CN104463891A - 一种基于最小中值梯度滤波的坏点检测及校正方法 - Google Patents

一种基于最小中值梯度滤波的坏点检测及校正方法 Download PDF

Info

Publication number
CN104463891A
CN104463891A CN201410810142.4A CN201410810142A CN104463891A CN 104463891 A CN104463891 A CN 104463891A CN 201410810142 A CN201410810142 A CN 201410810142A CN 104463891 A CN104463891 A CN 104463891A
Authority
CN
China
Prior art keywords
median
gradient
value
point
bad point
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
Application number
CN201410810142.4A
Other languages
English (en)
Other versions
CN104463891B (zh
Inventor
宋锐
吴火森
贾媛
李云松
王养利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201410810142.4A priority Critical patent/CN104463891B/zh
Publication of CN104463891A publication Critical patent/CN104463891A/zh
Application granted granted Critical
Publication of CN104463891B publication Critical patent/CN104463891B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于最小中值梯度滤波的坏点检测及校正方法，以待检测像素点为中心的5×5Bayer阵列，以中心像素点为基准，对水平，竖直，对角线，斜对角线的每个方向分别计算三个梯度的绝对值，取出每个方向梯度绝对值的中值，再求出这四个中值的最小值，作为边缘方向即坏点校验方向，对于最小中值梯度方向，满足中间梯度绝对值大于同方向另外两个梯度绝对值和的某整数倍，为坏点，用该方向的像素值校验之；否则为正常点，直接输出。对于某些特殊值域的点，采用更加严格的判决条件以减少边缘点处的漏检，对于对角线或反对角线处，在梯度满足某些条件时采用更加宽松的判决条件以减少边缘处的误检。本发明快速滤除坏点，误检率和漏检率较低，且能完整保留图像边缘。

Description

一种基于最小中值梯度滤波的坏点检测及校正方法
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于最小中值梯度滤波的坏点检测及校正方法。
背景技术
由于图像传感器制造工艺的局限，CMOS传感器在出厂时都或多或少都带有一些坏点。且CMOS镜头在长时间使用后，或是高温长曝光的环境下，坏点会越来越多，极大的影响图像的质量。所谓的坏点就是指不随外部光照的影响，在某些固定的位置始终呈现极亮或极暗的像素值。坏点极大的影响图像质量，对观看者会产生极大的不适感。传统的坏点校正方法是将坏点的位置记录下来，以查找表的方式固化在电路中，这种方法只能校验最初的记录在查找表中的坏点，一旦出现新的坏点则无法校验。近几年，则出现了基于图像局部特征的实时坏点校验方法，但目前的方法有些对边缘不起作用，会漏掉边缘上的坏点，有些是处理了边缘，但对边缘会有模糊作用。因此提出一种能实时的处理图像，且既能滤掉边缘处的坏点，又不会模糊边缘的坏点校正算法就显得尤为重要。
发明内容
本发明的目的在于提供一种基于最小中值梯度滤波的坏点检测及校正方法，旨在解决现有的坏点校验方法，对边缘不起作用，会漏掉边缘上的坏点，或处理了边缘，但对边缘有模糊作用的问题。
本发明是这样实现的，一种基于最小中值梯度滤波的坏点检测及校正方法，该基于最小中值梯度滤波的坏点检测及校正方法包括：
步骤一，求出水平方向梯度绝对值的中值median_Dh＝median(Dh1，Dh2，Dh3)，同理求出竖直方向梯度绝对值的中值median_Dv＝median(Dv1，Dv2，Dv3)，对角线方向梯度绝对值的中值median_D45＝median(D45_1，D45_2，D45_3)，反对角线方向梯度绝对值的中值median_D135＝median(D135_1，D135_2，D135_3)；
步骤二，求出这四个中值梯度的最小值min_grad，即min_grad＝min(median_Dh，median_Dv，median_D45，median_D135)，将该方向作为边缘方向进行坏点滤波；
步骤三，对于中心像素值大于230和小于50的情况，当中心像素点C5的值小于15时，若C5都比C1，C2，C3，C4，C6，C7，C8，C9小，且小于某个阈值时，则判为坏点，用后面的步骤校正并输出；否则若当中心像素点C5的值大于230时，若C5都比C1，C2，C3，C4，C6，C7，C8，C9大，且大于某个阈值时，则判为坏点，用后面的步骤校正并输出，在50与230之间的点仍用后面的步骤进行坏点滤波；
步骤四，对于最小梯度方向为水平方向的情况，过中心像素点的那个梯度的绝对值大于同方向的另两个梯度绝对值和的某正整数倍，即Dh2>4×(Dh1+Dh3)，则将中心像素点判为坏点，校正并输出，否则为正常像素点，直接输出。
步骤五，对于最小梯度方向为竖直方向的情况，过中心像素点的那个梯度的绝对值大于同方向的另两个梯度绝对值和的某正整数倍，即Dv2>4×(Dv1+Dv3)，则将中心像素点判为坏点，校正并输出，否则为正常像素点，直接输出。
步骤六，对于最小梯度方向为对角线方向的情况，此时若反对角线的三个梯度绝对值两两之差的绝对值的和小于某个阈值，此时若D45_2>3×(D45_1+D45_3)且D135_2>3×(D135_1+D135_3)，则判为坏点，校正并输出，否则为正常点；否则若D45_2>4×(D45_1+D45_3)，则判为坏点，校正并输出，否则为正常点，直接输出。
步骤七，对于最小梯度方向为反对角线方向的情况，此时若对角线的三个梯度绝对值两两之差的绝对值的和小于某个阈值，此时若D135_2>3×(D135_1+D135_3)且D45_2>3×(D45_1+D45_3)，则判为坏点，校正并输出，否则为正常点；否则若D135_2>4×(D135_1+D135_3)，则判为坏点，校正并输出，否则为正常点。
进一步，在步骤一之前需要进行如下步骤：
以待检测像素点为中心得到5×5Bayer阵列，得到与中心像素点相同颜色通道的3×3同颜色矩阵；
以中心像素点为基准，计算水平方向的三个二阶梯度，取其绝对值，得Dh1，Dh2，Dh3，计算竖直方向的三个梯度的绝对值Dv1，Dv2，Dv3，计算对角线方向的三个梯度的绝对值D45_1，D45_2，D45_3，计算反对角线方向的三个梯度的绝对值D135_1，D135_2，D135_3。
进一步，Dh2，Dv2，D45_2，D135_2是各个方向上经过中心像素点的梯度，其余的梯度都没经过中心像素点。
进一步，校正并输出的方法具体包括：当中心像素点C5被确认为坏点时，对最小梯度方向，用较接近中心像素点的像素值来求得校正值；校验过程如下：
最小梯度方向min_grad是median_Dh即水平方向时，此时用水平方向的值校正之，过程如下：若|C4-C5|<|C5-C6|，则由C5-C4＝C8-C7＝C2-C1，得output＝C4+(C8+C2-C1-C7)/2，否则，output＝C6+(C8+C2-C3-C9)/2，用output代替原来的C5输出即可；同理，若C5被判为坏点且min_grad是median_Dv，即最小梯度方向是竖直方向，若|C5-C2|<|C5-C8|，则由C5-C2＝C4-C1＝C6-C3，得output＝C2+(C4+C6-C1-C3)/2，否则，output＝C8+(C4+C6-C7-C9)/2，用output代替原来的C5输出即可；同理，若C5被判为坏点且min_grad是median_D45，即最小梯度方向是对角线方向，若|C5-C3|<|C5-C7|，则由C5-C3＝C4-C2＝C8-C6，得output＝C3+(C4+C8-C2-C6)/2，否则，output＝C7+(C2+C6-C4-C8)/2，用output代替原来的C5输出即可；同理，若C5被判为坏点且min_grad是median_D135，即最小梯度方向是反对角线方向，若|C5-C1|<|C5-C9|，则由C5-C1＝C8-C4＝C6-C2，得output＝C1+(C6+C8-C2-C4)/2，否则，output＝C9+(C2+C4-C6-C8)/2，用output代替原来的C5输出即可。
进一步，C1，C2，C3，C4，C5，C6，C7，C8，C9是滤波阵列的像素值，依次从上到下，从左到右排列，其中C5为中心像素点。
进一步，梯度绝对值的计算公式如下：
Dh1＝|C1+C3-2×C2|，Dh2＝|C4+C6-2×C5|，Dh3＝|C7+C9-2×C8|，
Dv1＝|C1+C7-2×C4|，Dv2＝|C2+C8-2×C5|，Dv3＝|C3+C9-2×C6|，
D45_1＝2×|C2-C4|，D45_2＝|C3+C7-2×C5|，D45_3＝2×|C6-C8|
D135_1＝2×|C4-C8|，D135_2＝|C1+C9-2×C5|，D135_3＝2×|C2-C6|。
进一步，对角线的三个梯度绝对值两两之差的绝对值的和的计算公式如下：
D45_sum＝|D45_1-D45_2|+|D45_1-D45_3|+|D45_2-D45_3|。
进一步，反对角线的三个梯度绝对值两两之差的绝对值的和的计算公式如下：
D135_sum＝|D135_1-D135_2|+|D135_1-D135_3|+|D135_2-D135_3|。
本发明提供的基于最小中值梯度滤波的坏点检测及校正方法，对于以待检测像素点为中心的5×5Bayer阵列，以中心像素点为基准，对其水平，竖直，对角线，斜对角线四个方向的每个方向分别计算其三个梯度的绝对值，取出每个方向梯度绝对值的中值，再求出这四个中值的最小值，作为边缘方向即坏点校验方向。对于该最小中值梯度方向，若满足中间梯度(即过中心像素点的梯度)绝对值大于同方向另外两个梯度绝对值和的某整数倍，则认为其为坏点，用该方向的像素值校验之。否则为正常点，直接输出。对于某些特殊值域的点，采用更加严格的判决条件以减少边缘点处的漏检。对于对角线或反对角线处，在其梯度满足一定条件时采用更加宽松的判决条件以减少边缘处的误检。本发明能快速的滤除坏点，误检率和漏检率都较低，且能完整保留图像边缘，效果明显。
本发明与现有技术相比具有如下优点：
1)相比于传统的将坏点的位置一次性的固化在电路中的方法，本发明可以快速的实时的校正图像中的坏点；
2)相比于其他的实时校正算法，有些算法是对边缘失效，有些是会模糊边缘，破坏了边缘的完整性。本发明可以在滤除边缘处的坏点和保持边缘的完整性都有比较好的效果。比如对比于pinto算法，本发明可以滤除边缘处的坏点，对比于kakarala算法，本算法可以较好的保持边缘，基本不会损失边缘信息；
3)本发明运算简单，通过加减或移位就能实现本算法的运算，易于在硬件上实现，实时性好。
附图说明
图1是本发明实施例提供的基于最小中值梯度滤波的坏点检测及校正方法流程图；
图2是本发明实施例提供的Bayer阵列示意图；
图3是本发明实施例提供的R，G，B所用的5×5滤波窗口示意图；
图4是本发明实施例提供的所用的5×5滤波窗口示意图；
图5是本发明实施例提供的坏点校正算法流程图；
图6是本发明实施例提供的某些特殊点的坏点标志示意图；
图7是本发明实施例提供的边缘方向为水平方向时的坏点校正流程图；
图8是本发明实施例提供的边缘方向为竖直方向时的坏点校正流程图；
图9是本发明实施例提供的边缘方向为对角线方向时的坏点校正流程图；
图10是本发明实施例提供的边缘方向为反对角线方向时的坏点校正流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示，本发明实施例的基于最小中值梯度滤波的坏点检测及校正方法主要包括以下步骤：
S101：以待检测像素点为中心的5×5Bayer矩阵；
S102：以中心像素点为基准分别计算其水平方向，竖直方向，对角线方向，反对角线的三个梯度的绝对值；
S103：对于中心像素值C5大于230和小于15的情况，当C5小于15时，若C1，C2，C3，C4，C6，C7，C8，C9都比C5大t1以上，则令标志位index为1，否则为零。否则当C5大于230时，若C5都比C1，C2，C3，C4，C6，C7，C8，C9大t2以上，则令标志位index为1，否则为零。否则令index为零，即C5在15和230之间时直接令index为零；
S104：计算出各个方向的梯度绝对值的中值，对于对角线方向的三个梯度绝对值，两两做差，求出差值绝对值的和，对于反对角线方向也做相似的运算；
S105：求出四个中值梯度的最小值，以该方向做为边缘方向即坏点校正的方向；
S106：对于最小梯度方向，若经过中心像素点的梯度的绝对值大于同方向的另两个梯度绝对值和的K倍，则认为其为坏点，用同方向的像素校正之；
在本发明的实施例中，为了减少漏检，对像素值大于230和小于15的像素另外进行校验，当中心像素值大于230时，若它都大于周围同一颜色通道的像素某个特定的阈值，则认为它为坏点，对于中心像素值小于15的情况，若周围的同一颜色通道的像素都比它大某一特定的阈值，则认为它为坏点；
为了减少在复杂边缘处的误检，对于边缘方向为对角线方向或反对角线的情况，当满足一定的条件时，用更加严格的判决条件，以减少误检，否则则按原来的步骤进行判决和校验。
本发明的具体实施例如下：如图2-图10所示；
步骤一，参照图2，以待检测像素点为中心得到其5×5Bayer阵列，以待校正像素点为中心，隔行隔列取像素点，得到与中心像素点相同颜色通道的3×3同颜色矩阵，该矩阵就是我们的滤波阵列，如图4所示，其中，C1，C2，C3，C4，C5，C6，C7，C8，C9是滤波阵列的像素值，依次从上到下，从左到右排列，其中C5为中心像素点。
步骤二：以中心像素点为基准分别计算其水平方向，竖直方向，对角线方向，反对角线的三个梯度的绝对值，水平方向的三个梯度的绝对值Dh1＝|C1+C3-2×C2|，Dh2＝|C4+C6-2×C5|，Dh3＝|C7+C9-2×C8|，竖直方向的三个梯度的绝对值Dv1＝|C1+C7-2×C4|，Dv2＝|C2+C8-2×C5|，Dv3＝|C3+C9-2×C6|，对角线方向的三个梯度的绝对值D45_1＝2×|C2-C4|，D45_2＝|C3+C7-2×C5|，D45_3＝2*|C6-C8|，反对角线方向的三个梯度的绝对值D135_1＝2×|C2-C6|，D135_2＝|C1+C9-2×C5|，D135_3＝2*|C4-C8|；
步骤三：对于中心像素值C5大于230和小于15的情况，当C5小于15时，若C1，C2，C3，C4，C6，C7，C8，C9都比C5大40以上，则令标志位index为1，否则为零；否则当C5大于230时，若C5都比C1，C2，C3，C4，C6，C7，C8，C9大30以上，则令标志位index为1，否则为零；否则令index为零，即C5在15和230之间时直接令index为零；
步骤四：计算出各个方向的梯度绝对值的中值和对角线方向和反对角线方向的梯度绝对值差的绝对值的和；即
median_Dh＝median(Dh1，Dh2，Dh3)，
median_Dv＝median(Dv1，Dv2，Dv3)，
median_D45＝median(D45_1,D45_2,D45_3),
median_D135＝median(D135_1，D135_2，D135_3)，
D45_sum＝|D45_1-D45_2|+|D45_1-D45_3|+|D45_2-D45_3|，
D135_sum＝|D135_1-D135_2|+|D135_1-D135_3|+|D135_2-D135_3|
步骤4：求出四个中值梯度的最小值，做为边缘方向即坏点校正的方向
min_grad＝min(median_Dh，median_Dv，median_D45，median_D135)；
步骤五：如果min_grad等于median_Dh或index等于1，此时若Dh2>4×(Dh1+Dh3)则判为坏点，此时若|C5-C4|<|C5-C6|，此时由C5-C4＝C2-C1＝C8-C7得输出output＝C4+(C2+C8-C1-C7)/2，否则output＝C6+(C2+C8-C3-C9)/2；否则不为坏点，将中心像素值C5直接输出；
否则如果min_grad等于median_Dv或index等于1，此时若Dv2>4×(Dv1+Dv3)则判为坏点，此时若|C5-C2|<|C5-C8|，此时由C5-C2＝C4-C1＝C6-C3得输出output＝C2+(C4+C6-C1-C3)/2，否则output＝C8+(C4+C6-C7-C9)/2；否则不为坏点，将中心像素值C5直接输出；
否则如果min_grad等于median_D45或index等于1，若D135_sum<100，此时若满足(D45_2>3×(D45_1+D45_3))&&(D135_2>3×(D135_1+D135_3))或index等于1，则判为坏点，此时若|C5-C3|<|C5-C7|，由C5-C3＝C4-C2＝C8-C6得output＝C3+(C4+C8-C2-C6)/2，否则，output＝C7+(C2+C6-C4-C8)/2；否则，如果(D45_2>4×(D45_1+D45_3))或index等于1，则判为坏点，此时若|C5-C3|<|C5-C7|，由C5-C3＝C4-C2＝C8-C6得output＝C3+(C4+C8-C2-C6)/2，否则，output＝C7+(C2+C6-C4-C8)/2；
否则如果min_grad等于median_D135或index等于1，若D45_sum<100，此时若满足(D45_2>3×(D45_1+D45_3))&&(D135_2>3×(D135_1+D135_3))或index等于1，则判为坏点，此时若|C5-C1|<|C5-C9|，由C5-C1＝C8-C4＝C6-C2得output＝C1+(C6+C8-C2-C4)/2，否则，output＝C9+(C2+C4-C6-C8)/2；否则，如果(D135_2>4×(D135_1+D135_3))或index等于1，则判为坏点，此时若|C5-C1|<|C5-C9|，由C5-C1＝C8-C4＝C6-C2得output＝C1+(C6+C8-C2-C4)/2，否则，output＝C9+(C2+C4-C6-C8)/2；坏点校正过程结束。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于最小中值梯度滤波的坏点检测及校正方法，其特征在于，该基于最小中值梯度滤波的坏点检测及校正方法包括：
步骤一，分别求出水平方向，竖直方向，对角线方向，反对角线方向的梯度绝对值：
Dh1＝|c1+c3-2*c2|，Dh2＝|c4+c6-2*c5|，Dh3＝|c7+c9-2*c8|；
Dv1＝|c1+c7-2*c4|，Dv2＝|c2+c8-2*c5|，Dv3＝|c3+c9-2*c6|；
D45_1＝2*|c4-c2|，D45_2＝|c3+c7-2*c5|，D45_3＝2*|c6-c8|；
D135_1＝2*|c2-c6|，D135_2＝|c1+c9-2*c5|，D135_3＝2*|c4-c8|；
步骤二，求出水平方向梯度绝对值的中值：
median_Dh＝median(Dh1，Dh2，Dh3)，即Dh1>＝Dh2且Dh2>＝Dh3或Dh3>＝Dh2且Dh2>＝Dh1，则median_Dh＝Dh2，否则若Dh2>＝Dh1且Dh1>＝Dh3或Dh3>＝Dh1且Dh1>＝Dh2，则median_Dh＝Dh1，否则median_Dh＝Dh3，同理求出竖直方向梯度绝对值的中值：
median_Dv＝median(Dv1，Dv2，Dv3)，即Dv1>＝Dv2且Dv2>＝Dv3或Dv3>＝Dv2且Dv2>＝Dv1，则median_Dv＝Dv2，否则若Dv2>＝Dv1且Dv1>＝Dv3或Dv3>＝Dv1且Dv1>＝Dv2，则median_Dv＝Dv1，否则median_Dv＝Dv3，对角线方向梯度绝对值的中值：
median_D45＝median(D45_1，D45_2，D45_3)，即D45_1>＝D45_2且D45_2>＝D45_3或D45_3>＝D45_2且D45_2>＝D45_1，则median_D45＝D45_2，否则若D45_2>＝D45_1且D45_1>＝D45_3或D45_3>＝D45_1且D45_1>＝D45_2，则median_D45＝D45_1，否则median_D45＝D45_3，反对角线方向梯度绝对值的中值：
median_D135＝median(D135_1，D135_2，D135_3)，即D135_1>＝D135_2且D135_2>＝D135_3或D135_3>＝D135_2且D135_2>＝D135_1，则median_D135＝D135_2，否则若D135_2>＝D135_1且D135_1>＝D135_3或D135_3>＝D135_1且D135_1>＝D135_2，则median_D135＝D135_1，否则median_D135＝D135_3；
步骤三，求出这四个中值梯度的最小值min_grad，即：
min_grad＝min(median_Dh，median_Dv，median_D45，median_D135)，
即：median_Dh<＝median_Dv且median_Dh<＝median_D45且median_Dh<＝median_D135，则min_grad＝median_Dh；
否则若median_Dv<＝median_Dh且median_Dv<＝median_D45且median_Dv<＝median_D135；
则min_grad＝median_Dv，否则若median_D45<＝median_Dh且median_D45<＝median_Dv且median_D45<＝median_D135；
则min_grad＝median_D45，否则min_grad＝median_D135，将该方向作为边缘方向进行坏点滤波；
步骤四，对于中心像素值大于230和小于50的情况，当中心像素点C5的值小于15时，C5都比C1，C2，C3，C4，C6，C7，C8，C9小，且小于40时，则判为坏点；否则当中心像素点C5的值大于230时，C5都比C1，C2，C3，C4，C6，C7，C8，C9大，且大于30时，则判为坏点，在50与230之间的点仍用后面的步骤进行坏点滤波；
步骤五，对于最小梯度方向为水平方向和竖直方向的情况，过中心像素点的那个梯度的绝对值大于同方向的另两个梯度绝对值和的某正整数倍，对于最小梯度为水平方向的情况，即当Dh2>4×(Dh1+Dh3)时，则将中心像素点判为坏点，校正并输出，否则为正常像素点，对于最小梯度为竖直方向的情况，即当Dv2>4×(Dv1+Dv3)时，则将中心像素点判为坏点，校正并输出，否则为正常像素点；
步骤六，对于最小梯度方向为对角线方向的情况，此时若反对角线的三个梯度绝对值两两之差的绝对值的和小于100，此时若D45_2>3×(D45_1+D45_3)且D135_2>3×(D135_1+D135_3)，则判为坏点，校正并输出，否则为正常点；否则若D45_2>4×(D45_1+D45_3)，则判为坏点，校正并输出，否则为正常点；
步骤七，对于最小梯度方向为反对角线方向的情况，此时若对角线的三个梯度绝对值两两之差的绝对值的和小于100，此时若D135_2>3×(D135_1+D135_3)且D45_2>3×(D45_1+D45_3)，则判为坏点，校正并输出，否则为正常点；否则若D135_2>4×(D135_1+D135_3)，则判为坏点，校正并输出，否则为正常点。
2.如权利要求1所述的基于最小中值梯度滤波的坏点检测及校正方法，其特征在于，在步骤一之前需要进行如下步骤：
以待检测像素点为中心得到5×5Bayer阵列，取中心像素点隔行隔列的像素点，得到与中心像素点相同颜色通道的3×3同颜色矩阵；
以中心像素点为基准，计算水平方向的三个二阶梯度，取绝对值，得Dh1，Dh2，Dh3，计算竖直方向的三个梯度的绝对值Dv1，Dv2，Dv3，计算对角线方向的三个梯度的绝对值D45_1，D45_2，D45_3，计算反对角线方向的三个梯度的绝对值D135_1，D135_2，D135_3。
3.如权利要求1或2所述的基于最小中值梯度滤波的坏点检测及校正方法，其特征在于，Dh2，Dv2，D45_2，D135_2是各个方向上经过中心像素点的梯度，其余的梯度都没经过中心像素点。
4.如权利要求1所述的基于最小中值梯度滤波的坏点检测及校正方法，其特征在于，校正阵列为以中心像素点为中心的隔行隔列的同一颜色通道像素点组成的3×3阵列。
5.如权利要求1所述的基于最小中值梯度滤波的坏点检测及校正方法，其特征在于，校正并输出的方法具体包括：当中心像素被确认为坏点时，对最小梯度方向，用过中心像素点的同方向像素值来求得校正值，校正过程如下：
中心像素点C5已被判为坏点，且最小梯度方向min_grad是median_Dh即水平方向；此时用水平方向的值校正之，过程如下：|C4-C5|<|C5-C6|，则由C5-C4＝C8-C7＝C2-C1，得output＝C4+(C8+C2-C1-C7)/2，否则，output＝C6+(C8+C2-C3-C9)/2，用output代替原来的C5输出即可；同理，若C5被判为坏点且min_grad是median_Dv，即最小梯度方向是竖直方向，|C5-C2|<|C5-C8|，则由C5-C2＝C4-C1＝C6-C3，得output＝C2+(C4+C6-C1-C3)/2，否则，output＝C8+(C4+C6-C7-C9)/2，用output代替原来的C5输出即可；同理，若C5被判为坏点且min_grad是median_D45，即最小梯度方向是对角线方向，|C5-C3|<|C5-C7|，则由C5-C3＝C4-C2＝C8-C6，得output＝C3+(C4+C8-C2-C6)/2，否则，output＝C7+(C2+C6-C4-C8)/2，用output代替原来的C5输出即可；同理，若C5被判为坏点且min_grad是median_D135，即最小梯度方向是反对角线方向，|C5-C1|<|C5-C9|，则由C5-C1＝C8-C4＝C6-C2，得output＝C1+(C6+C8-C2-C4)/2，否则，output＝C9+(C2+C4-C6-C8)/2，用output代替原来的C5输出即可。
6.如权利要求1或5所述的基于最小中值梯度滤波的坏点检测及校正方法，其特征在于C1，C2，C3，C4，C5，C6，C7，C8，C9是滤波阵列的像素值，依次从上到下，从左到右排列，其中C5为中心像素点。
7.如权利要求1所述的基于最小中值梯度滤波的坏点检测及校正方法，其特征在于，梯度绝对值的计算公式如下：
Dh1＝|C1+C3-2×C2|，Dh2＝|C4+C6-2×C5|，Dh3＝|C7+C9-2×C8|；
Dv1＝|C1+C7-2×C4|，Dv2＝|C2+C8-2×C5|，Dv3＝|C3+C9-2×C6|；
D45_1＝2×|C2-C4|，D45_2＝|C3+C7-2×C5|，D45_3＝2×|C6-C8|；
D135_1＝2×|C4-C8|，D135_2＝|C1+C9-2×C5|，D135_3＝2×|C2-C6|。
8.如权利要求1所述的基于最小中值梯度滤波的坏点检测及校正方法，其特征在于，对角线的三个梯度绝对值两两之差的绝对值的和的计算公式如下：
D45_sum＝|D45_1-D45_2|+|D45_1-D45_3|+|D45_2-D45_3|。
9.如权利要求1所述的基于最小中值梯度滤波的坏点检测及校正方法，其特征在于，反对角线的三个梯度绝对值两两之差的绝对值的和的计算公式如下：
D135_sum＝|D135_1-D135_2|+|D135_1-D135_3|+|D135_2-D135_3|。
CN201410810142.4A 2014-12-22 2014-12-22 一种基于最小中值梯度滤波的坏点检测及校正方法 Expired - Fee Related CN104463891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410810142.4A CN104463891B (zh) 2014-12-22 2014-12-22 一种基于最小中值梯度滤波的坏点检测及校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410810142.4A CN104463891B (zh) 2014-12-22 2014-12-22 一种基于最小中值梯度滤波的坏点检测及校正方法

Publications (2)

Publication Number Publication Date
CN104463891A true CN104463891A (zh) 2015-03-25
CN104463891B CN104463891B (zh) 2017-05-03

Family

ID=52909873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410810142.4A Expired - Fee Related CN104463891B (zh) 2014-12-22 2014-12-22 一种基于最小中值梯度滤波的坏点检测及校正方法

Country Status (1)

Country Link
CN (1) CN104463891B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105812756A (zh) * 2016-03-16 2016-07-27 沈阳尚贤微创医疗器械股份有限公司 一种胶囊内窥镜无线传输数据丢失的修复补偿方法
CN106169004A (zh) * 2016-07-15 2016-11-30 西南石油大学 一种自动防碰钻井系统
CN106210712A (zh) * 2016-08-11 2016-12-07 上海大学 一种图像坏点检测及处理方法
CN107016670A (zh) * 2017-03-27 2017-08-04 福州瑞芯微电子股份有限公司 一种图像坏点检测方法和装置
CN109360165A (zh) * 2018-09-28 2019-02-19 浙江兆晟科技股份有限公司 一种基于场景的盲元图像修复方法及系统
CN110650334A (zh) * 2019-10-29 2020-01-03 昆山锐芯微电子有限公司 坏点检测、校正方法及装置、存储介质、终端
CN112019775A (zh) * 2020-09-04 2020-12-01 成都微光集电科技有限公司 一种坏点检测校正方法及装置
CN107274353B (zh) * 2017-05-17 2020-12-25 上海集成电路研发中心有限公司 一种黑白图像中缺陷像素的校正方法
CN114095721A (zh) * 2020-08-25 2022-02-25 京东方科技集团股份有限公司 视频坏点检测的方法和装置、计算机可读介质
CN117057995A (zh) * 2023-08-23 2023-11-14 上海玄戒技术有限公司 图像处理方法、装置、芯片、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1322333A (zh) * 1999-09-28 2001-11-14 皇家菲利浦电子有限公司 滤波设备和方法
US20020159648A1 (en) * 2001-04-25 2002-10-31 Timothy Alderson Dynamic range compression
CN102937438A (zh) * 2012-08-03 2013-02-20 南京理工大学 基于最优化方法的红外弱小目标距离探测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1322333A (zh) * 1999-09-28 2001-11-14 皇家菲利浦电子有限公司 滤波设备和方法
US20020159648A1 (en) * 2001-04-25 2002-10-31 Timothy Alderson Dynamic range compression
CN102937438A (zh) * 2012-08-03 2013-02-20 南京理工大学 基于最优化方法的红外弱小目标距离探测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘帅 等: "基于中值滤波和多向梯度搜索的目标检测算法", 《电光与控制》 *
周圆 等: "基于图像局部最大中值差和梯度的非线性扩散", 《计算机工程与应用》 *
孙立辉 等: "基于最小梯度中值滤波的红外背景抑制方法", 《INFRARED》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105812756A (zh) * 2016-03-16 2016-07-27 沈阳尚贤微创医疗器械股份有限公司 一种胶囊内窥镜无线传输数据丢失的修复补偿方法
CN106169004A (zh) * 2016-07-15 2016-11-30 西南石油大学 一种自动防碰钻井系统
CN106210712B (zh) * 2016-08-11 2018-07-10 上海大学 一种图像坏点检测及处理方法
CN106210712A (zh) * 2016-08-11 2016-12-07 上海大学 一种图像坏点检测及处理方法
CN107016670B (zh) * 2017-03-27 2019-06-28 福州瑞芯微电子股份有限公司 一种图像坏点检测方法和装置
CN107016670A (zh) * 2017-03-27 2017-08-04 福州瑞芯微电子股份有限公司 一种图像坏点检测方法和装置
CN107274353B (zh) * 2017-05-17 2020-12-25 上海集成电路研发中心有限公司 一种黑白图像中缺陷像素的校正方法
CN109360165A (zh) * 2018-09-28 2019-02-19 浙江兆晟科技股份有限公司 一种基于场景的盲元图像修复方法及系统
CN109360165B (zh) * 2018-09-28 2020-08-04 浙江兆晟科技股份有限公司 一种基于场景的盲元图像修复方法及系统
CN110650334A (zh) * 2019-10-29 2020-01-03 昆山锐芯微电子有限公司 坏点检测、校正方法及装置、存储介质、终端
CN114095721A (zh) * 2020-08-25 2022-02-25 京东方科技集团股份有限公司 视频坏点检测的方法和装置、计算机可读介质
CN114095721B (zh) * 2020-08-25 2023-04-28 京东方科技集团股份有限公司 视频坏点检测的方法和装置、计算机可读介质
CN112019775A (zh) * 2020-09-04 2020-12-01 成都微光集电科技有限公司 一种坏点检测校正方法及装置
CN112019775B (zh) * 2020-09-04 2023-03-24 成都微光集电科技有限公司 一种坏点检测校正方法及装置
CN117057995A (zh) * 2023-08-23 2023-11-14 上海玄戒技术有限公司 图像处理方法、装置、芯片、电子设备及存储介质

Also Published As

Publication number Publication date
CN104463891B (zh) 2017-05-03

Similar Documents

Publication Publication Date Title
CN104463891A (zh) 一种基于最小中值梯度滤波的坏点检测及校正方法
CN103929632B (zh) 一种自动白平衡校正方法以及装置
Heikkila et al. Calibration procedure for short focal length off-the-shelf CCD cameras
CN106768383B (zh) 一种红外焦平面阵列自动盲元检测与补偿方法
CN103335721B (zh) 基于场景匹配的红外焦平面阵列动态盲元检测方法
CN103475828A (zh) 一种图像坏点校正方法及图像传感器
US9036078B1 (en) Reducing light damage in shutterless imaging devices
CN103177439A (zh) 一种基于黑白格角点匹配的自动标定方法
US20130307755A1 (en) Apparatus, system and method for image adjustment
JP5639024B2 (ja) 画像処理装置
TWI542217B (zh) 像素值校正裝置與方法
CN102982514A (zh) 一种暗原色和白平衡相结合的水下彩色图像增强方法
CN102194218B (zh) 降低图像色彩噪声的方法和装置
US8885077B2 (en) Dynamic, local edge preserving defect pixel correction for image sensors
CN103345099B (zh) 一种基于偏振光消光的成像方法
CN104794727B (zh) 一种基于对称性的单透镜计算成像psf快速标定方法
CN107833255A (zh) 一种鱼眼镜头的快速标定方法
CN106228579A (zh) 一种基于地理时空场景的视频图像动态水位信息提取方法
CN106469444A (zh) 消除拼接缝隙的快速图像融合方法
KR20160047196A (ko) 고 조도 환경 및 저 조도 환경에서 동작 가능한 시점 추적 장치 및 그 방법
CN109919889A (zh) 一种基于双目视差的能见度检测算法
CN104079909A (zh) 一种图像自动白平衡方法及装置
CN110889874B (zh) 一种双目相机标定结果的误差评估方法
KR101257946B1 (ko) 영상의 색수차를 제거하는 장치 및 그 방법
CN108961155B (zh) 一种高保真的鱼眼镜头畸变校正方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170503

CF01 Termination of patent right due to non-payment of annual fee