CN106940881A - 用于bayer格式的低照度图像增强的方法及装置 - Google Patents
用于bayer格式的低照度图像增强的方法及装置 Download PDFInfo
- Publication number
- CN106940881A CN106940881A CN201710040062.9A CN201710040062A CN106940881A CN 106940881 A CN106940881 A CN 106940881A CN 201710040062 A CN201710040062 A CN 201710040062A CN 106940881 A CN106940881 A CN 106940881A
- Authority
- CN
- China
- Prior art keywords
- channel
- built
- newly
- data
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 241001269238 Data Species 0.000 claims abstract description 76
- 238000011084 recovery Methods 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000004075 alteration Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 10
- 239000003086 colorant Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000005286 illumination Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000004040 coloring Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
Classifications
-
- G06T5/92—
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Abstract
本申请公开一种用于bayer格式的低照度图像增强的方法及装置。包括:通过图像重建算法进行G通道插值,以获得新建G通道数据;通过新建G通道数据与R通道数据获取新建R通道数据;通过新建G通道数据与B通道数据获取新建B通道数据;以及通过余弦色彩恢复函数以及所述新建G通道数据、所述新建R通道数据、所述新建B通道数据进行图像恢复。本申请的用于bayer格式的低照度图像增强的方法,能够在低照度情况下,提高处理后图像的清晰度和质量。
Description
技术领域
本发明涉及计算机视觉领域,具体而言,涉及一种用于bayer格式的低照度图像增强的方法及装置。
背景技术
成像系统通过表面覆盖Bay型彩色滤波列(CFA)的CCD对像面进行采样,输出Bayer图像。由于图像中每个像元只含三基色(RGB)中的一种颜色信息,需要通过插值算法的插值以重建缺失的颜色信息。通常情况下,重建效果越好的插值算法运算量越大,硬件资源需求越大。如何在保证重建效果的情况下,使硬件资源占用最小,是实际存在的问题,也是重建算法研究的一个重点,具有现实意义。
而图像因受退化因素影响,会导致质量严重下降,对比度、色彩、清晰度等出现明显失真。特别是因照度不足等低照度环境下的图像退化问题一直是图像领域研究的热点。Retinex算法是一种基于空域的图像增强,该算法模拟人类大脑视觉皮层成像原理,建立了简化图像形成模型,通过消除图像照度分量,保留反射分量实现图像增强,具有较好的增强效果。但传统的Retinex算法因在照度估计时采用了经典的高斯模型,使得照度分量估计时容易出现色彩失真较大,而带色彩恢复的Retinex(MSRCR)相对于Retinex在颜色保持上具有优势,但在低照度图像处理中也存在颜色恢复失真的问题。
因此,需要一种新的用于bayer格式的低照度图像增强的方法及装置。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本发明提供一种用于bayer格式的低照度图像增强的方法及装置,能够在低照度情况下,提高处理后图像的清晰度和质量。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明的一方面,提出一种用于bayer格式的低照度图像增强的方法,该方法包括:通过图像重建算法进行G通道插值,以获得新建G通道数据;通过新建G通道数据与R通道数据获取新建R通道数据;通过新建G通道数据与B通道数据获取新建B通道数据;以及通过余弦色彩恢复函数以及新建G通道数据、新建R通道数据、新建B通道数据进行图像恢复。
在本公开的一种示例性实施例中,通过余弦色彩恢复函数以及新建G通道数据、新建R通道数据、新建B通道数据进行图像恢复,包括:通过单尺度Retinex算法处理新建G通道数据、新建R通道数据、新建B通道数据,以生成第一数据;计算原始图像数据与第一数据对应像素的夹角余弦矩阵;通过夹角余弦矩阵建立余弦色彩恢复函数;通过余弦色彩恢复函数对第一数据进行处理,以进行图像恢复。
在本公开的一种示例性实施例中,余弦色彩恢复函数,包括:
其中,Ci为i通道的余弦色彩恢复函数,α为第一预定常数,β为第二预定常数,cosθ为夹角余弦值矩阵,Ii(x,y)图像的第i个颜色通道。
在本公开的一种示例性实施例中,通过余弦色彩恢复函数对第一数据进行处理,以进行图像恢复,包括:计算每一尺度的恢复图像,以生成第二数据;对第二数据进行自适应补偿,以生成第三数据;对第三数据进行加权处理,以进行图像恢复。
在本公开的一种示例性实施例中,利用加权公式对第三数据进行加权处理,以进行图像恢复,加权公式包括:
其中,RM为加权公式,ωj为第j个尺度的图像对应的权重,RMj为第j个尺度的图像对应的第三数据。
在本公开的一种示例性实施例中,通过图像重建算法进行G通道插值,以获得新建G通道数据,包括:对G通道进行预插值,以获取色差通道;通过色差通道获取综合梯度因子;通过综合梯度因子获取新建G通道数据。
在本公开的一种示例性实施例中,通过综合梯度因子获取新建G通道数据,包括:通过综合梯度因子判断插值方向;通过单方向插值的方向获取新建G通道数据。
在本公开的一种示例性实施例中,通过新建G通道数据与R通道数据获取新建R通道数据,包括:插值R通道数据上缺失的B通道数据。
在本公开的一种示例性实施例中,通过新建G通道数据与B通道数据获取新建B通道数据,包括:插值B通道数据上缺失的R通道数据。
根据本发明的一方面,提出一种用于bayer格式的低照度图像增强的装置,该装置包括:G通道模块,用于通过图像重建算法进行G通道插值,以获得新建G通道数据;R通道模块,用于通过新建G通道数据与R通道数据获取新建R通道数据;B通道模块,用于通过新建G通道数据与B通道数据获取新建B通道数据;以及图像恢复模块,用于通过余弦色彩恢复函数以及新建G通道数据、新建R通道数据、新建B通道数据进行图像恢复。
根据本发明的用于bayer格式的低照度图像增强的方法及装置,能够在低照度情况下,提高处理后图像的清晰度和质量。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
通过参照附图详细描述其示例实施例,本发明的上述和其它目标、 特征及优点将变得更加显而易见。下面描述的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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是根据一示例性实施例示出的一种用于bayer格式的低照度图像增强的方法的流程图。
图2是根据一示例性实施例示出的现有技术中bayer格式图像的示意图。
图3是根据另一示例性实施例示出的一种用于bayer格式的低照度图像增强的方法的流程图。
图4是根据另一示例性实施例示出的一种用于bayer格式的低照度图像增强的方法的流程图。
图5是根据一示例性实施例示出的一种用于bayer格式的低照度图像增强的方法中自动补偿/增益示意图;
图6是根据一示例性实施例示出的一种用于bayer格式的低照度图像增强的方法处理前后对比图。
图7是根据一示例性实施例示出的一种用于bayer格式的低照度图像增强的方法处理前后对比图。
图8是根据另一示例性实施例示出的一种用于bayer格式的低照度图像增强的装置的框图。
具体实施例
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践 本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的,因此不能用于限制本发明的保护范围。
图1是根据一示例性实施例示出的一种用于bayer格式的低照度图像增强的方法的流程图。
如图1所示,在S102中,通过图像重建算法进行G通道插值,以获得新建G通道数据。对于彩色图像,需要采集多种最基本的颜色,如R、G、B三种颜色,最简单的方法就是用滤镜的方法,红色的滤镜透过红色的波长,绿色的滤镜透过绿色的波长,蓝色的滤镜透过蓝色的波长。如果要采集R、G、B三个基本色,则需要三块滤镜,这样价格昂贵,且不好制造,因为三块滤镜都必须保证每一个像素点都对齐。图2是根据一示例性实施例示出的现有技术中bayer格式图像的示意图。如图2所示, bayer格式图片在一块滤镜上设置的不同的颜色,通过分析人眼对颜色的感知发现,人眼对绿色比较敏感,所以一般bayer格式的图片绿色格式的像素是是R和G像素的和。图像重建算法可例如为H-A(Hamilton-Adam)算法。利用H-A(Hamilton-Adam)算法进行G通道插值,以获得新建G通道数据,可例如为G颜色数据。
在S104中,通过新建G通道数据与R通道数据获取新建R通道数据。每一个像素仅仅包括了光谱的一部分,必须通过插值来实现每个像素的RGB值。为了从Bayer格式得到每个像素的RGB格式,通常情况需要通过插值填补缺失的2个色彩。在本发明实施例中,可例如为,通过G颜色,插值获取R的颜色。
在S106中,通过新建G通道数据与B通道数据获取新建B通道数据。如上文,在本发明实施例中,可例如为,通过Bayer格式中的G颜色,插值获取B的颜色。
在S108中,通过余弦色彩恢复函数以及新建G通道数据、新建R通道数据、新建B通道数据进行图像恢复。本发明实施例中根据余弦色彩恢复函数对上文的结果进行调整,使图像恢复的结果与原始图像的颜色更加接近。余弦色彩恢复函数可例如,计算原始图像数据与单尺度Retinex算法计算之后的数据对应像素的夹角余弦矩阵,通过夹角余弦矩阵建立余弦色彩恢复函数。
根据本发明的用于bayer格式的低照度图像增强的方法,通过图像重建算法与余弦色彩恢复函数对bayer格式的图像数据进行处理,这两种算法相结合的方法,能够在低照度情况下,提高处理后图像的清晰度和质量。
应清楚地理解,本发明描述了如何形成和使用特定示例,但本发明的原理不限于这些示例的任何细节。相反,基于本发明公开的内容的教导,这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种用于bayer格式的低照度图像增强的方法的流程图。图3是对图1中S102的示例性说明。
如图3所示,在S302中,对G通道进行预插值,以获取色差通道。
在本实施例中,H-A(Hamilton-Adam)算法利用G通道和R通道求解缺失的G通道,重建效果较好。然而其插值方向判断的准确率不足。可例如,利用H-A算法预求出其水平和垂直方向上的G值,作为后续计算的基础:
式(1)中:X可以是R或者B。式(1)预求出了缺失绿色值在水平和垂直方向上的估计值。则在R(B)上,水平和垂直两个方向上的色差通道值,可用式(2)表示:
其中:X可以是R或者B。式(2)不需要求出G上的色差值。
在S304中,通过色差通道获取综合梯度因子。
设Bayer图像为F(i,j),在像元(i,j)处,水平及垂直方向的梯度因子DH和DV用式(3)求出,是判断插值方向的基本要素。
式(3)将位置更远的像元F(i±2,j±2),通过归一化系数加入考虑范围,可增加梯度因子的准确率。
在S306中,通过综合梯度因子获取新建G通道数据。
梯度因子只与F(i,j)相邻的4个像元值有关,因此,只通过DH和DV判断边缘及插值方向的准确率并不高,为更好评估某点的插值方向,引入F(i,j)点周围5×5窗口的综合梯度因子ωH和ωV:
综合梯度因子以插值周围25个梯度因子的和作为新的插值方向判断因子,减小只通过单个梯度因子判断插值方向的局限性,增加插值方向判断的准确率。式(4)中ωH和ωV只用于判断插值方向,而不以加权因子的方式求色差值,避免了与插值方向无关的色差值加入到色差通道,外场成像图像的色彩重建也证实这种方法的可行性及优越性。求出综合梯度因子后,使用单方向加权方法求出R上新的色差通道值。即当ωV(i,j)≤ωH i(j,:
当ωV(i,j)>ωH(i,j):
式(5)和式(6)中的X可以是R或者B。采取相隔一个插值点的色差值求减小了色差通道的计算量。缺失的G值的最终插值用式(7)表示:
根据本发明的用于bayer格式的低照度图像增强的方法,通过图像重建算法对bayer格式的图像数据进行处理,能够使得图像恢复中插值误差更小,而且提升了计算效率,减小了硬件实现中硬件资源的消耗。
在本公开的一种示例性实施例中,通过新建G通道数据与R通道数据获取新建R通道数据,包括:插值R通道数据上缺失的B通道数据;插值B通道数据上缺失的R通道数据。
R和B通道缺失的颜色值通过已求出的绿色通道值插值得出。首先插值R上缺失的颜色B和B上缺失的颜色R。算法的硬件实现中,缓存图像行数过多会占用较多的片上RAM资源。因此,利用VCD算法里具有抑制噪声的功能的模板Prb求解R和B的值,模板只需要缓存的3行图像数据。
表示相应位置相乘并求和。式(8)的优点是可以只通过加法器及移位完成。
绿色值上缺失的R颜色值可通过该绿色值和R通道和G通道的差求出,如式(9)所示。
B颜色通道求法类似。Bayer图像所有缺失的颜色信息都已通过插值完成。
图4是根据另一示例性实施例示出的一种用于bayer格式的低照度图像增强的方法的流程图。图4是对图1中S108的示例性说明。
如图4所示,在S402中,通过单尺度Retinex算法(SSR)处理新建G通道数据、新建R通道数据、新建B通道数据,以生成第一数据。
单尺度Retinex(single scale Retinex,SSR)算法数学表达式为:
Ri(x,y)=lnIi(x,y)-ln[G(x,y)*Ii(x,y)](10)
式中:Ii(x,y)为输入图像的第i个颜色通道;*表示卷积;Ri(x,y)表示Retinex的第i个通道的输出;G(x,y)为归一中心/环绕函数。即:
∫∫G(x,y)dxdy=1 (12)
式中:σ为尺度参数,在离散情况下满足
由于单尺度Retinex算法存在色彩保持和细节突出等方面的矛盾,因此提出了多尺度Retinex算法解决上述矛盾。多尺度Retinex(MSR) 是对单尺度Retinex的延伸,它是几个单尺度Retinex的加权组合。其数学形式为:
式中:Ri(x,y)为第i个尺度的SSR结果;ωi是第i个尺度的加权系数,并且满足ωi之和为1;N为尺度数,一般是3个尺度,分别是大尺度、中尺度、小尺度。其经验值为:小尺度为图像的1%-5%;中尺度为图像的10%-15%;大尺度为图像的30%-50%;
SSR或者MSR算法处理RGB图像时,分别处理R,G,B这3个分量图,由于R,G,B各个分量图单独处理,在这个过程中3个通道有各自对应的补偿和增益,因此比例关系发生改变会造成颜色失真。将带色彩恢复的多尺度Retinex算法引入原始图像中3个色彩通道之间的颜色比例,对MSR结果进行处理,通过乘性色彩恢复函数的作用克服图像颜色的不饱和或失真,从而使得图像具有更好的颜色呈现。
式中:为第i通道的比例因子;β为一常数;Rmi(x,y)为SSR的第i通道处理结果。Rmi为输出结果的第i通道。
在S404中,计算原始图像数据与第一数据对应像素的夹角余弦矩阵。假设原始图像为I,根据原始算法计算出单尺度处理结果I1,计算I1与I对应像素的夹角余弦值矩阵cosθ(i,j);
在S406中,通过夹角余弦矩阵建立余弦色彩恢复函数(MSRCR)。计算i通道的色彩恢复函数:
余弦色彩恢复函数,包括:
其中,Ci为i通道的余弦色彩恢复函数,α为第一预定常数,β为第二预定常数,cosθ为夹角余弦值矩阵,Ii(x,y)图像的第i个颜色通道。
在S408中,通过余弦色彩恢复函数对第一数据进行处理,以进行图像恢复。
通过余弦色彩恢复函数对第一数据进行处理,以进行图像恢复,包括:计算每一尺度的恢复图像,以生成第二数据;对第二数据进行自适应补偿,以生成第三数据;对第三数据进行加权处理,以进行图像恢复。无论以上哪种Retinex算法都在对数域中进行,经常会出现负值,因此需要通过补偿/增益将像素值转换到显示器的显示范围内。补偿/增益的重点是找到起点和增益的倍数。假设处理后的图像所有像素值分布服从高斯分布,经过模拟仿真在均值上下1.85倍标准差左右截取,并将在这一区间的像素值线性地映射到0-255是一个较好的选择。如图5所示,这时处理后的图像信息熵较大,从而实现了处理后图像的自适应补偿增益。
计算图像得到第j个尺度的图像RMj,再经过自适应补偿/增益即可得到单一尺度的带色彩恢复图像;
在本公开的一种示例性实施例中,利用加权公式对第三数据进行加权处理,以进行图像恢复,加权公式包括:
其中,RM为加权公式,ωj为第j个尺度的图像对应的权重,RMj为第j个尺度的图像对应的第三数据。
在MSRCR中采用了色彩恢复因子,使得处理后的图像颜色更加接近原始图像的颜色。在式(6)、式(7)中,通过MSR处理结果乘以恢复因子,以达到处理后图像颜色与原始图像颜色相接近的效果,从而以使颜色接近。通过式(6)、式(7)得到的图像有些像素颜色与原始图像出入较大。这是因为式(6)中每个像素均为色彩恢复因子相乘,而且为一个常数,对于与原来颜色差别不大的像素也乘以一个比例因子,所以颜色会发生较大的失真,所以应该为一个随颜色失真程度而变化的数值。
传统做法是单独处理每个颜色通道,割裂了颜色本身,同时也收到光照的影响。将图像中每个像素的颜色看作三维矢量空间中的1个矢量,其中R,G,B分别是这个矢量的3个分量,这样把颜色当作1个矢量处 理,而不是分开处理。再去掉光照影响,3个分量的比值就代表该颜色,可以考虑用色彩矢量之间的余角余弦值来描述不同颜色之间的区别。这个夹角范围是[0,π/2],余弦值为0,则两个颜色差异最大。本发明可例如,根据夹角余弦值对MSR结果进行调整,使之与原始图像的颜色更加接近。当处理后图像像素矢量与原始图像像素矢量夹角较小时,说明颜色改变不大,因此只进行小幅度调整;当夹角较大时,说明处理后颜色失真很大,根据实际实验观察,这往往体现在亮度上,因而要大幅度调整其亮度以及颜色。
根据本发明的用于bayer格式的低照度图像增强的方法,通过余弦色彩恢复函数图像数据进行处理,能够较好地解决了因光照不均匀等低照度情况下产生的颜色失真问题,使得图像颜色与原始图像更加接近,提高了图像的清晰度。
图6、7是根据一示例性实施例示出的一种用于bayer格式的低照度图像增强的方法处理前后对比图。
如图6,7所示,通过本发明实施例中的方法,首先利用H-A算法对缺失的G通道进行预插值并求出色差通道,然后求出方向判断准确率较高的综合梯度因子,并以此判断插值方向,以单方向插值的方向重新求出G通道,最后利用G通道求出其他两种颜色通道缺失的颜色信息。并通过改进色彩恢复函数,在低照度情况下,提高了处理后图像的清晰度和质量。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
图8是根据另一示例性实施例示出的一种用于bayer格式的低照度图像增强的装置的框图。
其中,G通道模块802用于通过图像重建算法进行G通道插值,以获得新建G通道数据。
R通道模块804用于通过新建G通道数据与R通道数据获取新建R通道数据.
B通道模块806用于通过新建G通道数据与B通道数据获取新建B通道数据.
图像恢复模块808用于通过余弦色彩恢复函数以及新建G通道数据、新建R通道数据、新建B通道数据进行图像恢复。
根据本发明的用于bayer格式的低照度图像增强的装置,通过图像重建算法与余弦色彩恢复函数对bayer格式的图像数据进行处理,这两种算法相结合的方法,能够在低照度情况下,提高处理后图像的清晰度和质量。
在本公开的一种示例性实施例中,图像恢复模块包括:
单尺度子模块,用于通过单尺度Retinex算法处理新建G通道数据、新建R通道数据、新建B通道数据,以生成第一数据。
余弦子模块,用于计算原始图像数据与第一数据对应像素的夹角余弦矩阵。
函数子模块,用于通过夹角余弦矩阵建立余弦色彩恢复函数。
图像恢复子模块,用于通过余弦色彩恢复函数对第一数据进行处理,以进行图像恢复。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述 的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。
通过以上的详细描述,本领域的技术人员易于理解,根据本发明实施例的用于bayer格式的低照度图像增强的方法及装置具有以下优点中的一个或多个。
根据一些实施例,本发明的用于bayer格式的低照度图像增强的方法,通过图像重建算法与余弦色彩恢复函数对bayer格式的图像数据进行处理,这两种算法相结合的方法,能够在低照度情况下,提高处理后图像的清晰度和质量。
根据另一些实施例,本发明的用于bayer格式的低照度图像增强的方法,通过图像重建算法对bayer格式的图像数据进行处理,能够使得图像恢复中插值误差更小,而且提升了计算效率,减小了硬件实现中硬件资源的消耗。
根据另一些实施例,本发明的用于bayer格式的低照度图像增强的方法,通过余弦色彩恢复函数图像数据进行处理,能够较好地解决了因光照不均匀等低照度情况下产生的颜色失真问题,使得图像颜色与原始图像更加接近,提高了图像的清晰度。
以上具体地示出和描述了本发明的示例性实施例。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外,本说明书说明书附图所示出的结构、比例、大小等,均仅用以配合说明书所公开的内容,以供本领域技术人员了解与阅读,并非用以限定本公开可实施的限定条件,故不具技术上的实质意义,任何结构 的修饰、比例关系的改变或大小的调整,在不影响本公开所能产生的技术效果及所能实现的目的下,均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语,也仅为便于叙述的明了,而非用以限定本公开可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当也视为本发明可实施的范畴。
Claims (10)
1.一种用于bayer格式的低照度图像增强的方法,其特征在于,包括:
通过图像重建算法进行G通道插值,以获得新建G通道数据;
通过所述新建G通道数据与R通道数据获取新建R通道数据;
通过所述新建G通道数据与B通道数据获取新建B通道数据;以及
通过余弦色彩恢复函数以及所述新建G通道数据、所述新建R通道数据、所述新建B通道数据进行图像恢复。
2.如权利要求1所述的方法,其特征在于,所述通过余弦色彩恢复函数以及所述新建G通道数据、所述新建R通道数据、所述新建B通道数据进行图像恢复,包括:
通过单尺度Retinex算法处理新建G通道数据、所述新建R通道数据、所述新建B通道数据,以生成第一数据;
计算原始图像数据与所述第一数据对应像素的夹角余弦矩阵;
通过所述夹角余弦矩阵建立余弦色彩恢复函数;以及
通过所述余弦色彩恢复函数对所述第一数据进行处理,以进行所述图像恢复。
3.如权利要求2所述的方法,其特征在于,所述余弦色彩恢复函数,包括:
其中,Ci为i通道的所述余弦色彩恢复函数,α为第一预定常数,β为第二预定常数,cosθ为所述夹角余弦值矩阵,Ii(x,y)图像的第i个颜色通道。
4.如权利要求2所述的方法,其特征在于,所述通过所述余弦色彩恢复函数对所述第一数据进行处理,以进行所述图像恢复,包括:
计算每一尺度的恢复图像,以生成第二数据;
对所述第二数据进行自适应补偿,以生成第三数据;以及
对所述第三数据进行加权处理,以进行图像恢复。
5.如权利要求4所述的方法,其特征在于,利用加权公式对所述第三数据进行加权处理,以进行图像恢复,所述加权公式包括:
其中,RM为所述加权公式,ωj为第j个尺度的图像对应的权重,RMj为第j个尺度的图像对应的所述第三数据。
6.如权利要求1所述的方法,其特征在于,所述通过图像重建算法进行G通道插值,以获得新建G通道数据,包括:
对G通道进行预插值,以获取色差通道;
通过所述色差通道获取综合梯度因子;以及
通过所述综合梯度因子获取所述新建G通道数据。
7.如权利要求6所述的方法,其特征在于,所述通过所述综合梯度因子获取所述新建G通道数据,包括:
通过所述综合梯度因子判断插值方向;以及
通过单方向插值的方向获取所述新建G通道数据。
8.如权利要求1所述的方法,其特征在于,所述通过新建G通道数据与R通道数据获取新建R通道数据,包括:
插值R通道数据上缺失的B通道数据。
9.如权利要求1所述的方法,其特征在于,所述通过新建G通道数据与B通道数据获取新建B通道数据,包括:
插值B通道数据上缺失的R通道数据。
10.一种用于bayer格式的低照度图像增强的装置,其特征在于,包括:
G通道模块,用于通过图像重建算法进行G通道插值,以获得新建G通道数据;
R通道模块,用于通过所述新建G通道数据与R通道数据获取新建R通道数据;
B通道模块,用于通过所述新建G通道数据与B通道数据获取新建B通道数据;以及
图像恢复模块,用于通过余弦色彩恢复函数以及所述新建G通道数据、所述新建R通道数据、所述新建B通道数据进行图像恢复。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710040062.9A CN106940881A (zh) | 2017-01-18 | 2017-01-18 | 用于bayer格式的低照度图像增强的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710040062.9A CN106940881A (zh) | 2017-01-18 | 2017-01-18 | 用于bayer格式的低照度图像增强的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106940881A true CN106940881A (zh) | 2017-07-11 |
Family
ID=59468708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710040062.9A Pending CN106940881A (zh) | 2017-01-18 | 2017-01-18 | 用于bayer格式的低照度图像增强的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106940881A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198137A (zh) * | 2018-01-30 | 2018-06-22 | 努比亚技术有限公司 | 一种插值方法、终端和计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129674A (zh) * | 2010-12-17 | 2011-07-20 | 北京优纳科技有限公司 | 一种自适应彩色图像颜色平衡校正方法 |
CN102404581A (zh) * | 2011-11-02 | 2012-04-04 | 清华大学 | 基于插值与近红外的彩色图像处理的方法和装置 |
CN103716606A (zh) * | 2013-12-30 | 2014-04-09 | 上海富瀚微电子有限公司 | 一种Bayer域图像下采样的方法、装置及摄像设备 |
CN104680484A (zh) * | 2013-11-26 | 2015-06-03 | 展讯通信(上海)有限公司 | 一种图像增强的方法及装置 |
-
2017
- 2017-01-18 CN CN201710040062.9A patent/CN106940881A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129674A (zh) * | 2010-12-17 | 2011-07-20 | 北京优纳科技有限公司 | 一种自适应彩色图像颜色平衡校正方法 |
CN102404581A (zh) * | 2011-11-02 | 2012-04-04 | 清华大学 | 基于插值与近红外的彩色图像处理的方法和装置 |
CN104680484A (zh) * | 2013-11-26 | 2015-06-03 | 展讯通信(上海)有限公司 | 一种图像增强的方法及装置 |
CN103716606A (zh) * | 2013-12-30 | 2014-04-09 | 上海富瀚微电子有限公司 | 一种Bayer域图像下采样的方法、装置及摄像设备 |
Non-Patent Citations (2)
Title |
---|
徐少雄等: "低复杂度Bayer图像色彩重建算法", 《液晶与显示》 * |
程芳瑾等: "基于Retinex的低照度图像增强", 《电视技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198137A (zh) * | 2018-01-30 | 2018-06-22 | 努比亚技术有限公司 | 一种插值方法、终端和计算机可读存储介质 |
CN108198137B (zh) * | 2018-01-30 | 2021-12-17 | 努比亚技术有限公司 | 一种插值方法、终端和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104834933B (zh) | 一种图像显著性区域的检测方法和装置 | |
CN107123088B (zh) | 一种自动更换证件照背景颜色的方法 | |
CN108389192A (zh) | 基于卷积神经网络的立体图像舒适度评价方法 | |
CN109858487A (zh) | 基于分水岭算法和图像类别标签的弱监督语义分割方法 | |
CN107798661A (zh) | 一种自适应的图像增强方法 | |
CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
Liu et al. | Learning hadamard-product-propagation for image dehazing and beyond | |
CN107343196A (zh) | 一种混合失真无参考图像质量评价方法 | |
CN108537747A (zh) | 一种基于带对称跨层连接的卷积神经网络的图像修复方法 | |
CN102646267B (zh) | 退化图像复原方法及系统 | |
JP2021531571A (ja) | 証明書画像抽出方法及び端末機器 | |
CN108734668A (zh) | 图像色彩恢复方法、装置、计算机可读存储介质及终端 | |
Wang et al. | Enhancement for dust-sand storm images | |
CN105787892A (zh) | 一种基于机器学习的蒙特卡洛噪声去除方法 | |
CN110443800A (zh) | 视频图像质量的评价方法 | |
CN110288568A (zh) | 眼底图像处理方法、装置、设备和存储介质 | |
CN113256510A (zh) | 基于cnn的带有颜色恢复和边缘锐化效果的低照度图像增强方法 | |
CN109949200A (zh) | 基于滤波器子集选择和cnn的隐写分析框架构建方法 | |
CN109685772A (zh) | 一种基于配准失真表示的无参照立体图像质量评估方法 | |
Lv et al. | Blind dehazed image quality assessment: a deep CNN-based approach | |
Zhang et al. | Improved colour‐to‐grey method using image segmentation and colour difference model for colour vision deficiency | |
CN110400307A (zh) | 一种基于区域差异的屏幕图像质量评估方法 | |
JP7463186B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN106940881A (zh) | 用于bayer格式的低照度图像增强的方法及装置 | |
CN115953330B (zh) | 虚拟场景图像的纹理优化方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170711 |