不久前，Google剛剛釋出了一種名為RAISR（Rapid and Accurate Super Image Resolution，意為“快速、精確的超級影象解析度技術”）的影象壓縮技術，旨在儲存寶貴的資料，而不犧牲照片質量；並在頻寬受限的移動裝置上提供清晰銳利的影象。

Google聲稱，該技術可以降低高達75％的頻寬，RAISR分析同一影象的低解析度和高解析度版本，瞭解到高解析度版本出眾的原因，然後在低解析度版本模擬出來。實際上就是使用機器學習建立一個類似Instagram的過濾器，欺騙你的眼睛，讓你相信低解析度與高解析度影象是一致的。

看到這個技術，想測試一下，順便看一下演算法原理，剛好網上有一些相關的程式碼，主要參考程式碼如下：https://github.com/MKFMIKU/RAISR

仔細看了下演算法的原理，才發現這個演算法的壓縮機制主要包括兩個部分：

（1）先建立一個低解析度的圖片，儲存在hashtable中。

（2）在高低解析度的成對圖片中學習，即先對低解析度圖片應用低功耗的的升取樣，然後在升取樣圖片和高解析度圖片的組合中學習過濾器。

如下這段核心程式碼可以看到：

mat = cv2.imread("./train/alp2.jpg")
h = np.load("lowR2.npy")

mat = cv2.cvtColor(mat, cv2.COLOR_BGR2YCrCb)[:,:,2]

# 升取樣
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]

       #　之前儲存的方向強度等屬性資訊
        [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

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

　　從上面可以看出，RAISR 的過濾器都是根據影象的邊緣特徵訓練的：亮度和色彩梯度、平實和紋理區域等。這又受到方向（direction，邊緣角度）、強度（strength，更銳利的邊緣強度更高）和黏性（coherence，一項量化邊緣方向性的指標）的影響。

由於本人的測試環境為：python3.6，而示例程式中有一些地方的指令碼語言應該是在2.7環境下編譯的，因此需要對上述程式碼中進行相應的修訂，主要是：

from scipy.sparse.linalg import cg

這個呼叫需要更加顯性。

剩下的相關修改地方已經提交在github程式中：https://github.com/ndscigdata/RAISR/tree/master

測試效果如下所示：