CN101710998A - 基于支持向量机的彩色滤波阵列插值方法 - Google Patents
基于支持向量机的彩色滤波阵列插值方法 Download PDFInfo
- Publication number
- CN101710998A CN101710998A CN200910230340A CN200910230340A CN101710998A CN 101710998 A CN101710998 A CN 101710998A CN 200910230340 A CN200910230340 A CN 200910230340A CN 200910230340 A CN200910230340 A CN 200910230340A CN 101710998 A CN101710998 A CN 101710998A
- Authority
- CN
- China
- Prior art keywords
- component
- svms
- filter array
- interpolation
- color filter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Color Television Image Signal Generators (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于支持向量机的彩色滤波阵列插值方法，其主要思想是首先定义色差平面，然后在色差平面上根据空间相关性选择合适的临近点输入模式训练支持向量回归机，用训练的支持向量回归机插值估计未知点的色差值，最后应用色差公式计算得到每个像素点丢失的两种颜色分量。本发明利用图像的空间相关性和色彩相关性原理，应用支持向量回归机方法进行彩色滤波阵列插值，获得客观指标和主观评价好的图像，克服了通常的彩色滤波阵列插值方法产生边缘模糊和产生虚假色的缺点，得到高质量的结果图像。本发明可以广泛应用于彩色图像获取设备或者装置中。
Description
技术领域
本发明涉及彩色滤波阵列插值领域，尤其涉及一种基于支持向量机的彩色滤波阵列插值方法。
背景技术
随着视频技术的飞速发展与数码电子产品的日益普及，高质量图像及其序列的采集与处理已成为一个非常活跃的应用领域。要获得彩色图像需要三个CCD或者CMOS传感器分别在每个像素位置获得红(R)、绿(G)、蓝(B)三种颜色分量。而传感器的价格比较昂贵，为了减小电子产品的体积，降低成本和复杂性，通常在数码相机等电子产品中仅使用单传感器并在其表面覆盖彩色滤波阵列来同时获得三种基本颜色。因而传感器阵列的每个像素位置只能采集到一个颜色分量，为了得到一幅全彩色图像，每个像素点必须通过其相邻的像素来估计出该像素点的另外两种缺失的颜色分量，这个过程称为彩色滤波阵列插值。
从数码相机诞生到现在，彩色滤波阵列插值算法一直是研究的重点。其中邻近像素插值、双线性插值、三次插值等是比较简单的插值方法。该类方法在图像的平滑区域能够取得较好的效果，但是在边缘区域会出现模糊，还会形成锯齿状的失真[1]。为此先后出现了许多改进的彩色滤波阵列插值算法，例如应用色差恒定原理及中值滤波的方法[2]，利用光谱模型、边缘感知处理的方法[3]，应用信号相关性的方法[4]，利用空间和色彩相关性的方法[5]。尽管这些方法的彩色滤波阵列插值效果在边缘保持等方面有所改善，但是这些方法仍存在着在插值后的图像中出现伪彩色等缺陷，无法满足获得高质量图像的要求。
发明内容
针对目前已有的彩色滤波阵列插值方法存在结果图像出现伪彩色，无法满足实际产品获得高质量结果图像的不足，本发明提出一种基于支持向量机的彩色滤波阵列插值方法，该方法根据色差恒定原理，利用R，G，B三彩色分量间的色彩相关性构造色差平面，采用支持向量机回归的插值方法，克服了已有彩色滤波阵列插值产生伪彩色的缺点，从而得到高质量的插值结果图像。
一般图像都有很强的空间相关性和色彩相关性。空间相关性指图像中相邻像素间灰度级的相关程度，即图像的局部同类区域的邻近像素具有相似的灰度值。色彩相关性指R，G，B三个彩色分量之间的相关性，在一个平滑的小区域内，由于图像的色彩亮度是均匀过度的，不会有很大的变化，因此可以认为在图像相邻的局部区域内两种通道的强度差是恒定值，这也称为色差恒定原理。为了获得高质量的插值图像，本发明考虑充分利用图像的空间相关性和色彩相关性设计彩色滤波阵列插值方法。
支持向量机(Support Vector Machine，SVM)是基于Vapnik等人提出的可应用于小样本的统计学习理论的一种机器学习方法。由于引入了结构风险最小化的思想，有很好的学习能力，并解决了如维数灾难，小样本，非线性，局部极值等问题[6]。和神经网络相比，支持向量机克服了神经网络容易陷入局部最小解的缺点，最终将回归问题归结为一个凸二次优化问题。基于支持向量机方法的回归估计以可控制的精度逼近任一函数，同时具有全局最优、泛化能力强等性能，应用非常广泛。专利[7]给出了一种有效的支持向量机灰度图像插值方法。本发明则把支持向量机插值方法应用到彩色滤波阵列插值中。
本发明的主要思想如下：首先定义色差平面，然后在色差平面上根据空间相关性选择合适的临近点输入模式训练支持向量回归机，用训练的支持向量回归机插值估计未知点的色差值，最后应用色差公式计算得到每个像素点丢失的两种颜色分量。邻近点模式的选择以空间相关性为基础，其选择的原则为用于训练的邻近点模式要与预测对应的邻近点模式相似。预测对应的邻近点模式取决于待插值点周围局部区域的同色像素的位置。
下面对本发明的具体步骤进行详细说明。
获取的图像按照Bayer模式[1-5]得到各像素点R，G，B的彩色分量值，即奇数行奇数列位置和偶数行偶数列位置获得G分量值，奇数行偶数列位置获得R分量值，偶数行奇数列位置获得B分量值，如附图1中所示。设图像有M行，N列，分别用Ri，j，Gi，j，Bi，j表示第i行j列像素处R，G和B的分量值，其中1≤i≤M，1≤j≤N。为了方便对于图像边缘区域的处理，采用对称复制的方法进行图像扩展，即在图像的左右两侧各增加1列，分别通过复制第2列和倒数第2列得到，然后在图像的上下两侧各增加1行，分别通过复制第2行和倒数第2行得到。
(1)第一步：构造色差平面Kr。
首先，定义色差平面
Kr＝G-R (1)
在已知Gi，j处计算Kri，j如下：
Kri，j＝Gi，j-(Ri，j-1+Ri，j+1)/2i为奇数 (2)
Kri，j＝Gi，j-(Ri-1，j+Ri+1，j)/2i为偶数 (3)
这样就可以得到所有已知G分量位置处对应的Kr值。
然后，在该Kr平面采用支持向量回归机进行训练，对于所有已知的Kri，j，选择符合以下条件的样本：①当Kri-2，j，Kri+2，j，Kri，j-2，Kri，j+2存在时，选择输入为Kri，j-2，Kri-2，j，Kri，j+2，Kri+2，j，输出为Kri，j的样本；②当Kri-1，j-1，Kri-1，j+1，Kri+1，j-1，Kri+1，j+1存在时，选择输入为Kri-1，j-1，Kri-1，j+1，Kri+1，j+1，Kri+1，j-1，输出为Kri，j的样本。以所有符合条件的样本组成样本集，进行支持向量机训练。训练完成后，就可以应用该支持向量机进行回归估计了。
最后，应用支持向量机进行所有已知Ri，j分量值位置对应的Kri，j值的估计。取Kri，j-1，Kri-1，j-1，Kri，j+1，Kri+1，j+1作为支持向量机的输入，应用完成训练的支持向量机进行回归估计，输出就是Kri，j。由于这里的Kri，j-1，Kri-1，j-1，Kri，j+1，Kri+1，j+1对应Ri，j的左、上、右、下位置，都是G分量已知的位置，因此都已经计算得到了。
(2)第二步：构造色差平面Kb。
首先，定义色差平面
Kb＝G-B (4)
在已知Gi，j处计算Kbi，j如下：
Kbi，j＝Gi，j-(Bi，j-1+Bi，j+1)/2i为偶数 (5)
Kbi，j＝Gi，j-(Bi-1，j+Bi+1，j)/2i为奇数 (6)
这样就可以得到所有已知G像素分量值位置处对应的Kb值。
然后，在该Kb平面采用支持向量回归机进行训练，对于所有已知的Kbi，j选择符合以下条件的样本：①当Kbi-2，j，Kbi+2，j，Kbi，j-2，Kbi，j+2存在时，选择输入为Kbi，j-2，Kbi-2，j，Kbi，j+2，Kbi+2，j，输出为Kbi，j的样本；②当Kbi-1，j-1，Kbi-1，j+1，Kbi+1，j-1，Kbi+1，j+1存在时，选择输入为Kbi-1，j-1，Kbi-1，j+1，Kbi+1，j+1，Kbi+1，j-1，输出为Kbi，j的样本。以所有符合条件的样本组成样本集，进行支持向量机训练。训练完成后，就可以应用该支持向量机进行回归估计了。
最后，应用支持向量机进行所有已知Bi，j分量值位置对应的Kbi，j值的估计。取Kbi，j-1，Kbi-1，j-1，Kbi，j+1，Kbi+1，j+1作为支持向量机的输入，应用完成训练的支持向量机进行回归估计，输出就是Kbi，j。
(3)第三步：插值G分量。
对于已知Ri，j分量值的位置，其对应的Gi，j通过下面的方法确定：
Gi，j＝Ri，j+Kri，j (7)
对于已知Bi，j分量值的位置，其对应的Gi，j通过下面的方法确定：
Gi，j＝Bi，j+Kbi，j (8)
这样就确定出了全部图像中的各像素点的G分量值。
(4)第四步：插值R分量。
对于已知Gi，j分量值的位置，其Kri，j已经在第一步中估计出来。
对于已知Bi，j分量值的位置，其Kri，j可以通过第一步中训练得到的支持向量机进行估计，选择Bi，j周围的Kri，j-1，Kri-1，j-1，Kri，j+1，Kri+1，j+1作为输入，这些都是已知G分量的位置，因此都已经计算得到，经过支持向量机回归估计后就输出Kri，j。
已知Gi，j分量的位置，或者已知Bi，j分量的位置处对应的Ri，j分量通过下面的方法确定：
Ri，j＝Gi，j-Kri，j (9)
(5)第五步：插值B分量。
对于已知Gi，j分量的位置，其Kbi，j已经在第二步中估计出来。
对于已知Ri，j分量的位置，其Kbi，j可以通过第二步中训练得到的支持向量机进行估计，选择Ri，j周围的Kbi，j-1，Kbi-1，j-1，Kbi，j+1，Kbi+1，j+1作为输入，这些都是已知G分量的位置，因此都已经计算得到，经过支持向量机回归估计后就输出Kbi，j。
已知Gbi，j分量的位置，或者Ri，j分量的位置处对应的Bi，j分量通过下面的方法确定：
Bi，j＝Gi，j-Kbi，j (10)
这样所有像素的R，G，B分量就全部计算得到了。
以上为本发明提出基于支持向量机的彩色滤波阵列插值方法的具体步骤。本发明利用空间相关性和色彩相关性，应用支持向量机方法进行插值计算，能够得到更高质量的结果图像。下面结合附图，对具体实施实例及其有益效果作进一步的说明。
附图说明
图1按照Bayer模式得到R，G，，B分量图像的示意图
图2Kr平面支持向量训练的样本选取示意图
图3Kr平面中对Ri，j分量值位置对应的Kri，j值的估计示意图
图4测试图像，各图像中的选择框表示进行比较的区域
图5Lighthouse图像应用不同彩色滤波阵列插值方法的局部区域结果比较
图6Sailboat图像应用不同彩色滤波阵列插值方法的局部区域结果比较图2中：
201Kr平面支持向量训练的样本选取方式一
202Kr平面支持向量训练的样本选取方式二
图4中：
401图像Lighthouse
402图像Sails
403图像Nest
404图像Faces
405图像Window
406图像Statue
407图像Bike
408图像Sailboat
图5中：
501标准图像
502应用双线性彩色滤波阵列插值方法的结果图像
503应用参考文献[2]中彩色滤波阵列插值方法的结果图像
504应用参考文献[3]中彩色滤波阵列插值方法的结果图像
505应用参考文献[4]中彩色滤波阵列插值方法的结果图像
506应用参考文献[5]中彩色滤波阵列插值方法的结果图像
507应用本发明彩色滤波阵列插值方法的结果图像
图6中：
601标准图像
602应用双线性彩色滤波阵列插值方法的结果图像
603应用参考文献[2]中彩色滤波阵列插值方法的结果图像
604应用参考文献[3]中彩色滤波阵列插值方法的结果图像
605应用参考文献[4]中彩色滤波阵列插值方法的结果图像
606应用参考文献[5]中彩色滤波阵列插值方法的结果图像
607应用本发明彩色滤波阵列插值方法的结果图像
具体实施方式
下面结合附图，对基于支持向量机的彩色滤波阵列插值方法的具体实施方式说明如下：
获取图像
如附图1所示，按照Bayer模式获得各个像素位置仅含有R，G，B中一种分量的图像；
(1)构造色差平面Kr
首先按照公式(2)和(3)构造出已知G分量对应的Kr。然后利用文献[8]中的支持向量机回归机软件进行训练，采用γ-SVR，核函数使用径向基函数，其余参数均选择默认参数。输入样本包括两类：第一类如附图2中201所示，选择中心G分量已知的像素，距离该像素两个像素距离的左、上、右、下位置的Kr值作为输入，中心像素的Kr值作为输出。第二类如附图2中202所示，选择中心G分量已知像素的左上、右上、右下、左下位置的Kr值作为输入，中心像素的Kr值作为输出。所有这两类样本共同组成训练样本集，进行支持向量机训练。最后，利用完成训练的支持向量机，对R分量处对应的Kr值进行估计，如附图3所示，输入为R分量处左、上、右、下位置的Kr值，输出就是该R分量处对应的Kr值。
(2)构造色差平面Kb
和构造色差平面Kr的实施方式类似，按照前述构造色差平面Kb的步骤进行。
(3)插值G分量
分别按照公式(7)和(8)，计算得到R分量的位置对应的G分量和B分量的位置对应的G分量。
(4)插值R分量
首先，B分量的位置对应的Kr采用支持向量机回归估计得到，和附图3类似，输入为B分量像素位置左、上、右、下位置的Kr值，输出就是该B分量像素位置对应的Kr值。然后利用公式(9)计算得到G分量和B分量的位置对应的R分量值。
(5)插值B分量
首先，R分量的位置对应的Kb采用支持向量机回归估计得到，和附图3类似，输入为R分量像素位置左、上、右、下位置的Kb值，输出就是该R分量处对应的Kb值。然后利用公式(10)计算得到G分量和R分量的位置对应的B分量值。
下面结合具体实施方式对于本发明的有益效果进行说明。为了比较彩色滤波阵列插值方法的效果，选择如附图4所示的在图像测试文献中经常应用的8幅彩色图片进行测试，这些图片作为标准图片，按照Bayer模式提取每个像素位置的B，G或R分量，得到采样图像，然后分别应用双线性插值法、文献[2]、文献[3]、文献[4]、文献[5]和本发明的方法进行彩色滤波阵列插值。考虑到图像的边缘和细节区域最能体现彩色滤波阵列插值方法的能力，因此在附图4的各图像中确定出细节和边缘区域进行比较，在图中用选择框标出。
先对结果图像进行客观评价，客观指标采用峰值信噪比(PSNR)。表1中列出了8幅图像的考察区域分别采用不同的彩色滤波阵列插值方法的峰值信噪比。从表中可以看出，本发明方法获得的峰值信噪比指标最高，说明结果图像的质量优于其它方法。
再对结果图像进行主观评价，附图5是Lighthouse图像应用不同彩色滤波阵列插值方法的局部区域结果比较，从图中可以看出，双线性插值等方法得到的结果图像中的虚假色非常明显，栅栏边缘较模糊，本发明方法得到的结果图像则基本消除了虚假色。附图6是Sailboat图像应用不同彩色滤波阵列插值方法的局部区域结果比较，从图中也可以看出，双线性插值等方法得到的结果图像中的虚假色非常明显，而本发明方法得到的结果图像则基本消除了虚假色。
从以上分析和比较可知，经过客观指标评价和主观图像质量结果比较，本发明提出的基于支持向量机的彩色滤波阵列插值方法优于已有方法，可以获得更好的结果图像。
参考文献：
[1]R.Rajeev，E.Wesley，L.Griff，et al.Demosaicking Methods for Bayer Color Arrays.Journal of Electronic Imaging，2002，11(3)：306-315.
[2]施勇红.视频前端预处理中去马赛克技术研究.西安电子科技大学硕士论文，2007.
[3]R.Lukac，K.N.Plataniotis.Universal Demosaicking for Imaging Pipelines with an RGBColor Filter Array.Pattern Recognition，2005，38(11)：2208-2212.
[4]S.C.Pei，I.K.Tam.Effective Color Interpolation in CCD Color Filter Array Using SignalCorrelation.IEEE Trans.on Circuits and Systems for Video Technology，2003，13(6)：503-513.
[5]L.L.Chang，Y.P.Tan.Effective Use of Spatial and Spectral Correlations for Color FilterArray Demosaicking.IEEE Trans.on Consumer Electronics，2004，50(1)：355-365.
[6]张学工.关于统计学习理论与支持向量机.自动化学报.2000，26(1)：32-42.
[7]ZL200610156538.7，基于支持向量机的图像插值算法，2006.
[8]C.-C.Chang，C.-J.Lin，LIBSVM：A Library for Support Vector Machines.2001.Softwareavailable at http://www.csie.ntu.edu.tw/～cjlin/libsvm.
Claims (1)
1.一种基于支持向量机的彩色滤波阵列插值方法，其特征在于包括如下步骤：
(1)第一步，构造色差平面Kr
在已知Gi，j分量处计算Kri，j如下：
Kri，j＝Gi，j-(Ri，j-1+Ri，j+1)/2 i为奇数，
Kri，j＝Gi，j-(Ri-1，j+Ri+1，j)/2 i为偶数；
然后，在该Kr平面采用支持向量回归机进行训练，对于所有已知的Kri，j，选择符合以下条件的样本组成样本集：①当Kri-2，j，Kri+2，j，Kri，j-2，Kri，j+2存在时，选择输入为Kri，j-2，Kri-2，j，Kri，j+2，Kri+2，j，输出为Kri，j的样本；②当Kri-1，j-1，Kri-1，j+1，Kri+1，j-1，Kri+1，j+1存在时，选择输入为Kri-1，j-1，Kri-1，j+1，Kri+1，j+1，Kri+1，j-1，输出为Kri，j的样本，进行支持向量机训练，应用完成训练的支持向量机进行所有已知Ri，j分量位置对应的Kri，j值的估计，取Kri，j-1，Kri-1，j-1，Kri，j+1，Kri+1，j+1作为支持向量机的输入，输出就是Kri，j；
(2)第二步，构造色差平面Kb
在已知Gi，j处计算Kbi，j如下
Kbi，j＝Gi，j-(Bi，j-1+Bi，j+1)/2 i为偶数，
Kbi，j＝Gi，j-(Bi-1，j+Bi+1，j)/2 i为奇数；
然后，在该Kb平面采用支持向量回归机进行训练，对于所有已知的Kbi，j，选择符合以下条件的样本组成样本集：①当Kbi-2，j，Kbi+2，j，Kbi，j-2，Kbi，j+2存在时，选择输入为Kbi，j-2，Kbi-2，j，Kbi，j+2，Kbi+2，j，输出为Kbi，j的样本；②当Kbi-1，j-1，Kbi-1，j+1，Kbi+1，j-1，Kbi+1，j+1存在时，选择输入为Kbi-1，j-1，Kbi-1，j+1，Kbi+1，j+1，Kbi+1，j-1，输出为Kbi，j的样本，进行支持向量机训练，应用完成训练的支持向量机进行所有已知Bi，j分量位置对应的Kbi，j值的估计，取Kbi，j-1，Kbi-1，j-1，Kbi，j+1，Kbi+1，j+1作为支持向量机的输入，应输出就是Kbi，j；
(3)第三步，插值G分量
对于已知Ri，j分量值的位置，其对应的Gi，j通过下面的方法确定
Gi，j＝Ri，j+Kri，j，
对于已知Bi，j分量值的位置，其对应的Gi，j通过下面的方法确定
Gi，j＝Bi，j+Kbi，j；
(4)第四步，插值R分量
对于已知Bi，j分量值的位置，其Kri，j通过第一步中训练得到的支持向量机进行估计，选择Bi，j周围的Kri，j-1，Kri-1，j-1，Kri，j+1，Kri+1，j+1作为输入，经过支持向量机回归估计后就输出Kri，j；
已知Gi，j分量的位置，或者已知Bi，j分量的位置处对应的Ri，j分量通过下面的方法确定
Ri，j＝Gi，j-Kri，j；
(5)第五步，插值B分量
对于已知Ri，j分量的位置，其Kbi，j通过第二步中训练得到的支持向量机进行估计，选择Ri，j周围的Kbi，j-1，Kbi-1，j-1，Kbi，j+1，Kbi+1，j+1作为输入，经过支持向量机回归估计后就输出Kbi，j；
已知Gi，j分量的位置，或者Ri，j分量的位置处对应的Bi，j分量通过下面的方法确定
Bi，j＝Gi，j-Kbi，j。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200910230340 CN101710998B (zh) | 2009-11-05 | 2009-11-05 | 基于支持向量机的彩色滤波阵列插值方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200910230340 CN101710998B (zh) | 2009-11-05 | 2009-11-05 | 基于支持向量机的彩色滤波阵列插值方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101710998A true CN101710998A (zh) | 2010-05-19 |
| CN101710998B CN101710998B (zh) | 2011-04-06 |
Family
ID=42403754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 200910230340 Expired - Fee Related CN101710998B (zh) | 2009-11-05 | 2009-11-05 | 基于支持向量机的彩色滤波阵列插值方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101710998B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101972170A (zh) * | 2010-10-22 | 2011-02-16 | 广东工业大学 | 最小二乘支持向量机自适应滤波器及其滤波方法 |
| CN102231203A (zh) * | 2011-07-17 | 2011-11-02 | 西安电子科技大学 | 基于边缘检测的图像自回归插值方法 |
| CN102868891A (zh) * | 2012-09-18 | 2013-01-09 | 哈尔滨商业大学 | 基于支持向量回归多视角视频色差校正方法 |
| CN103442159A (zh) * | 2013-09-02 | 2013-12-11 | 安徽理工大学 | 基于rs-svm集成的边缘自适应去马赛克方法 |
| CN103729826A (zh) * | 2013-12-23 | 2014-04-16 | 安徽理工大学 | 一种基于粗糙集约简的图像插值方法 |
| CN107085713A (zh) * | 2017-05-05 | 2017-08-22 | 中山大学 | 基于相关滤波的端对端快速行人再识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100498836C (zh) * | 2006-12-20 | 2009-06-10 | 哈尔滨工业大学（威海） | 基于支持向量机的图像插值算法 |
-
2009
- 2009-11-05 CN CN 200910230340 patent/CN101710998B/zh not_active Expired - Fee Related
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101972170A (zh) * | 2010-10-22 | 2011-02-16 | 广东工业大学 | 最小二乘支持向量机自适应滤波器及其滤波方法 |
| CN101972170B (zh) * | 2010-10-22 | 2012-06-13 | 广东工业大学 | 最小二乘支持向量机自适应滤波器及其滤波方法 |
| CN102231203A (zh) * | 2011-07-17 | 2011-11-02 | 西安电子科技大学 | 基于边缘检测的图像自回归插值方法 |
| CN102868891A (zh) * | 2012-09-18 | 2013-01-09 | 哈尔滨商业大学 | 基于支持向量回归多视角视频色差校正方法 |
| CN102868891B (zh) * | 2012-09-18 | 2015-02-18 | 哈尔滨商业大学 | 基于支持向量回归多视角视频色差校正方法 |
| CN103442159A (zh) * | 2013-09-02 | 2013-12-11 | 安徽理工大学 | 基于rs-svm集成的边缘自适应去马赛克方法 |
| CN103729826A (zh) * | 2013-12-23 | 2014-04-16 | 安徽理工大学 | 一种基于粗糙集约简的图像插值方法 |
| CN107085713A (zh) * | 2017-05-05 | 2017-08-22 | 中山大学 | 基于相关滤波的端对端快速行人再识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101710998B (zh) | 2011-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101710998B (zh) | 基于支持向量机的彩色滤波阵列插值方法 | |
| CN102959958B (zh) | 彩色成像设备 | |
| Chung et al. | Demosaicing of color filter array captured images using gradient edge detection masks and adaptive heterogeneity-projection | |
| CN111510691B (zh) | 颜色插值方法及装置、设备、存储介质 | |
| Hore et al. | An edge-sensing generic demosaicing algorithm with application to image resampling | |
| WO2012153532A1 (ja) | 撮像装置 | |
| JP7223117B2 (ja) | ユーザデバイスに適用される自然の手持ち式の動きを用いた超解像 | |
| Gupta et al. | Adaptive and progressive multispectral image demosaicking | |
| CN103442159A (zh) | 基于rs-svm集成的边缘自适应去马赛克方法 | |
| Lam et al. | Demosaic: Color filter array interpolation for digital cameras | |
| Sun et al. | A hybrid demosaicking algorithm for area scan industrial camera based on fuzzy edge strength and residual interpolation | |
| Prakash et al. | Color image demosaicing using sparse based radial basis function network | |
| Yamaguchi et al. | Image demosaicking via chrominance images with parallel convolutional neural networks | |
| Rathi et al. | A New Generic Progressive Approach based on Spectral Difference for Single-sensor Multispectral Imaging System. | |
| Asiq et al. | Efficient colour filter array demosaicking with prior error reduction | |
| Gupta et al. | Performance analysis of median filter demosaicking algorithm using new extended bilinear demosaicking | |
| Shi et al. | Region-adaptive demosaicking with weighted values of multidirectional information | |
| Safna Asiq et al. | Colour filter array demosaicking: a brief survey | |
| Sung et al. | A gradient based edge sensing scheme for color filter array demosaicking | |
| Cho et al. | Improvement on Demosaicking in Plenoptic Cameras by Use of Masking Information | |
| Sreegadha | Image interpolation based on multi scale gradients | |
| Wang | Improved color interpolation method based on bayer image | |
| Lan et al. | Joint Demosaicking/Rectification Of Fisheye Camera Images Using Multi-Color Graph Laplacian Regularization | |
| Wachira et al. | An ordinal direction driven gradient-based RGBW CFA demosaicking technique using a bayerisation process and polyomino theory | |
| TW200945257A (en) | Method for rebuilding color information of pixels |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C17 | Cessation of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110406 Termination date: 20111105 |