CN105306843B - 一种图像传感器的坏点处理方法及系统 - Google Patents
一种图像传感器的坏点处理方法及系统 Download PDFInfo
- Publication number
- CN105306843B CN105306843B CN201510684449.9A CN201510684449A CN105306843B CN 105306843 B CN105306843 B CN 105306843B CN 201510684449 A CN201510684449 A CN 201510684449A CN 105306843 B CN105306843 B CN 105306843B
- Authority
- CN
- China
- Prior art keywords
- bad
- point
- bad point
- peripheral
- cluster
- 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.)
- Active
Links
Abstract
本发明实施例公开了一种图像传感器的坏点处理方法及系统,所述方法包括:预设坏簇类型与插值算法的映射表;检测坏点的位置信息以及坏点所对应的坏簇类型信息,并存储;根据坏点的位置信息在采集的图像中查找坏点,根据坏点所对应的坏簇类型信息在映射表中选择相匹配的插值算法,利用该插值算法对所述坏点进行插值处理。本发明实施例提供的一种图像传感器的坏点处理方法及系统根据外围坏点的分布类型对坏簇进行分类,针对坏点所对应的不同坏簇类型采用不同的插值算法,使得每个坏点都能得到最优的插值结果,进而提高图像传感器的坏点处理效果。
Description
技术领域
本发明涉及图像传感器技术领域,特别是涉及一种图像传感器的坏点处理方法及系统。
背景技术
图像传感器是一种将光学图像转换成电子信号的器件,被广泛应用于摄像、图像采集以及工业测量等领域。通常,一个图像传感器包含大量的感光单元,每个感光单元对应于图像传感器所输出图像中的一个像素点。
由于制造工艺、运输或储存方式等方面的原因,使得图像传感器的某些感光单元损坏而不能正常感光,这些不能正常感光的感光单元在图像中所对应的像素点被称为坏点。其中,坏点主要包括以下三种类型:一、暗点坏点,该类坏点主要由于感光单元被彻底损坏而形成,表现在图像中是一个暗点;二、亮点坏点,该类坏点主要由于感光单元中的感光二级管和电源直接短接而形成,使得感光单元的电压一直处于高电平,表现在图像中是一个亮点;三、不稳定坏点,该类坏点主要由于制造方面的偏差,使得感光单元对光强的响应异于其周围感光单元的正常响应,表现在图像中其像素值比周围像素点的像素值偏高或偏低,且此类坏点对图像的影响会随外界环境的变化而变化。据此可知,坏点对图像的成像质量具有一定的影响,因此,必须对坏点进行处理。
现有技术中,坏点的处理方式主要包括以下步骤:
1)坏点检测:预先检测坏点的位置信息并保存;
2)坏点校正:根据坏点的位置信息在采集的图像中查找坏点,利用预设的插值算法对坏点进行插值处理。
其中,对坏点进行插值处理,具体为:利用插值算法对坏点周围像素点的像素值进行运算,将运算结果作为坏点的像素值对其初始像素值进行替换。现有技术中常用的插值算法主要有两种:一种是对坏点周围像素点的像素值进行加权平均,以加权平均值作为坏点的像素值;另一种是考虑图像信息的变化趋势,采用梯度算法对坏点周围像素点的像素值进行运算。但是,由于图像传感器所采集的图像中坏点的数量以及坏点出现的位置具有随机性,导致坏点的分布类型多种多样,采用现有的插值算法并非对所有的坏点都有较好的处理效果,尤其是当坏点分布较集中时,进行插值的坏点有可能会相互影响,进而影响图像传感器的成像效果。
发明内容
本发明实施例中提供了一种图像传感器的坏点处理方法及系统,以解决现有技术中坏点的处理效果较差,进而导致图像传感器的成像效果较差的技术问题。
为了解决上述技术问题,本发明实施例公开了如下技术方案:
一种图像传感器的坏点处理方法,所述方法包括:
预设坏簇类型与插值算法的映射表;检测坏点的位置信息以及坏点所对应的坏簇类型信息,并存储;根据坏点的位置信息在采集的图像中查找坏点,根据坏点所对应的坏簇类型信息在映射表中选择相匹配的插值算法,利用该插值算法对所述坏点进行插值处理;其中,所述坏簇类型具体为:图像中以坏点为中心的模块内外围像素点中外围坏点的分布类型。
优选地,所述以坏点为中心的模块为3×3模块,定义坏点的左右、左下右上、上下和左上右下方向为3×3模块中外围像素点的四个分布方向,根据外围坏点所占据分布方向的数量和/或外围坏点的数量归纳外围坏点的分布类型。
优选地,所述归纳外围坏点的分布类型,包括:若不存在外围坏点或仅存在一个外围坏点,则归纳为第一分布类型;若外围坏点仅占据一个分布方向,且该分布方向上具有两个外围坏点,则归纳为第二分布类型;若外围坏点占据两个分布方向,则归纳为第三分布类型;若外围坏点占据三个分布方向,则归纳为第四分布类型。
优选地,所述外围坏点的第一分布类型、第二分布类型、第三分布类型、第四分布类型分别对应坏簇类型中的第一类坏簇、第二类坏簇、第三类坏簇、第四类坏簇,所述坏簇类型与所述插值算法的映射表,具体为:
若所述坏簇为第一类坏簇,所述插值算法对应为:在四个分布方向上采用梯度算法;若所述坏簇为第二类坏簇,所述插值算法对应为:在除了外围坏点所占据分布方向以外的其它三个分布方向上采用梯度算法;若所述坏簇为第三类坏簇,所述插值算法对应为:在除了外围坏点所占据分布方向以外的其它两个分布方向上采用双线性插值;若所述坏簇为第四类坏簇,所述插值算法对应为:在不存在外围坏点的分布方向上采用二值平均法。
优选地,在所述根据坏点所对应的坏簇类型信息在映射表中选择相匹配的插值算法之前,还包括:判断坏点是否为边缘点,若是,则采用直接赋值法对所述边缘点进行插值处理;其中,所述直接赋值法具体为:若所述边缘点为拐角点,则采用所述边缘点的水平相邻像素点的像素值替代所述边缘点的像素值;否则,采用所述边缘点的两个水平相邻或两个竖直相邻像素点的平均像素值替代所述边缘点的像素值。
一种图像传感器的坏点处理方法,用于彩色图像传感器,所述方法包括:预设坏簇类型与插值算法的映射表;根据采集的彩色图像中像素点的颜色,将彩色图像分解成不同颜色的子模块;依次检测每个子模块中坏点的位置信息以及坏点所对应的坏簇类型信息,并存储;对彩色图像中不同颜色的像素值进行归一化处理,根据坏点的位置信息查找坏点所对应的像素点,根据坏点所对应的坏簇类型信息在映射表中选择相匹配的插值算法,利用该插值算法对所述坏点所对应的像素点进行插值处理;其中,所述坏簇类型具体为:彩色图像中以坏点为中心的模块内外围像素点中外围坏点的分布类型。
一种图像传感器的坏点处理系统,所述系统包括:
图像传感器,用于采集图像;检测模块,用于检测坏点的位置信息以及坏点所对应的坏簇类型信息;存储模块,用于接收并存储检测模块所检测的坏点的位置信息以及坏点所对应的坏簇类型信息,且预存坏簇类型与插值算法的映射表;图像处理模块,用于接收采集的图像,并对采集的图像进行图像处理,具体为:在存储模块中提取坏点的位置信息以及坏点所对应的坏簇类型信息,根据坏点的位置信息在采集的图像中查找坏点,根据坏点所对应的坏簇类型信息在存储模块的映射表中选择相匹配的插值算法,利用该插值算法对所述坏点进行插值处理;其中,所述坏簇类型具体为:图像中以坏点为中心的模块内外围像素点中外围坏点的分布类型。
优选地,所述以坏点为中心的模块为3×3模块,定义坏点的左右、左下右上、上下和左上右下方向为3×3模块中外围像元的四个分布方向,根据外围坏点所占据分布方向的数量和/或外围坏点的数量归纳外围坏点的分布类型。
优选地,所述归纳外围坏点的分布类型,包括:若不存在外围坏点或仅存在一个外围坏点,则归纳为第一分布类型;若外围坏点仅占据一个分布方向,且该分布方向上具有两个外围坏点,则归纳为第二分布类型;若外围坏点占据两个分布方向,则归纳为第三分布类型;若外围坏点占据三个分布方向,则归纳为第四分布类型。
优选地,所述外围坏点的第一分布类型、第二分布类型、第三分布类型、第四分布类型分别对应坏簇类型中的第一类坏簇、第二类坏簇、第三类坏簇、第四类坏簇,所述坏簇类型与所述插值算法的映射表,具体为:若所述坏簇为第一类坏簇,所述插值算法对应为:在四个分布方向上采用梯度算法;若所述坏簇为第二类坏簇,所述插值算法对应为:在除了外围坏点所占据分布方向以外的其它三个分布方向上采用梯度算法;若所述坏簇为第三类坏簇,所述插值算法对应为:在除了外围坏点所占据分布方向以外的其它两个分布方向上采用双线性插值;若所述坏簇为第四类坏簇,所述插值算法对应为:在不存在外围坏点的分布方向上采用二值平均法。
优选地,在所述根据坏点所对应的坏簇类型信息在映射表中选择相匹配的插值算法之前,还包括:判断坏点是否为边缘点,若是,则采用直接赋值法对所述边缘点进行插值处理;其中,所述直接赋值法具体为:若所述边缘点为拐角点,则采用所述边缘点的水平相邻像素点的像素值替代所述边缘点的像素值;否则,采用所述边缘点的两个水平相邻或两个竖直相邻像素点的平均像素值替代所述边缘点的像素值。
一种图像传感器的坏点处理系统,所述系统包括:彩色图像传感器,用于采集彩色图像;分解模块,用于根据彩色图像中像素点的颜色将彩色图像分解成不同颜色的子模块;检测模块,用于依次检测每个子模块中坏点的位置信息以及坏点所对应的坏簇类型信息,并将检测到的信息传输至存储模块进行存储;存储模块,用于接收并存储检测模块所检测的坏点的位置信息以及坏点所对应的坏簇类型信息,且预存坏簇类型与插值算法的映射表;图像处理模块,用于接收彩色图像,并对彩色图像进行图像处理,具体为:对彩色图像中不同颜色的像素值进行归一化处理,在存储模块中提取坏点的位置信息以及坏点所对应的坏簇类型信息,根据坏点的位置信息在彩色图像中查找坏点,根据坏点所对应的坏簇类型信息在存储模块的映射表中选择相匹配的插值算法,利用该插值算法对所述坏点进行插值处理;其中,所述坏簇类型具体为:彩色图像中以坏点为中心的模块内外围像素点中外围坏点的分布类型。
由以上技术方案可见,本发明实施例提供的一种图像传感器的坏点处理方法及系统根据外围坏点的分布类型对坏簇进行分类,针对坏点所对应的不同坏簇类型采用不同的插值算法,使得每个坏点都能得到最优的插值结果,进而提高图像传感器的坏点处理效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种图像传感器的坏点处理方法流程示意图;
图2为本发明实施例3×3模块中外围像素点的分布方向示意图;
图3为本发明实施例外围坏点的分布类型与坏簇的一种对应关系示意图;
图4为本发明实施例坏簇组与坏簇组内对称坏簇示意图;
图5为步骤S120中的判断方法流程示意图;
图6为本发明实施例提供的一种彩色图像传感器的坏点处理方法流程示意图
图7为Bayer格式的彩色图像示意图;
图8为Bayer格式的彩色图像分解为子模块示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明实施例提供的一种图像传感器的坏点处理方法及系统除了检测坏点的位置信息以外还检测与坏点相对应的坏簇类型信息,即坏点周围像素点中其它坏点(以下称为外围坏点)的分布信息。由于在坏点校正中对坏点进行插值处理时,外围坏点可能会对插值结果造成一定的影响,且不同分布类型的外围坏点对插值处理中不同的插值算法所产生的影响不同,因此,本发明实施例根据外围坏点的分布类型对坏簇进行分类,针对坏点所对应的不同坏簇类型采用不同的插值算法,将外围坏点对插值算法的影响降到最低,使得每个坏点都能得到最优的插值结果,进而提高图像传感器的坏点处理效果。
图1为本发明实施例提供的一种图像传感器的坏点处理方法流程示意图,本方法主要应用于黑白图像传感器,即对黑白图像传感器所采集的黑白图像进行坏点处理,如图1所示,其包括如下步骤:
步骤S100:预设坏簇类型与插值算法的映射表;
坏簇类型即图像传感器所采集的图像中、以坏点为中心的模块内外围像素点中外围坏点的分布类型。由于在本发明实施例中针对不同的坏簇类型要采用不同的插值算法,因此,需要预先穷举坏簇可能出现的类型,并设置坏簇类型与插值算法的对应关系,即映射表。为了便于本领域的技术人员理解本发明,以下通过3×3模块中外围坏点的分布类型对坏簇类型与插值算法的映射表进行举例说明。
在3×3模块中,共包括1个位于中心的像素点和8个外围像素点,由于是对位于中心的像素点进行插值处理,因此位于中心的像素点必定是坏点。另外,若外围坏点的数量超过6个,将由于坏簇中坏点的数量过多导致位于中心的坏点无法修复;若外围坏点的数量大于3个且小于6个,则部分坏点可以修复,该情况下坏簇类型包含并多于前面所述的四种类型,同理可根据外围坏点分布依次增加坏簇类型;若外围坏点的数量小于或等于3个,则所有坏点均可修复,坏簇类型即前面所述的四种类型。因此,以下仅列举外围坏点的数量小于或等于3个的坏簇类型。
图2为本发明实施例3×3模块中外围像素点的分布方向示意图,如图2所示,在以坏点为中心的3×3模块中,定义坏点的左右(0°)、左下右上(45°)、上下(90°)以及左上右下(135°)分别为3×3模块中外围像素点的第一、第二、第三以及第四分布方向,在本发明实施例中,根据外围坏点所占据分布方向的数量和/或外围坏点的数量归纳外围坏点的分布类型,以下结合图3详细说明。
图3为本发明实施例外围坏点的分布类型与坏簇的一种对应关系示意图,为了节约篇幅,在图3中的坏簇示例栏,将具有对称关系的坏簇归纳为一组,且在每一组坏簇后面的括号内注明其所包含对称坏簇的数量。例如,在图4中,坏簇组后面的括号内为4,则对应的该坏簇组内具有4个相互对称的坏簇。另外,需要指出的是,图3中的坏簇示例栏仅选取了每个分布类型中的一种或几种坏簇进行示例性说明,并没有穷举每个分布类型中的所有坏簇,但不应当将其作为对本发明保护范围的限制。
在本实施例中,若不存在外围坏点或仅存在一个外围坏点,则归纳为第一分布类型;若外围坏点仅占据一个分布方向,且该分布方向上具有两个外围坏点,则归纳为第二分布类型;若外围坏点占据两个分布方向,则归纳为第三分布类型;若外围坏点占据三个分布方向,则归纳为第四分布类型。
需要指出的是,上述外围坏点的分布类型与坏簇的对应关系仅是本发明实施例一种具体的实施方式,本领域的技术人员可以根据实际需要对应调整,其同样应该落入本发明的保护范围之内。
其中,外围坏点的第一分布类型、第二分布类型、第三分布类型、第四分布类型分别对应坏簇类型中的第一类坏簇、第二类坏簇、第三类坏簇、第四类坏簇,所述坏簇类型与所述插值算法的映射表如表一所示。
表一:
在所有的插值算法中,最常用的有梯度算法、平均法和直接赋值法,假设坏点表示为g(x,y)(其中,x、y代表坏点在图像中的坐标),以下对梯度算法、平均法和直接赋值法举例说明。
梯度算法:
计算各个分布方向的一阶梯度,并比较各个分布方向上一阶梯度值的大小,由于一阶梯度值最小的方向存在平坦区域的概率最大,因此,优选一阶梯度值最小的方向进行坏点校正,即梯度法主要包括以下步骤:
1)比较四个分布方向上一阶梯度的大小;
2)取最小梯度方向上正常像素点的均值作为坏点的校正值,对坏点进行插值处理。
另外,若想进一步提高坏点的校正精度,还可以为各个梯度方向分配权重,坏点的校正值就是其周围正常像素点的加权平均值。
其中,对于第一类坏簇,在四个分布方向上采用梯度算法,其计算公式如式一所示,
式一:
对于第二类坏簇,由于外围坏点占据了一个分布方向,因此,在除了外围坏点所占据分布方向以外的其它三个分布方向上采用梯度算法,其计算公式为式一减去对应方向的分式即可。
均值法:
利用外围像素点的均值对坏点的像素值进行替代,其计算公式如式二所示,
式二:
其中,x′可以取{x-1,x,x+1},y′可以取{y-1,y,y+1}(不可同时取x和y),表示坏点周围的像素点坐标。
对于第三类坏簇,由于外围坏点占据了两个分布方向,因此,在除了外围坏点所占据分布方向以外的其它两个分布方向上采用均值法,即双线性插值。
对于第四类坏簇,由于外围坏点占据了三个分布方向,因此,在除了外围坏点所占据分布方向以外的其它一个分布方向上采用均值法。
直接赋值法:
直接用坏点最邻近位置(上、下、左、右)的正常像素点替代,对于特殊位置的坏点,如边缘点或角点,优选直接赋值法进行插值处理。
步骤S110:检测坏点的位置信息以及坏点所对应的坏簇类型信息,并存储;
在本发明实施例中,除了要检测坏点的位置信息以外,还要检测坏点之间的位置关系信息,即与坏点所对应的坏簇类型信息。具体为,首先检测各个坏点的位置信息;其次,逐个分析每个坏点的外围像素点中外围坏点的分布类型,进而归纳出该坏点所对应的坏簇类型,并存储。
其中,坏点的检测采用类似于平场校正的方法,即通过传感器芯片上感光单元的不一致性筛选坏点。理想情况下,当相机对均匀的目标成像时,得到图像中所有像素点的灰度值理论上应该是相同的,然而,受环境光照、加工工艺等因素的影响,输出图像中各像素的值往往会有较大差异。
通常对于单个像素点,其响应灰度值与入射光强度成线性关系,可以写作:Y=aX+b,其中,斜率a可看作信号增益,截距b可看作信号偏移量,X表示入射光强度,Y是输出的响应值。
由上述内容可知,传感器上不同像素点对入射光的响应是不同的直线,即每个像素点对应的a和b不同。平场校正的目的就是通过改变每个像素点响应直线的斜率和截距,使所有像素点的输出响应相同。然而,对于坏点而言,校正参数a或b与正常像素点的校正参数会有很大波动,据此,可以实现坏点的检测。
平场校正的假设条件是传感器像素点是线性响应的,根据校正中采用的图像数量又可分为两点校正法和多点定标法。这里采用两点校正法,其步骤如下:
1)拍摄两幅平场图像,分别是暗场图像、亮场图像,其中,亮场图像的亮度最好是最大亮度的80%,确保传感器的响应曲线尽量是直线;
2)基于这两幅平场图像计算各个像素点的两点校正系数,校正公式如式三所示,
式三:
其中,H和L分别表示亮场图像和暗场图像,根据式三得到所有像素点的平场校正系数;
3)分别对校正系数a和b设定合适的阈值Ta和Tb,为了避免错判,阈值选取可以是一个范围,例如,比较每个像元的校正系数与阈值的关系,若校正系数在阈值范围内,则认为该点是正常像素点,否则判定为坏点。
需要指出的是,以上仅是本发明实施例一种具体的坏点检测方法,但不应当将其作为本发明保护范围的限制,本领域的技术人员根据实际需要可以对应变换采用其它的坏点检测方法,其均应当落入本发明的保护范围之内。
步骤S120:根据坏点的位置信息在采集的图像中查找坏点,根据坏点所对应的坏簇类型信息在映射表中选择相匹配的插值算法,利用该插值算法对所述坏点进行插值处理;
在本步骤中依次对图像传感器所采集图像中的每一个坏点进行校正,由于在步骤S110中已经存储了坏点的位置信息,因此,在对图像进行坏点校正时,可以直接提取坏点的位置信息进而在图像中查找坏点(需要进行校正的像素点),查找到坏点后,根据步骤S110中存储的坏簇类型信息,确定该坏点所对应的坏簇类型,根据坏簇类型在步骤S100中预设的映射表内查找相对应的插值算法,对该坏点进行校正。由于插值算法的具体过程在上述已经做了详细说明,因此,在此不再赘述。
作为一种优选实施例,步骤S120中还包括判断步骤,具体为:在所述根据坏点所对应的坏簇类型信息在映射表中选择相匹配的插值算法之前,判断坏点是否为边缘点,若是,则采用直接赋值法对所述边缘点进行插值处理。图5为步骤S120中的判断方法流程示意图,以下结合图5对本实施例的步骤S120进行具体说明。
如图5所示,在本实施例中,首先判断坏点是否为边缘点,如果是,则采用直接赋值法对边缘点进行插值处理;否则,根据坏点的位置信息在采集的图像中查找坏点,根据坏点所对应的坏簇类型信息在映射表中选择相匹配的插值算法,利用该插值算法对所述坏点进行插值处理。其中,采用直接赋值法对边缘点进行插值处理,具体包括:判断边缘点是否为拐角点,如果是,则采用边缘点的水平相邻像素点的像素值替代所述边缘点的像素值;否则,采用边缘点的两个水平相邻或两个竖直相邻像素点的平均像素值替代所述边缘点的像素值。以矩形图像为例,边缘点是指矩形图像中四条边上的像素点,拐角点是指矩形图像中四个角上的像素点。
应当指出的是,上述方法主要应用于黑白图像传感器,对于彩色图像传感器的坏点处理需要在上述方法的基础上对应调整。图6为本发明实施例提供的一种彩色图像传感器的坏点处理方法流程图,本方法应用于彩色图像传感器,即对彩色图像传感器所采集的彩色图像进行坏点处理,如图6所示,其包括如下步骤:
步骤S200:预设坏簇类型与插值算法的映射表;
步骤S210:根据采集的彩色图像中像素点的颜色,将彩色图像分解成不同颜色的子模块;
步骤S220:依次检测每个子模块中坏点的位置信息以及坏点所对应的坏簇类型信息,并存储;
由于在彩色图像中,不同颜色分量的基准不同,因此,为了正确检测到坏点,需要将彩色图像分解成不同颜色的子模块分别检测。以下结合Bayer格式的图像对其进行示例性说明。
图7为Bayer格式的图像结构示意图,如图7所示,Bayer格式的图像1由2×2的色彩块组成,每个色彩块中分别具有一个红色像素点(R)、两个绿色像素点(G)和一个蓝色像素点(B)。也就是说,在Bayer格式的彩色图像中,R和B分量分别占有1/4,G分量占有1/2。在进行坏点检测之前,先将Bayer图像分解成3种色彩的子模块,R和B分量在一个色彩块中只占1/4,可以分别直接抽取形成红色子模块11和蓝色子模块14;G分量占色彩块的1/2,根据其位置不同分成两个子模块,第一个绿色子模块12是抽取色彩块的右上角分量的集合,第二个绿色子模块13是抽取色彩块的左下角分量的集合,最终的分解结果如图8所示。分别对四个子模块进行坏点检测,其中,坏点的检测方法与黑白图像传感器的坏点检测方法相同,在此不再赘述。
步骤S230:对彩色图像中不同颜色的像素值进行归一化处理,根据坏点的位置信息查找坏点所对应的像素点,根据坏点所对应的坏簇类型信息在映射表中选择相匹配的插值算法,利用该插值算法对所述坏点所对应的像素点进行插值处理;
彩色图像的坏点校正方法可以分为两类:第一类是对单个颜色通道的坏点做校正;第二类是利用各个通道之间的相关性进行坏点校正。第一类校正方法同黑白图像传感器的坏点校正方法相同,虽然容易实现,但是其往往不能得到满意的插值效果,除了不可避免的产生一些色彩摩尔纹外,还容易在图像的边缘处产生虚假色。因此,本发明实施例采用第二类校正方法对彩色图像进行坏点校正。
第二类校正方法要利用梯度算法估计坏点周围四个分布方向的梯度值,但由于G分量的梯度估计要用到R、G、B三种像素值,R和B分量的梯度估计要用到G和另外一种颜色的像素值,为了统一衡量梯度值,首先需要对每个颜色的正常像素值进行归一化处理,令R、G、B三种色彩的基准相同;然后计算四个分布方向的梯度值。以下结合图8中的G(i,j)点,对本发明实施例彩色图像的插值算法进行说明。
首先,对彩色图像进行归一化处理,然后,计算G(i,j)点在彩色图像中四个分布方向上的梯度值,计算公式如式四所示,
式四:
其次,比较上述四个梯度值的大小,选择梯度最小方向上的正常像素点进行坏点校正,校正公式如式五所示:
式五:
也就是说,在本实施例中,首先根据归一化处理后的图像确定最小梯度方向,然后在其最小梯度方向上,用与之距离最近的同类像素点的均值作为待修正坏点的像素值。
在上述方法实施例的基础上,本发明还提供一种图像传感器的坏点处理系统,所述系统包括:
图像传感器,用于采集图像;
检测模块,用于检测坏点的位置信息以及坏点所对应的坏簇类型信息;
所述坏簇类型具体为:图像中以坏点为中心的模块内外围像素点中外围坏点的分布类型。以3×3模块为例,定义坏点的左右、左下右上、上下和左上右下方向为3×3模块中外围像元的四个分布方向,根据外围坏点所占据分布方向的数量和/或外围坏点的数量归纳外围坏点的分布类型。
所述归纳外围坏点的分布类型,包括:若不存在外围坏点或仅存在一个外围坏点,则归纳为第一分布类型;若外围坏点仅占据一个分布方向,且该分布方向上具有两个外围坏点,则归纳为第二分布类型;若外围坏点占据两个分布方向,则归纳为第三分布类型;若外围坏点占据三个分布方向,则归纳为第四分布类型。
所述外围坏点的第一分布类型、第二分布类型、第三分布类型、第四分布类型分别对应坏簇类型中的第一类坏簇、第二类坏簇、第三类坏簇、第四类坏簇,所述坏簇类型与所述插值算法的映射表,具体为:若所述坏簇为第一类坏簇,所述插值算法对应为:在四个分布方向上采用梯度算法;若所述坏簇为第二类坏簇,所述插值算法对应为:在除了外围坏点所占据分布方向以外的其它三个分布方向上采用梯度算法;若所述坏簇为第三类坏簇,所述插值算法对应为:在除了外围坏点所占据分布方向以外的其它两个分布方向上采用双线性插值;若所述坏簇为第四类坏簇,所述插值算法对应为:在不存在外围坏点的分布方向上采用二值平均法。
存储模块,用于接收并存储检测模块所检测的坏点的位置信息以及坏点所对应的坏簇类型信息,且预存坏簇类型与插值算法的映射表;
图像处理模块,用于接收采集的图像,并对采集的图像进行图像处理,具体为:在存储模块中提取坏点的位置信息以及坏点所对应的坏簇类型信息,根据坏点的位置信息在采集的图像中查找坏点,根据坏点所对应的坏簇类型信息在存储模块的映射表中选择相匹配的插值算法,利用该插值算法对所述坏点进行插值处理。
作为一种优选实施例,在所述根据坏点所对应的坏簇类型信息在映射表中选择相匹配的插值算法之前,还包括:判断坏点是否为边缘点,若是,则采用直接赋值法对所述边缘点进行插值处理;其中,所述直接赋值法具体为:若所述边缘点为拐角点,则采用所述边缘点的水平相邻像素点的像素值替代所述边缘点的像素值;否则,采用所述边缘点的两个水平相邻或两个竖直相邻像素点的平均像素值替代所述边缘点的像素值。
以上所述的坏点处理系统主要应用于黑白图像传感器,本发明实施例还提供了一种彩色图像传感器的坏点处理系统,包括:
彩色图像传感器,用于采集彩色图像;
分解模块,用于根据彩色图像中像素点的颜色将彩色图像分解成不同颜色的子模块;
检测模块,用于依次检测每个子模块中坏点的位置信息以及坏点所对应的坏簇类型信息,并将检测到的信息传输至存储模块进行存储;
其中,所述坏簇类型具体为:彩色图像中以坏点为中心的模块内外围像素点中外围坏点的分布类型。
存储模块,用于接收并存储检测模块所检测的坏点的位置信息以及坏点所对应的坏簇类型信息,且预存坏簇类型与插值算法的映射表;
图像处理模块,用于接收彩色图像,并对彩色图像进行图像处理,具体为:对彩色图像中不同颜色的像素值进行归一化处理,在存储模块中提取坏点的位置信息以及坏点所对应的坏簇类型信息,根据坏点的位置信息在彩色图像中查找坏点,根据坏点所对应的坏簇类型信息在存储模块的映射表中选择相匹配的插值算法,利用该插值算法对所述坏点进行插值处理。
关于上述系统实施例各模块的详细内容,可参见上述方法实施例中的详细描述,在此不再赘述,另外,上述方法实施例中的步骤顺序仅是一示例性的排列方式,本领域的技术人员可以根据需要对应调整,同样应当落入本发明的保护范围之内。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种图像传感器的坏点处理方法,其特征在于,所述方法包括:
预设坏簇类型与插值算法的映射表;
检测坏点的位置信息以及坏点所对应的坏簇类型信息,并存储;
根据坏点的位置信息在采集的图像中查找坏点,根据坏点所对应的坏簇类型信息在映射表中选择相匹配的插值算法,利用该插值算法对所述坏点进行插值处理;
其中,所述坏簇类型具体为:图像中以坏点为中心的模块内外围像素点中外围坏点的分布类型;
所述以坏点为中心的模块为3×3模块,定义坏点的左右、左下右上、上下和左上右下方向为3×3模块中外围像素点的四个分布方向,根据外围坏点所占据分布方向的数量和/或外围坏点的数量归纳外围坏点的分布类型;
所述归纳外围坏点的分布类型,包括:
若不存在外围坏点或仅存在一个外围坏点,则归纳为第一分布类型;
若外围坏点仅占据一个分布方向,且该分布方向上具有两个外围坏点,则归纳为第二分布类型;
若外围坏点占据两个分布方向,则归纳为第三分布类型;
若外围坏点占据三个分布方向,则归纳为第四分布类型;
所述外围坏点的第一分布类型、第二分布类型、第三分布类型、第四分布类型分别对应坏簇类型中的第一类坏簇、第二类坏簇、第三类坏簇、第四类坏簇,所述坏簇类型与所述插值算法的映射表,具体为:
若所述坏簇为第一类坏簇,所述插值算法对应为:在四个分布方向上采用梯度算法;
若所述坏簇为第二类坏簇,所述插值算法对应为:在除了外围坏点所占据分布方向以外的其它三个分布方向上采用梯度算法;
若所述坏簇为第三类坏簇,所述插值算法对应为:在除了外围坏点所占据分布方向以外的其它两个分布方向上采用双线性插值;
若所述坏簇为第四类坏簇,所述插值算法对应为:在不存在外围坏点的分布方向上采用二值平均法。
2.根据权利要求1所述的图像传感器的坏点处理方法,其特征在于,在所述根据坏点所对应的坏簇类型信息在映射表中选择相匹配的插值算法之前,还包括:
判断坏点是否为边缘点,若是,则采用直接赋值法对所述边缘点进行插值处理;
其中,所述直接赋值法具体为:若所述边缘点为拐角点,则采用所述边缘点的水平相邻像素点的像素值替代所述边缘点的像素值;否则,采用所述边缘点的两个水平相邻或两个竖直相邻像素点的平均像素值替代所述边缘点的像素值。
3.一种图像传感器的坏点处理方法,用于彩色图像传感器,其特征在于,所述方法包括:
预设坏簇类型与插值算法的映射表;
根据采集的彩色图像中像素点的颜色,将彩色图像分解成不同颜色的子模块;
依次检测每个子模块中坏点的位置信息以及坏点所对应的坏簇类型信息,并存储;
根据坏点的位置信息查找坏点所对应的像素点,根据坏点所对应的坏簇类型信息在映射表中选择相匹配的插值算法,利用该插值算法对所述坏点所对应的像素点进行插值处理;
其中,所述坏簇类型具体为:彩色图像中以坏点为中心的模块内外围像素点中外围坏点的分布类型;
所述以坏点为中心的模块为3×3模块,定义坏点的左右、左下右上、上下和左上右下方向为3×3模块中外围像素点的四个分布方向,根据外围坏点所占据分布方向的数量和/或外围坏点的数量归纳外围坏点的分布类型;
所述归纳外围坏点的分布类型,包括:
若不存在外围坏点或仅存在一个外围坏点,则归纳为第一分布类型;
若外围坏点仅占据一个分布方向,且该分布方向上具有两个外围坏点,则归纳为第二分布类型;
若外围坏点占据两个分布方向,则归纳为第三分布类型;
若外围坏点占据三个分布方向,则归纳为第四分布类型;
所述外围坏点的第一分布类型、第二分布类型、第三分布类型、第四分布类型分别对应坏簇类型中的第一类坏簇、第二类坏簇、第三类坏簇、第四类坏簇,所述坏簇类型与所述插值算法的映射表,具体为:
若所述坏簇为第一类坏簇,所述插值算法对应为:在四个分布方向上采用梯度算法;
若所述坏簇为第二类坏簇,所述插值算法对应为:在除了外围坏点所占据分布方向以外的其它三个分布方向上采用梯度算法;
若所述坏簇为第三类坏簇,所述插值算法对应为:在除了外围坏点所占据分布方向以外的其它两个分布方向上采用双线性插值;
若所述坏簇为第四类坏簇,所述插值算法对应为:在不存在外围坏点的分布方向上采用二值平均法。
4.一种图像传感器的坏点处理系统,其特征在于,所述系统包括:
图像传感器,用于采集图像;
检测模块,用于检测坏点的位置信息以及坏点所对应的坏簇类型信息;
存储模块,用于接收并存储检测模块所检测的坏点的位置信息以及坏点所对应的坏簇类型信息,且预存坏簇类型与插值算法的映射表;
图像处理模块,用于接收采集的图像,并对采集的图像进行图像处理,具体为:在存储模块中提取坏点的位置信息以及坏点所对应的坏簇类型信息,根据坏点的位置信息在采集的图像中查找坏点,根据坏点所对应的坏簇类型信息在存储模块的映射表中选择相匹配的插值算法,利用该插值算法对所述坏点进行插值处理;
其中,所述坏簇类型具体为:图像中以坏点为中心的模块内外围像素点中外围坏点的分布类型;
所述以坏点为中心的模块为3×3模块,定义坏点的左右、左下右上、上下和左上右下方向为3×3模块中外围像元的四个分布方向,根据外围坏点所占据分布方向的数量和/或外围坏点的数量归纳外围坏点的分布类型;
所述归纳外围坏点的分布类型,包括:
若不存在外围坏点或仅存在一个外围坏点,则归纳为第一分布类型;
若外围坏点仅占据一个分布方向,且该分布方向上具有两个外围坏点,则归纳为第二分布类型;
若外围坏点占据两个分布方向,则归纳为第三分布类型;
若外围坏点占据三个分布方向,则归纳为第四分布类型;
所述外围坏点的第一分布类型、第二分布类型、第三分布类型、第四分布类型分别对应坏簇类型中的第一类坏簇、第二类坏簇、第三类坏簇、第四类坏簇,所述坏簇类型与所述插值算法的映射表,具体为:
若所述坏簇为第一类坏簇,所述插值算法对应为:在四个分布方向上采用梯度算法;
若所述坏簇为第二类坏簇,所述插值算法对应为:在除了外围坏点所占据分布方向以外的其它三个分布方向上采用梯度算法;
若所述坏簇为第三类坏簇,所述插值算法对应为:在除了外围坏点所占据分布方向以外的其它两个分布方向上采用双线性插值;
若所述坏簇为第四类坏簇,所述插值算法对应为:在不存在外围坏点的分布方向上采用二值平均法。
5.根据权利要求4所述的图像传感器的坏点处理系统,其特征在于,在所述根据坏点所对应的坏簇类型信息在映射表中选择相匹配的插值算法之前,还包括:
判断坏点是否为边缘点,若是,则采用直接赋值法对所述边缘点进行插值处理;
其中,所述直接赋值法具体为:若所述边缘点为拐角点,则采用所述边缘点的水平相邻像素点的像素值替代所述边缘点的像素值;否则,采用所述边缘点的两个水平相邻或两个竖直相邻像素点的平均像素值替代所述边缘点的像素值。
6.一种图像传感器的坏点处理系统,其特征在于,所述系统包括:
彩色图像传感器,用于采集彩色图像;
分解模块,用于根据彩色图像中像素点的颜色将彩色图像分解成不同颜色的子模块;
检测模块,用于依次检测每个子模块中坏点的位置信息以及坏点所对应的坏簇类型信息,并将检测到的信息传输至存储模块进行存储;
存储模块,用于接收并存储检测模块所检测的坏点的位置信息以及坏点所对应的坏簇类型信息,且预存坏簇类型与插值算法的映射表;
图像处理模块,用于接收彩色图像,并对彩色图像进行图像处理,具体为:在存储模块中提取坏点的位置信息以及坏点所对应的坏簇类型信息,根据坏点的位置信息在彩色图像中查找坏点,根据坏点所对应的坏簇类型信息在存储模块的映射表中选择相匹配的插值算法,利用该插值算法对所述坏点进行插值处理;
其中,所述坏簇类型具体为:彩色图像中以坏点为中心的模块内外围像素点中外围坏点的分布类型;
所述以坏点为中心的模块为3×3模块,定义坏点的左右、左下右上、上下和左上右下方向为3×3模块中外围像素点的四个分布方向,根据外围坏点所占据分布方向的数量和/或外围坏点的数量归纳外围坏点的分布类型;
所述归纳外围坏点的分布类型,包括:
若不存在外围坏点或仅存在一个外围坏点,则归纳为第一分布类型;
若外围坏点仅占据一个分布方向,且该分布方向上具有两个外围坏点,则归纳为第二分布类型;
若外围坏点占据两个分布方向,则归纳为第三分布类型;
若外围坏点占据三个分布方向,则归纳为第四分布类型;
所述外围坏点的第一分布类型、第二分布类型、第三分布类型、第四分布类型分别对应坏簇类型中的第一类坏簇、第二类坏簇、第三类坏簇、第四类坏簇,所述坏簇类型与所述插值算法的映射表,具体为:
若所述坏簇为第一类坏簇,所述插值算法对应为:在四个分布方向上采用梯度算法;
若所述坏簇为第二类坏簇,所述插值算法对应为:在除了外围坏点所占据分布方向以外的其它三个分布方向上采用梯度算法;
若所述坏簇为第三类坏簇,所述插值算法对应为:在除了外围坏点所占据分布方向以外的其它两个分布方向上采用双线性插值;
若所述坏簇为第四类坏簇,所述插值算法对应为:在不存在外围坏点的分布方向上采用二值平均法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510684449.9A CN105306843B (zh) | 2015-10-20 | 2015-10-20 | 一种图像传感器的坏点处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510684449.9A CN105306843B (zh) | 2015-10-20 | 2015-10-20 | 一种图像传感器的坏点处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105306843A CN105306843A (zh) | 2016-02-03 |
CN105306843B true CN105306843B (zh) | 2018-05-25 |
Family
ID=55203544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510684449.9A Active CN105306843B (zh) | 2015-10-20 | 2015-10-20 | 一种图像传感器的坏点处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105306843B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107305695B (zh) * | 2016-04-14 | 2021-03-09 | 上海富瀚微电子股份有限公司 | 一种图像自动坏点校正装置及方法 |
CN106385549B (zh) * | 2016-09-05 | 2019-04-26 | 凌云光技术集团有限责任公司 | 图像坏点矫正方法及相关装置 |
CN106878635B (zh) * | 2016-12-14 | 2019-06-11 | 中国资源卫星应用中心 | 一种无效像元的补偿方法 |
WO2018141119A1 (zh) * | 2017-02-03 | 2018-08-09 | 华为技术有限公司 | 一种指纹采集的方法、装置及终端 |
CN107613229A (zh) * | 2017-09-30 | 2018-01-19 | 杭州雄迈集成电路技术有限公司 | 一种图像传感器坏点检测校正装置及方法 |
CN110807731B (zh) * | 2018-07-20 | 2023-06-30 | 宁波舜宇光电信息有限公司 | 用于补偿图像坏点的方法、装置、系统及存储介质 |
CN109348146B (zh) * | 2018-10-31 | 2021-03-02 | 上海集成电路研发中心有限公司 | 一种图像传感器的静态坏点校正装置及其校正方法 |
CN109348216A (zh) * | 2018-11-28 | 2019-02-15 | 凌云光技术集团有限责任公司 | 一种坏点检测和平场校准的联合处理方法 |
CN109685794B (zh) * | 2018-12-25 | 2021-01-29 | 凌云光技术股份有限公司 | 用于手机屏幕缺陷检测相机自适应步长dpc算法及装置 |
CN111681193A (zh) * | 2020-06-12 | 2020-09-18 | 电子科技大学 | 一种基于fpga红外图像坏点修正系统的优化 |
CN112596965B (zh) * | 2020-12-14 | 2024-04-09 | 上海集成电路研发中心有限公司 | 一种数字图像坏簇统计方法及集成电路自动测试机 |
CN113873229B (zh) * | 2021-09-26 | 2024-02-27 | 江西盛泰精密光学有限公司 | 一种图像坏点检测方法、系统及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101304485A (zh) * | 2008-05-26 | 2008-11-12 | 北京中星微电子有限公司 | 一种坏点补偿的方法及装置 |
CN101588447A (zh) * | 2008-05-23 | 2009-11-25 | 比亚迪股份有限公司 | 一种图像坏点的校正方法、系统及图像传感器 |
CN104700424A (zh) * | 2015-03-30 | 2015-06-10 | 山东省计量科学研究院 | 医用彩色电子内窥镜图像坏点检测装置 |
CN104754327A (zh) * | 2015-03-26 | 2015-07-01 | 山东大学 | 一种检测及消除高光谱图像坏点的方法 |
CN104835125A (zh) * | 2015-05-08 | 2015-08-12 | 上海联影医疗科技有限公司 | 平板探测器的坏点校正方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4480001B2 (ja) * | 2004-05-28 | 2010-06-16 | Hoya株式会社 | ムラ欠陥検査マスク、ムラ欠陥検査装置及び方法、並びにフォトマスクの製造方法 |
-
2015
- 2015-10-20 CN CN201510684449.9A patent/CN105306843B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101588447A (zh) * | 2008-05-23 | 2009-11-25 | 比亚迪股份有限公司 | 一种图像坏点的校正方法、系统及图像传感器 |
CN101304485A (zh) * | 2008-05-26 | 2008-11-12 | 北京中星微电子有限公司 | 一种坏点补偿的方法及装置 |
CN104754327A (zh) * | 2015-03-26 | 2015-07-01 | 山东大学 | 一种检测及消除高光谱图像坏点的方法 |
CN104700424A (zh) * | 2015-03-30 | 2015-06-10 | 山东省计量科学研究院 | 医用彩色电子内窥镜图像坏点检测装置 |
CN104835125A (zh) * | 2015-05-08 | 2015-08-12 | 上海联影医疗科技有限公司 | 平板探测器的坏点校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105306843A (zh) | 2016-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105306843B (zh) | 一种图像传感器的坏点处理方法及系统 | |
CN103763515B (zh) | 一种基于机器学习的视频异常检测方法 | |
CN101916431B (zh) | 一种低照度图像数据处理方法及系统 | |
RU2661529C1 (ru) | Способ и устройство классификации и идентификации банкнот на основе цветового пространства lab | |
CN107730493A (zh) | 产品颜色差异检测方法、装置、介质以及计算机设备 | |
CN106604001B (zh) | 图像处理方法、图像处理装置、成像装置及电子装置 | |
CN102244790A (zh) | 图像信号处理器配套参数的自适应调整装置及方法 | |
CN113393540B (zh) | 图像中的色边像素点的确定方法、装置和计算机设备 | |
CN103218615B (zh) | 人脸判定方法 | |
Wang et al. | Fast automatic white balancing method by color histogram stretching | |
CN112652027B (zh) | 一种伪彩检测方法及系统 | |
Lynch et al. | Colour constancy from both sides of the shadow edge | |
JP2005124186A (ja) | 画像カラーバランス補正システムおよび方法 | |
CN113676629A (zh) | 图像传感器、图像采集装置、图像处理方法及图像处理器 | |
CN111784575B (zh) | 一种基于标定的监控摄像机去马赛克的方法 | |
Caleiro et al. | Color-spaces and color segmentation for real-time object recognition in robotic applications | |
WO2018120097A1 (zh) | 基于计算机视觉的黑白子识别方法及系统 | |
US11082613B2 (en) | Image adjusting method and image adjusting device | |
Hussain et al. | Max-RGB based colour constancy using the sub-blocks of the image | |
CN107452008A (zh) | 图像边缘检测方法及装置 | |
CN105761282B (zh) | 图像偏色的检测方法和装置 | |
KR101012626B1 (ko) | 인간 시각 시스템에 기초한 결함 화소 검출을 위한 방법 및장치 | |
TW201417589A (zh) | 白平衡調整方法 | |
CN112581380A (zh) | 图像的色彩增强方法、装置和服务器 | |
CN111507905A (zh) | 一种白平衡处理方法、白平衡处理装置以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 100094 Beijing city Haidian District Cui Hunan loop 13 Hospital No. 7 Building 7 room 701 Patentee after: Lingyunguang Technology Co., Ltd Address before: 100094 Beijing city Haidian District road Tamatsu wisdom Valley Center Building 2 Patentee before: LUSTER LIGHTTECH GROUP Co.,Ltd. |
|
CP03 | Change of name, title or address |