EEPW论坛

面阵摄像机的成像面以像素为最小单位。例如某CMOS摄像芯片，其像素间距为5.2微米。摄像机拍摄时，将物理世界中连续的图像进行了离散化处理。到成像面上每一个像素点只代表其附近的颜色。至于“附近”到什么程度？就很困难解释。两个像素之间有5.2微米的距离，在宏观上可以看作是连在一起的。但是在微观上，它们之间还有无限的更小的东西存在。这个更小的东西我们称它为“亚像素”。实际上“亚像素”应该是存在的，只是硬件上没有个细微的传感器把它检测出来。于是软件上把它近似地计算出来。本文给出了计算的方法和说明效果的例子。

ub-Pixel
数码摄像机的成像面的分辨率以像素数量来衡量。隔行TV的分辨率是576x768个像素。 像素中心之间的距离有几个至十几个微米不等。为了最大限度利用图像信息来提高分辨率，有人提出了Sub-Pixel概念。意思是说，在两个物理像素之间还有像素，称之为Sub-Pixel，它完全是通过计算方法的出来的。这里提出计算方法。
如果原始图像是n行m列的，希望做k细分的Sub-Pixel，这样就有新的行N和列M，有
  N = k*n
  M = k*m
原来相邻4个像素包含的区域现在变成了(k+1)*(k+1)的区域了；要填满这个(k+1)*(k+1)的区域，实际上就是从一个小正方形映照到一个大正方形的过程。在数学上用双线性插值得算法可以轻松搞定。下面是算法的代码：
XYPNT qdot(
XYPNT d[4],  //d[4] 顺时针排列
XYPNT a  //含有要插入的点的位置
){
 XYPNT r;  //工作单元
 int i;
 float x0,y0,x1,y1; //
 PNT z[4];
 float ap,bt,ax,ay;
 x0=d[0].q.x;y0=d[0].q.y;
 x1=d[2].q.x;y1=d[2].q.y;
 r=a;
 ax=a.q.x;ay=a.q.y;
 for(i=0;i<4;i++)z[i]=d[i].pnt;
 ap=(ax-x0)/(x1-x0);bt=(ay-y0)/(y1-y0);
 r.pnt.r=(1.-ap)*(1.-bt)*z[0].r+bt*(1.-ap)*z[3].r+ap*(1.-bt)*z[1].r+ap*bt*z[2].r;
 r.pnt.g=(1.-ap)*(1.-bt)*z[0].g+bt*(1.-ap)*z[3].g+ap*(1.-bt)*z[1].g+ap*bt*z[2].g;
 r.pnt.b=(1.-ap)*(1.-bt)*z[0].b+bt*(1.-ap)*z[3].b+ap*(1.-bt)*z[1].b+ap*bt*z[2].b;
 return r;
}
其中数据结构：
struct PNT{BYTE b,g,r;}; //像素的颜色
struct DXY{short x,y;};  //像素的坐标
struct XYPNT{   //像素的全信息
 DXY q;
 PNT pnt;};
调用示例:
 for(i=0;i<HEight;i++)for(j=0;j<WIdth;j++){
  d[0].q.x=j*xf    ; d[0].q.y=i*xf;     d[0].pnt=*(buf+i*WIdth+j);
  d[1].q.x=(j+1)*xf; d[1].q.y=i*xf;     d[1].pnt=*(buf+i*WIdth+j+1);
  d[2].q.x=(j+1)*xf; d[2].q.y=(i+1)*xf;  d[2].pnt=*(buf+(i+1)*WIdth+j+1);
  d[3].q.x=j*xf    ; d[3].q.y=(i+1)*xf;  d[3].pnt=*(buf+(i+1)*WIdth+j);
  for(i0=0;i0<xf;i0++)for(j0=0;j0<xf;j0++){
   aa.q.x=j*xf+j0;aa.q.y=i*xf+i0;
   rr=qdot(d,aa);
   *(Buf+aa.q.y*WIDTH+aa.q.x)=rr.pnt;
  }
 }
其中xf是插入亚像素的个数，也即放大倍数；Height和Width是原始图像的尺寸；HEIGHT和WIDTH是方大xf倍的尺寸;原始图片存放在buf中,目标图片存放在Buf中。附件目标图片01和目标图片02都是从原始图片00放大得到的。目标图片01是通过Sub-Pixel算法得到的；目标图片02是通过程序ACDSEE的缩放功能得到。双方都放大了25倍。目标图片01要优于目标图片02。