge-directed interpolation,” IEEE Proc. ICIP., 1996, pp. 707–710.

[8]	X. Li et.al., “New edge-directed interpolation,” IEEE trans. Image Processing, Vol.10, No 10, October 2001, pp. 1521-1527.

[9]	C. B. Atkins et. al., “Optimal image scaling using pixel classification,” 2001 International Conference on Image Processing, Volume 2, 2001, vol.3, pp864-867.

[10]	T. Young,“On the theory of light and colors,” Philos. Trans. R. Soc. London, vol. 92, pp. 20–71, 1802.

[11]	H. L. F. von Helmholtz, Phys. Opt., 1866.

[12]	J. C. Maxwell, “The diagram of colors,” Trans. R. Soc. Edinburgh, vol.21, pp. 275–298, 1857.

[13]	J. C. Maxwell, “Theory of compound colors and the relations to the colors of the spectrum,” Proc. R. Soc. Lond., 1860, vol. 10, pp. 404–409.

[14]	CIE, Colorimetry, CIE Pub. no. 15.2, Centr. Bureau CIE, Vienna, Austria, 1986.

[15]	Brian Wandell, Foundations of Vision, Sinauer Associates, 1995.

[16]	Pitch and Color Recognition, http://www.mathpages.com.

[17]	William K. Pratt, Digital Image Processing, 3rd edition, Wiley, 2001

[18]	Bruce MacEvoy, Color Vision, http://www.handprint.com, 2004.

[19]	Apple Developer Connection, http://developer.apple.com.

[20]	HSI Color Space, http://www.blackice.com, Black Ice Software, 2005.

[21]	Gonzalez, RC and RE Woods, Digital Image Processing, 2nd edition, Prentice-Hall, Upper Saddle River, NJ, 2002.

[22]	Soille, Morphological image analysis: principles and applications, Springer, 1999.