CN106506999B - 基于矩匹配的tdi-cmos图像传感器fpn校正方法 - Google Patents
基于矩匹配的tdi-cmos图像传感器fpn校正方法 Download PDFInfo
- Publication number
- CN106506999B CN106506999B CN201610910923.XA CN201610910923A CN106506999B CN 106506999 B CN106506999 B CN 106506999B CN 201610910923 A CN201610910923 A CN 201610910923A CN 106506999 B CN106506999 B CN 106506999B
- Authority
- CN
- China
- Prior art keywords
- image
- correction
- moment matching
- column
- rfpn
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
- H04N25/60—Noise processing, e.g. detecting, correcting, reducing or removing noise
- H04N25/67—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to fixed-pattern noise, e.g. non-uniformity of response
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,为基于TDI‑CMOS图像传感器的工作原理,通过分析FPN来源、噪声特点及其对成像质量的影响,提出TDI‑CMOS图像传感器的噪声模型,并根据该模型设计了一种基于改进矩匹配的FPN校正方法。本发明采用的技术方案是,基于矩匹配的TDI‑CMOS图像传感器FPN校正方法,首先对原始图像进行空间相关滤波,接着使用改进行矩匹配法进行RFPN校正,然后对RFPN校正后的图像进行双边滤波,接着使用改进列矩匹配法进行CFPN校正。本发明主要应用于图像处理场合。
Description
技术领域
本发明涉及图像处理领域,尤其涉及对TDI-CMOS图像传感器所拍摄图片中的FPN进行处理。
背景技术
在基于模拟域累加实现的TDI-CMOS图像传感器中。由于模拟累加器电路中存在寄生电阻和电容,电路失配会导致输出图像在TDI扫描方向(即“沿轨”方向)亮度不均匀,且呈周期性衰减,突出表现为周期性横条纹,该现象称为行固定模式噪声(RFPN)。而传感器列并行读出电路(模拟累加器和ADC等)的系统结构由于工艺偏差很容易出现列与列之间的失配,从而导致输出图像在与TDI扫描方向垂直的方向(即“跨轨”方向)亮度不均匀,表现为明暗变化的竖条纹,该现象称为列固定模式噪声(CFPN)。在TDI-CMOS图像传感器的输出图像中,由RFPN导致的横条纹和由CFPN导致的竖条纹同时存在且交织在一起,如图2,严重影响了图像质量,且增加了固定模式噪声(FPN)校正的难度。
TDI-CMOS图像传感器的RFPN是由其模拟累加器特定的电路结构引起的,是一种特殊的FPN。而且,对于已经制造完成的TDI-CMOS图像传感器芯片,其FPN只能通过图像的后处理来校正。目前,现有的去除图像中条纹噪声的技术有很多,但这些技术都只适用于特定的图像传感器或数据类型,如红外成像、高光谱成像/多光谱成像、中分辨率成像光谱仪等;而且这些技术只能处理水平或竖直单个方向上的条纹,无法有效消除TDI-CMOS图像传感器输出图像中交织在一起的横条纹和竖条纹。
发明内容
为克服现有技术的不足,本发明旨在基于TDI-CMOS图像传感器的工作原理,通过分析FPN来源、噪声特点及其对成像质量的影响,提出TDI-CMOS图像传感器的噪声模型,并根据该模型设计了一种基于改进矩匹配的FPN校正方法。本发明采用的技术方案是,基于矩匹配的TDI-CMOS图像传感器FPN校正方法,首先对原始图像进行空间相关滤波,接着使用改进行矩匹配法进行RFPN校正,然后对RFPN校正后的图像进行双边滤波,接着使用改进列矩匹配法进行CFPN校正;改进列矩匹配法进行CFPN校正具体是,
(1)对RFPN校正后的图像进行双边滤波;
(2)计算并保存滤波后图像每一列的均值μj;
(3)设置列矩匹配窗口参数w;
(4)根据式(17)计算μτ和στ;
其中,μj是第j列像素均值,σj是第j列标准差,μτ是参考均值,στ是参考标准差,N是图像在跨轨方向上的尺寸,图像校正通过矩匹配算法完成,对标准矩匹配算法进行改进,添加一个移动窗口,k是该窗口中心位置,w是窗口参数;
(5)将参考均值和标准差带入到式(16),校正相应列的CFPN;
(6)沿着列方向移动一个像素,重复步骤4-5,直到最后一列的CFPN被校正。
RFPN校正步骤具体是:
(1)对原始图像进行空间相关滤波;
(2)计算并保存滤波后图像每一行的μi和σi;
(3)设置行矩匹配窗口参数w;
(4)根据式(9)计算μτ和στ;
其中,μi是第i行像素均值,σi是第i行标准差,μτ是参考均值,στ是参考标准差,L是图像在沿轨方向上的尺寸,图像校正通过矩匹配算法完成,对标准矩匹配算法进行改进,添加一个移动窗口,k是该窗口中心位置,w是窗口参数;
(5)将参考均值和标准差带入到式(8),校正相应行的RFPN;
其中,Yij是校正后像素(i,j)的灰度值,Xij是双边滤波后像素(i,j)的灰度值,μj是第j行像素均值,σj是第j行标准差,μτ是参考均值,στ是参考标准差;
(6)沿着行方向移动一个像素,重复步骤4-5,直到最后一行的RFPN被校正。
空间相关滤波具体步骤是:
第一步,计算第i和i+1行像素的平均值,并分别把它们定义为U1和U2,与此同时,计算(i+T×n)和(i+1+T×n)行像素平均值,并把它们定义为U1(n+1)和U2(n+1),其中,(i+T×n)和(i+1+T×n)不大于图像的行数,n是正整数,如式(4)所示。
U1(n)=Ave_im(i+T×(n-1))i+T×(n-1)≤L
U2(n)=Ave_im(i+1+T×(n-1))i+1+T×(n-1)≤L (4)
Ave_im是一个自定义函数,用来求取像素的行均值,图像中由同一积分器输出的像素,被存储在同一个向量中。
第二步,对两个均值向量的差求均值,首先得到两个向量中较小的长度,然后再求均值,如式(5):
l=min(U1,U2)
U=mean(U2(j)-U1(j))1≤j≤l (5)
如果U的值大于阈值UTh,那么i+T×(n-1)就是图像中条纹的位置,条纹处的a(i)被估计得到,如式(6)所示。
ijumps=i+T×(n-1)i+T×(n-1)≤L
a(ijumps)=0.5×[Ave_im(ijumps+1)-Ave_im(ijumps)]+λ×U (6)
最后,得到的RFPN值会被加到图像相对应的行像素中,经过上述步骤,图片中的水平条纹可以被检测到并且a(i)被估计得到,需要重复上述步骤T次。另外,考虑到8-bit图像的灰度值范围是(0–255),还需要对校正过程进行约束,如式(9)所示。
其中,y_new_r(i,j)是滤波后像素(i,j)的灰度值。
双边滤波具体步骤是:
(1)计算并保存RFPN校正后图像每一列的均值μj;
(2)设置Hj算子窗口参数wbf;
(3)根据式(13)计算Hj;
其中,wbf是Hj算子窗口参数,下标bf代表双边滤波,以区别于矩匹配窗口参数,用于控制窗口大小,该算子包含两个子函数αj和βj,其中,αj对那些离窗口中心较近的列分配较高的权重,而对那些较远的列分配较低的权重,遵循了空间相关性,βj对那些与中心列均值数值相近的列分配较大的权重,而对那些均值相差较大的列分配较小的权重,避免了过渡平滑;
最后,得到b(j),如式(14)所示:
另外,考虑到8-bit图像的灰度值范围是(0–255),还需要对校正过程进行一些约束,如式(15)所示。
其中,y_new_c(i,j)是滤波后(i,j)的灰度值。
本发明的特点及有益效果是:
本发明依据TDI-CMOS图像传感器FPN产生原因,采用改进矩匹配方法,有效地消除了TDI-CMOS图像传感器特有的行FPN和列FPN。从人眼直观看,如图4所示,效果比较明显。经算法校正后,行、列均值标准差有了显著的改善。
附图说明:
图1TDI-CMOS图像传感器结构框图;
图2原始均匀光图像;
图3空间相关滤波矩匹配算法流程图;
图4实测图像FPN校正前后视觉效果对比:(a)校正前、(b)校正后;
图5图4中图像的行均值曲线对比;
图6图4中图像的列均值曲线对比。
具体实施方式
假设FPN和随机噪声都是加性噪声,而且两者不相关。对于给定的已制造完成的TDI-CMOS图像传感器芯片,假设其FPN对应的灰度值在相同工作环境下是相等的。随机噪声服从均值为零的高斯分布。
如图1所示,TDI-CMOS图像传感器的像素阵列大小是M×N,即M行N列。将行序号和列序号分别记为i和j。假设不同像素的光响应是不相关的,则输出图像中像素(i,j)的灰度值y(i,j)可以表示为式(1)。
y(i,j)=x(i,j)-a(i)-b(j)+r(i,j)1≤i≤L,1≤j≤N (1)
其中,L是图像在沿轨方向上的尺寸,x(i,j)是像素(i,j)的理想灰度值,a(i)是第i行像素对应的RFPN灰度值,b(j)是第j列像素对应CFPN灰度值,而r(i,j)是除FPN外的所有噪声对应的灰度值。根据TDI工作原理,a(i)满足式(2)。
a(i)=a(i+T) (2)
T=M+1 (3)
其中,M为TDI累加级数。
本发明提出的一种基于矩匹配的的FPN校正方法,首先对原始图像进行空间相关滤波,接着使用改进行矩匹配法进行RFPN校正,然后对RFPN校正后的图像进行双边滤波,接着使用改进列矩匹配法进行CFPN校正。
(一)RFPN校正
由于RFPN的存在,噪声图像的行均值曲线在边界处产生跳边。然而,理想图像的行均值曲线是空间相关的、连续的。根据这个特征,水平条纹的位置可以通过统计的方式得到。
第一步,计算第i和i+1行像素的平均值,并分别把它们定义为U1和U2。与此同时,计算(i+T×n)和(i+1+T×n)行像素平均值,并把它们定义为U1(n+1)和U2(n+1)。其中,(i+T×n)和(i+1+T×n)不大于图像的行数,n是正整数,如式(4)所示。
U1(n)=Ave_im(i+T×(n-1))i+T×(n-1)≤L
U2(n)=Ave_im(i+1+T×(n-1))i+1+T×(n-1)≤L (4)
Ave_im是一个自定义函数,用来求取像素的行均值。由于图像行数与积分器之间的一一对应关系具有周期性,因此,图像中由同一积分器输出的像素,被存储在同一个向量中。
第二步,对两个均值向量的差求均值。在某些情况下,两个向量的长度不相等。因此需要首先得到两个向量中较小的长度,然后再求均值,如式(5)。
l=min(U1,U2)
U=mean(U2(j)-U1(j))1≤j≤l (5)
如果U的值大于阈值UTh,那么i+T×(n-1)就是图像中条纹的位置。条纹处的a(i)可以被估计得到,如式(6)所示。
ijumps=i+T×(n-1)i+T×(n-1)≤L
a(ijumps)=0.5×[Ave_im(ijumps+1)-Ave_im(ijumps)]+λ×U (6)
最后,得到的RFPN值会被加到图像相对应的行像素中。经过上述步骤,图片中的水平条纹可以被检测到并且a(i)可以被估计得到。但是新的条纹会出现在i-1+T×(n-1)位置。因此,需要重复上述步骤T次。另外,考虑到8-bit图像的灰度值范围是(0–255),还需要对校正过程进行一些约束,如式(9)所示。
其中,y_new_r(i,j)是滤波后像素(i,j)的灰度值。以上过程叫做空间相关滤波。整个算法流程图如图3所示。
图像校正可以通过行矩匹配算法完成,如式(8)所示。
其中,Yij是校正后像素(i,j)的灰度值,Xij是空间相关滤波后像素(i,j)的灰度值,μi是第i行像素均值,σi是第i行标准差,μτ是参考均值,στ是参考标准差。
对标准矩匹配算法进行改进,添加一个移动窗口,μτ和στ如式(9)所示。其中,k是窗口中心位置,w是窗口参数。
具体实现步骤如下:
(1)计算并保存图像y_new_r每一行的μi和σi;
(2)设置行矩匹配窗口参数w;
(3)根据式(9)计算μτ和στ;
(4)将参考均值和标准差带入到式(8),校正相应行的RFPN;
(5)沿着行方向移动一个像素,重复步骤3-4,直到最后一行的RFPN被校正。
(二)CFPN校正
由于CFPN的存在,噪声图像的列均值曲线呈现无规则的波动,并且CFPN服从均值为零的高斯分布。因此,b(j)可以通过合适的滤波方法得到。
不考虑随机噪声,由式(1)可得,RFPN校正后的图像灰度表示如下:
z(i,j)=x(i,j)-b(j)1≤i≤L,1≤j≤N (10)
其中,z(i,j)是校正RFPN后像素(i,j)的灰度值。然后,图像列均值可以表示为:
Z(j)=X(j)-b(j) (11)
通过使用一个基于双边滤波结构的算子来估计理想图像的列均值X(j),其中,滤波使用移动窗口模式,start是窗口的起点列数,end是窗口终点列数。如式(12)所示。
其中,wbf是Hj算子窗口参数,下标bf代表双边滤波,以区别于矩匹配窗口参数,用于控制窗口大小。该算子包含两个子函数αj和βj。其中,αj对那些离窗口中心较近的列分配较高的权重,而对那些较远的列分配较低的权重,遵循了空间相关性。βj对那些与中心列均值数值相近的列分配较大的权重,而对那些均值相差较大的列分配较小的权重,避免了过渡平滑。
具体实现步骤如下:
(1)计算并保存RFPN校正后图像每一列的均值μj;
(2)设置Hj算子窗口参数wbf;
(3)根据式(13)计算Hj;
最后,可以得到b(j),如式(14)所示。
另外,考虑到8-bit图像的灰度值范围是(0–255),还需要对校正过程进行一些约束,如式(15)所示。
其中,y_new_c(i,j)是滤波后(i,j)的灰度值。
以上过程称为双边滤波。CFPN校正可以通过列矩匹配算法完成,如式(16)所示。
其中,Yij是校正后像素(i,j)的灰度值,Xij是双边滤波后像素(i,j)的灰度值,μj是第j行像素均值,σj是第j行标准差,μτ是参考均值,στ是参考标准差。
对标准矩匹配算法进行改进,添加一个移动窗口,μτ和στ如式(17)所示。其中,k是窗口中心位置,w是窗口参数。
具体实现步骤如下:
(1)计算并保存图像y_new_c每一列的μj和σj;
(2)设置窗口参数w;
(3)根据式(17)计算μτ和στ;
(4)将参考均值和标准差带入到式(16),校正相应列的CFPN;
(5)沿着列方向移动一个像素,重复步骤3-4,直到最后一列的CFPN被校正。
首先基于128级模拟域累加TDI-CMOS图像传感器设计了一套成像系统,使用设计的成像系统采集图像。然后设置参数,阈值Uth=1,行矩匹配窗口参数w=13,双边滤波窗口wbf=10,;列矩匹配行矩匹配窗口参数w=3。
实验结果表明,均匀光照下拍摄的图像的行均值标准差从校正前的5.6761LSB减小到了校正后的0.1948LSB,其列均值标准差从校正前的15.2005LSB减小到了校正后的13.1949LSB。
从图5也可以看出,原始行均值曲线波动很大,且存在周期性跳变(椭圆标记处)。使用提出的方法校正RFPN后,所有跳变完全消失,因此校正曲线比原始曲线光滑了许多。另外,从图6可以看出,原始列均值曲线波动较大,使用提出方法校正CFPN后,曲线更加平滑。另外,校正曲线的形状和走势都与原始曲线一致,表明提出的方法在校正FPN的同时可以很好地保留原始图像的细节信息。
Claims (3)
1.一种基于矩匹配的TDI-CMOS图像传感器FPN校正方法,其特征是,首先对原始图像进行空间相关滤波,接着使用改进行矩匹配法进行RFPN校正,然后对RFPN校正后的图像进行双边滤波,接着使用改进列矩匹配法进行CFPN校正;改进列矩匹配法进行CFPN校正具体是,
(1)对RFPN校正后的图像进行双边滤波;
(2)计算并保存滤波后图像每一列的均值μj;
(3)设置列矩匹配窗口参数w;
(4)根据式(17)计算μτc和στc;
其中,μj是第j列像素均值,σj是第j列标准差,μτc是CFPN校正参考均值,στc是CFPN校正参考标准差,N是图像在跨轨方向上的尺寸,L是图像在沿轨方向上的尺寸,图像校正通过矩匹配算法完成,对标准矩匹配算法进行改进,添加一个移动窗口,k是该窗口中心位置,w是窗口参数;
(5)将参考均值和标准差带入到式(16),校正相应列的CFPN;
其中,Yij是校正后像素(i,j)的灰度值,Xij是双边滤波后像素(i,j)的灰度值;
(6)沿着列方向移动一个像素,重复步骤4-5,直到最后一列的CFPN被校正;
改进行矩匹配法进行RFPN校正具体步骤如下:
(1)对原始图像进行空间相关滤波;
(2)计算并保存滤波后图像每一行的μi和σi;
(3)设置行矩匹配窗口参数w;
(4)根据式(9)计算μτr和στr;
其中,μi是第i行像素均值,σi是第i行标准差,μτr是RFPN参考均值,στr是RFPN参考标准差,图像校正通过矩匹配算法完成,对标准矩匹配算法进行改进,添加一个移动窗口,k是该窗口中心位置,w是窗口参数;
(5)将参考均值和标准差带入到式(8),校正相应行的RFPN;
其中,Yij是校正后像素(i,j)的灰度值,Xij是双边滤波后像素(i,j)的灰度值,μj是第j行像素均值,σj是第j行标准差,μτ是参考均值,στr是参考标准差;
(6)沿着行方向移动一个像素,重复步骤4-5,直到最后一行的RFPN被校正。
2.如权利要求1所述的基于矩匹配的TDI-CMOS图像传感器FPN校正方法,其特征是,空间相关滤波具体步骤是:
第一步,计算第i和i+1行像素的平均值,并分别把它们定义为U1和U2,与此同时,计算(i+T×n)和(i+1+T×n)行像素平均值,并把它们定义为U1(n+1)和U2(n+1),其中,(i+T×n)和(i+1+T×n)不大于图像的行数,n是正整数,如式(4)所示:
U1(n)=Ave_im(i+T×(n-1)) i+T×(n-1)≤L
U2(n)=Ave_im(i+1+T×(n-1)) i+1+T×(n-1)≤L (4)
Ave_im是一个自定义函数,用来求取像素的行均值,图像中由同一积分器输出的像素,被存储在同一个向量中;
第二步,对两个均值向量的差求均值,首先得到两个向量中较小的长度,然后再求均值,如式(5):
l=min(U1,U2)
U=mean(U2(j)-U1(j)) 1≤j≤l (5)
如果U的值大于阈值UTh,那么i+T×(n-1)就是图像中条纹的位置,条纹处的a(i)被估计得到,如式(6)所示:
ijumps=i+T×(n-1) i+T×(n-1)≤L
a(ijumps)=0.5×[Ave_im(ijumps+1)-Ave_im(ijumps)]+λ×U (6)
最后,得到的RFPN值会被加到图像相对应的行像素中,经过上述步骤,图片中的水平条纹可以被检测到并且a(i)被估计得到,需要重复上述步骤T次,另外,考虑到8-bit图像的灰度值范围是(0–255),还需要对校正过程进行约束,如式(9)所示:
其中,y_new_r(i,j)是滤波后像素(i,j)的灰度值。
3.如权利要求1所述的基于矩匹配的TDI-CMOS图像传感器FPN校正方法,其特征是,双边滤波具体步骤是:
(1)计算并保存RFPN校正后图像每一列的均值μj;
(2)设置Hj算子窗口参数wbf;
(3)根据式(13)计算Hj;
其中,wbf是Hj算子窗口参数,下标bf代表双边滤波,以区别于矩匹配窗口参数,用于控制窗口大小,该算子包含两个子函数αj和βj,其中,αj函数根据空间的特性对各列分配权值,随着列远离窗口中心距离的增大权值会变小,βj函数根据各列均值与中心列均值距离关系分配相应的权值,随着距离的增大权值变小,进而避免过度平滑;
最后,得到b(j),如式(14)所示:
另外,考虑到8-bit图像的灰度值范围是(0–255),还需要对校正过程进行一些约束,如式(15)所示:
其中,y_new_c(i,j)是滤波后(i,j)的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610910923.XA CN106506999B (zh) | 2016-10-18 | 2016-10-18 | 基于矩匹配的tdi-cmos图像传感器fpn校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610910923.XA CN106506999B (zh) | 2016-10-18 | 2016-10-18 | 基于矩匹配的tdi-cmos图像传感器fpn校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106506999A CN106506999A (zh) | 2017-03-15 |
CN106506999B true CN106506999B (zh) | 2020-04-10 |
Family
ID=58294349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610910923.XA Active CN106506999B (zh) | 2016-10-18 | 2016-10-18 | 基于矩匹配的tdi-cmos图像传感器fpn校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106506999B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830878B (zh) * | 2018-04-13 | 2021-02-23 | 上海大学 | 一种基于fpn神经网络的目标跟踪方法 |
CN113793282B (zh) * | 2021-09-17 | 2023-10-24 | 中国科学院长春光学精密机械与物理研究所 | 一种空间相机传函测试图像莫尔条纹模糊去除方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0486166A (ja) * | 1990-07-30 | 1992-03-18 | Olympus Optical Co Ltd | 固体撮像装置 |
JPH04135388A (ja) * | 1990-09-27 | 1992-05-08 | Olympus Optical Co Ltd | 画像信号処理装置 |
JPH10313428A (ja) * | 1997-05-13 | 1998-11-24 | Sony Corp | 固体撮像素子の固定パターンノイズ除去方法と、固定パターンノイズ除去装置 |
JP3762604B2 (ja) * | 1999-03-30 | 2006-04-05 | シャープ株式会社 | 増幅型固体撮像装置 |
JP4144517B2 (ja) * | 2003-12-05 | 2008-09-03 | ソニー株式会社 | 固体撮像装置、撮像方法 |
JP2007053691A (ja) * | 2005-08-19 | 2007-03-01 | Micron Technol Inc | サブlsbを用いた拡張デジタルデータ路構造 |
CN104813652B (zh) * | 2012-09-18 | 2018-03-09 | 菲力尔系统公司 | 热图像中的像素的降噪 |
TWI528816B (zh) * | 2013-04-18 | 2016-04-01 | 聯詠科技股份有限公司 | 固定樣式雜訊移除方法 |
CN103957365A (zh) * | 2014-04-08 | 2014-07-30 | 天津大学 | 用于实现预测编码图像压缩的cmos图像传感器结构 |
-
2016
- 2016-10-18 CN CN201610910923.XA patent/CN106506999B/zh active Active
Non-Patent Citations (1)
Title |
---|
CMOS 有源像素图像传感器的噪声控制技术;裴志军;《半导体光电》;20021231;第6卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106506999A (zh) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8810602B2 (en) | Image processing apparatus, medium, and method | |
US9183617B2 (en) | Methods, devices, and computer readable mediums for processing a digital picture | |
KR20170087278A (ko) | 비디오 압축 영상을 위한 거짓 등고선 검출과 제거 방법 및 장치 | |
CN103975578A (zh) | 图像处理设备、图像处理方法以及程序 | |
JP2005516260A5 (zh) | ||
CN106210448B (zh) | 一种视频图像抖动消除处理方法 | |
CN108805832B (zh) | 适于隧道环境特性的改进灰度投影稳像方法 | |
KR20110112619A (ko) | 이미지 센서에서 발생되는 잡음을 제거하기 위한 장치 및 방법 | |
CN106506999B (zh) | 基于矩匹配的tdi-cmos图像传感器fpn校正方法 | |
JP2006229749A (ja) | 画像処理装置および画像処理方法 | |
CN108270945B (zh) | 一种运动补偿去噪方法及装置 | |
CN116503293B (zh) | 一种Bayer图像去椒盐噪声的方法及系统 | |
CN110086961A (zh) | 一种针对OLED屏的DeMURA算法 | |
CN103729828A (zh) | 视频去雨方法 | |
CN105681693B (zh) | Tdi-cmos图像传感器fpn校正方法 | |
CN103996177A (zh) | 一种无参考检测消除雪花噪声算法 | |
CN104065975B (zh) | 基于适应性运动估计的帧率提升方法 | |
CN109308709B (zh) | 基于图像分割的Vibe运动目标检测算法 | |
US20100238354A1 (en) | Method and system for adaptive noise reduction filtering | |
US8693775B2 (en) | Image processing apparatus, method, recording medium, and program | |
JP4994955B2 (ja) | 移動体識別装置、移動体識別プログラム | |
JP6256703B2 (ja) | 画像処理方法、及び画像処理装置 | |
CN104796581B (zh) | 一种基于噪声分布特征检测的视频去噪系统 | |
CN104780295A (zh) | 一种基于噪声相关性的视频去噪系统 | |
US9008463B2 (en) | Image expansion apparatus for performing interpolation processing on input image data, and image expansion method thereof |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220729 Address after: 266000 No. 39, Shandong Road, Shinan District, Qingdao, Shandong Province Patentee after: Qingdao Zhencheng Technology Co.,Ltd. Address before: 300072 Tianjin City, Nankai District Wei Jin Road No. 92 Patentee before: Tianjin University |