google图像新压缩技术RAISR的测试

不久前，Google刚刚发布了一种名为RAISR（Rapid and Accurate Super Image Resolution，意为“快速、精确的超级图像分辨率技术”）的图像压缩技术，旨在保存宝贵的数据，而不牺牲照片质量；并在带宽受限的移动设备上提供清晰锐利的图像。

Google声称，该技术可以降低高达75％的带宽，RAISR分析同一图像的低分辨率和高分辨率版本，了解到高分辨率版本出众的原因，然后在低分辨率版本模拟出来。实际上就是使用机器学习创建一个类似Instagram的过滤器，欺骗你的眼睛，让你相信低分辨率与高分辨率图像是一致的。

看到这个技术，想测试一下，顺便看一下算法原理，刚好网上有一些相关的代码，主要参考代码如下：https://github.com/MKFMIKU/RAISR

仔细看了下算法的原理，才发现这个算法的压缩机制主要包括两个部分：

（1）先创建一个低分辨率的图片，保存在hashtable中。

（2）在高低分辨率的成对图片中学习，即先对低分辨率图片应用低功耗的的升采样，然后在升采样图片和高分辨率图片的组合中学习过滤器。

如下这段核心代码可以看到：

mat = cv2.imread("./train/alp2.jpg") h = np.load("lowR2.npy") mat = cv2.cvtColor(mat, cv2.COLOR_BGR2YCrCb)[:,:,2]

# 升采样 LR = cv2.resize(mat,(0,0),fx=2,fy=2) LRDirect = np.zeros((LR.shape[0],LR.shape[1])) for xP in range(5,LR.shape[0]-6):     for yP in range(5,LR.shape[1]-6):         patch = LR[xP-5:xP+6,yP-5:yP+6]

       #　之前保存的方向强度等属性信息         [angle,strenth,coherence] = hashTable(patch,Qangle,Qstrenth,Qcoherence)         j = angle*9+strenth*3+coherence         A = patch.reshape(1,-1)         t = xP%2*2+yP%2

＃ 过滤器         hh = np.matrix(h[j,t])         LRDirect[xP][yP] = hh*A.T

　　从上面可以看出，RAISR 的过滤器都是根据图像的边缘特征训练的：亮度和色彩梯度、平实和纹理区域等。这又受到方向（direction，边缘角度）、强度（strength，更锐利的边缘强度更高）和黏性（coherence，一项量化边缘方向性的指标）的影响。

由于本人的测试环境为：python3.6，而示例程序中有一些地方的脚本语言应该是在2.7环境下编译的，因此需要对上述代码中进行相应的修订，主要是：

from scipy.sparse.linalg import cg

这个调用需要更加显性。

剩下的相关修改地方已经提交在github程序中：https://github.com/ndscigdata/RAISR/tree/master

测试效果如下所示：