CN109658358B - 一种基于多导向滤波的快速bayer彩色重建方法 - Google Patents

Abstract

本发明提供一种基于多导向滤波的快速bayer彩色重建方法，涉及CFA图像处理技术领域。本发明步骤如下：步骤1：获取bayer图像，对该图像进行导向组初始化；对图像中每个绿色像素缺失位置进行导向组设置，将每个像素位置的8个导向划分为4组导向，每组包括3个导向，导向组可表示为：{u_i,l_i,d_i,r_i}_(q,v),i＝‑1,0,1；步骤2：计算色差影像；步骤3：计算基于色差的梯度影像；步骤4：计算导向权值矩阵；步骤5：计算导向估计矩阵；步骤6：绿色波段重建；步骤7：基于色差的线性滤波红、蓝波段重建，红、绿、蓝波段全部重建后得到彩色图像。本方法可以广泛应用于bayer影像彩色重建场景，有效快速实现高质量的彩色重建影像。

Description

一种基于多导向滤波的快速bayer彩色重建方法

技术领域

本发明涉及CFA图像处理技术领域，尤其涉及一种基于多导向滤波的快速bayer彩色重建方法。

背景技术

随着遥感对地观测技术的不断发展，视频卫星作为一种全新的对地观测手段，能够获取一定区域范围内的高动态信息，已经逐渐成为研究和使用的新热点。出于研制成本、数据传输压力和工艺难度等因素，视频卫星的相机成像系统一般只采用一个CMOS传感器，并在传感器前端安置一块彩色滤光阵列——bayer模板，通过bayer模板生成的影像称为bayer影像。Bayer影像在每一个像素位置只获取一种颜色的灰度值，其他两种颜色被过滤掉，如图1所示。因此bayer影像可以减少三分之二的数据量，有效节省星上存储资源，减轻星地传输压力；同时极大的减轻了卫星重量和体积，研制成本和制作工艺难度得到显著改善。但bayer影像的成像特性使得影像的每个像素损失2种颜色的彩色信息，必须对其进行插值重建处理，恢复成彩色影像后才能进行后续的处理和应用。

传统的彩色重建方法主要是针对工业相机，高质量的重建往往需要复杂地、多次迭代运算获取准确的插值导向和灰度估计值，执行效率较低。此外，视频卫星的Bayer影像一般尺寸较大、帧数较多，计算耗时的问题更为严重。而一般快速的方法很难准确估计邻域灰度相关性，重建质量往往不佳。因此bayer影像彩色重建的质量和效率的矛盾问题是制约视频卫星后续应用的主要因素之一。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于多导向滤波的快速bayer彩色重建方法，本方法可以广泛应用于bayer影像彩色重建场景，有效实现快速、高质量的彩色重建影像。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于多导向滤波的快速bayer彩色重建方法，包括以下步骤：

步骤1：获取bayer图像后，对该图像进行导向组初始化；在图像中每个绿色像素缺失的位置进行导向组设置，将上、下、左、右、左上、右上、左下及右下8个导向划分为上、下、左、右4组导向，每组包括3个导向，导向组可表示为：{u_i,l_i,d_i,r_i}_(q,v)，其中，q、v分别代表像素位置的行、列，i＝-1,0,1，u_i代表上方向导向组，l_i代表左方向导向组，d_i代表下方向导向组，r_i代表右方向导向组；

步骤2：计算色差影像；水平和垂直影像的滤波hf和vf设为：

hf＝[-1/4 1/2 1/2 1/2 -1/4]

vf＝(hf)′

其中，(*)′表示矩阵的转置操作符，水平影像imgh和垂直影像imgv表示为：

imgh＝filter(bayer1,hf)

imgv＝filter(bayer1,vf)

上式中，filter(*)表示影像卷积滤波操作符，利用快速傅立叶变换FFT算法将空间域中所有像素位置循环遍历计算转换到频率域的单次计算，bayer1表示原始bayer影像；

水平色差影像dh通过下式得到：

dh(g)＝bayer_G-imgh(m,b)

dh(m,b)＝imgh(g)-bayer_C

dh＝dh(g)+dh(m,b)

其中，dh(g)表示dh中绿色位置的像素值；dh(m,b)表示dh中红色或蓝色位置的像素值；bayer_G表示原始bayer影像的绿色波段；imgh(m,b)表示在imgh中bayer绿色位置上通过插值得到的红或蓝像素，bayer_C表示原始bayer影像的红色或蓝色波段,其中C＝R或B；C＝R为原始bayer影像的红色波段，C＝B为原始bayer影像的蓝色波段；imgh(g)表示在bayer图像中红或蓝位置上通过插值得到的绿色像素；

垂直色差影像dv通过下式得到：

dv(g)＝bayer_G-imgv(m,b)

dv(m,b)＝imgv(g)-bayer_C

dv＝dv(g)+dv(m,b)

其中，dv(g)表示dv中绿色位置的像素值；dv(m,b)表示dv中红色或蓝色位置的像素值；bayerG表示原始bayer影像的绿色波段；imgv(m,b)表示在imgv中bayer影像绿位置上通过插值得到的红或蓝像素，bayer_C表示原始bayer影像的红色或蓝色波段,其中C＝R或B；C＝R为原始bayer影像的红色波段，C＝B为原始bayer影像的蓝色波段；imgv(g)表示在imgv中bayer影像红或蓝位置上通过插值得到的绿色像素；

步骤3：计算基于色差的梯度影像；根据步骤2得到的水平和垂直的色差影像，求出水平色差梯度影像gdh、垂直色差梯度影像gdv；公式如下：

gdh＝abs(filter(dh,[10-1]))

gdv＝abs(filter(dv,[10-1]′))

上式中，abs(*)表示绝对值操作符；

步骤4：计算导向权值矩阵；对4组导向进行相似性评价，通过单方向的组合导向丰富多方向的相关性描述，并引入高斯滤波进行局部加权处理；分别求出上方向组合导向{u_i}_q,v,i＝-1,0,1对应的权值矩阵up_i、左方向组合导向{l_i}_q,v,i＝-1,0,1对应的权值矩阵left_i、下方向组合导向{d_i}_q,v,i＝-1,0,1对应的权值矩阵down_i、右方向组合导向{r_i}_q,v,i＝-1,0,1对应的权值矩阵right_i；

步骤5：计算导向估计矩阵；利用色差影像求出4组导向对应的估计矩阵，对相关局部区域进行统计处理，分别求出上方向估计矩阵upMat_i、左方向估计矩阵leftMat_i、下方向估计矩阵downMat_i、右方向估计矩阵rightMat_i；

步骤6：绿色波段重建；

绿色色差影像imgGd通过下式获得：

通过绿色色差影像imgGd求得绿色波段imgG，公式如下：

imgG＝imgGd+bayer1

步骤7：基于色差的线性滤波红波段和蓝波段重建；红、绿、蓝波段全部重建后得到bayer彩色图像；

结合步骤6中重建后的绿波段，在色差波段中利用对角和双线性滤波进行插值重建；其中，对角滤波dfilter为：

双线性滤波bfilter为：

则红色波段imgR通过下式计算求得：

imgR＝imgG-filter(filter(imgG-bayer_R,dfilter),bfilter)

蓝色波段imgB的重建通过下式计算求得：

imgB＝imgG-filter(filter(imgG-bayer_B,dfilter),bfilter)。

所述步骤4包括如下子步骤：

步骤4.1：上方向组合导向{u_i}_q,v,i＝-1,0,1对应的权值矩阵up_i表示为：

up_i＝filter(gdv,upfilter_i)

其中，upfilter_i为up_i系数滤波，i＝-1,0,1，分别表示为：

gaufilter_j是标准差为2的3*3高斯滤波的第j列，j＝1，2，3；

所述高斯滤波为：

步骤4.2：左方向组合导向{l_i}_q,v,i＝-1,0,1对应的权值矩阵left_i表示为：

left_i＝filter(gdh,leftfilter_i)

其中，leftfilter_i为left_i系数滤波，i＝-1,0,1，分别表示为：

gaufilter_j′表示高斯滤波gaufilter的第j行；

步骤4.3：下方向组合导向{d_i}_q,v,i＝-1,0,1对应的权值矩阵down_i表示为：

down_i＝filter(gdv,downfilter_i)

其中，downfilter_i为down_i系数滤波，i＝-1,0,1，分别表示为：

gaufilter_j表示高斯滤波gaufilter的第j列；

步骤4.4：右方向组合导向{r_i}_q,v,i＝-1,0,1对应的权值矩阵right_i表示为：

right_i＝filter(gdh,rightfilter_i)

其中，rightfilter_i为right_i系数滤波，i＝-1,0,1，分别表示为：

gaufilter′_j表示高斯滤波gaufilter的第j行。

所述步骤5包括如下子步骤：

步骤5.1：上方向估计矩阵upMat_i的计算公式为：

upMat_i＝filter(dv,upimgfilter_i)

其中，upimgfilter_i为上方向估计矩阵滤波，i＝-1,0,1，尺寸为5*3，表达式分别为：

upimgfilter_-1＝[f/100_5*2]

upimgfilter₀＝[0_5*1 4*f/5 0_5*1]

upimgfilter₁＝[0_5*2 f/10]

f＝[1/3 1/3 1/3 0 0]′

其中(*)′表示矩阵转置；

步骤5.2：左方向估计矩阵leftMat_i的计算公式为：

leftMat_i＝filter(dh,leftimgfilter_i)

其中，leftimgfilter_i为左方向估计矩阵滤波，i＝-1,0,1，尺寸为3*5，表达式分别为：

f＝[1/3 1/3 1/3 0 0]′

步骤5.3：下方向估计矩阵downMat_i的计算公式为：

downMat_i＝filter(dv,downimgfilter_i)

其中，downimgfilter_i为下方向估计矩阵滤波，i＝-1,0,1，尺寸为5*3，表达式分别为：

downimgfilter_-1＝[0_5*2 f/10]

downimgfilter₀＝[0_5*1 4*f/5 0_5*1]

downimgfilter₁＝[f/10 0_5*2]

f＝[1/3 1/3 1/3 0 0]′

步骤5.4：右方向估计矩阵rightMat_i的计算公式为：

rightMat_i＝filter(dh,rightimgfilter_i)

其中，rightimgfilter_i为右方向估计矩阵滤波，i＝-1,0,1，尺寸为3*5，表达式分别为：

f＝[1/3 1/3 1/3 0 0]′。

采用上述技术方案所产生的有益效果在于：本发明提供的一种基于多导向滤波的快速bayer彩色重建方法，该方法具有以下优点：

1、针对绿波段利用多导向相关性描述与估计的思路，可有效实现高质量的彩色重建影像。

2、在绿色高质量重建的基础上，通过色差域的简单线性插值可获得较高质量的蓝、红波段重建，并且计算耗时极少。

3、在计算过程中，通过设计了响应的滤波器进行整体的卷积滤波处理，无需循循环遍历整幅图像，计算效率显著提升。

基于以上优点，本发明可以广泛应用于视频卫星bayer彩色重建的辐射预处理中，为后续应用及处理提供基础；也可用于其他bayer影像彩色重建场景。

附图说明

图1为本发明提供的bayer模板示意图，其中，a为原始bayer影像；b为只含有红色像素点的bayer影像；c为只含有绿色像素点的bayer影像；d为只含有蓝色像素点的bayer影像；

图2为本发明实施例提供的算法流程图；

图3为本发明实施例提供的bayer图像插值重建模板图；

图4为本发明实施例提供的导向组初始化示意图；

图5为本发明实施例提供的bayer图像与bayer彩色图像对比图，其中，a为bayer影像的截取图，b为影像截取图的彩色重建图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

针对大尺寸bayer影像的彩色重建所面对的效果与效率难以兼顾的问题，提出一种基于多导向滤波的快速bayer彩色重建技术方法。为了确保插值重建的质量，在绿色波段重建时，对每个绿色缺失位置进行多导向组设置，通过多导向的联合计算，以便更准确估计待插值像素与邻域的相关性。首先利用Hamilton-Adam(H-A)算法和相邻波段获得水平、垂直方向的色差梯度影像。然后根据色差梯度影像的局部区域进行多导向梯度相关性估计，得到相应的导向权值，并根据局部色差影像得到相应的导向估计值，进而通过线性加权和完成绿色插值。在绿色波段重建后，进一步利用新色差影像的对角、水平和垂直滤波完成红、蓝波段的重建。为了提升运算效率，梯度相关性和导向估计计算时设计了一组滤波器，并通过卷积滤波的方式实现快速解算。本发明可广泛应用于视频卫星的bayer彩色重建辐射预处理中，为后续应用及处理提供基础。也可应用于其他bayer影像彩色重建的场景。

如图2所示，本实施例的方法如下所述。

步骤1：获取bayer图像，对该图像进行导向组初始化；如图3所示；对图像中每个绿色像素缺失的位置进行导向组设置，将上、下、左、右、左上、右上、左下及右下8个导向设置为上、下、左、右4组导向，每组包括3个导向，导向组可表示为：{u_i,l_i,d_i,r_i}_(q,v)，其中，q、v分别代表像素位置的行、列，i＝-1,0,1，u_i代表上方向导向组，l_i代表左方向导向组，d_i代表下方向导向组，r_i代表右方向导向组；

步骤2：计算色差影像；水平和垂直影像的滤波hf、vf设为：

hf＝[-1/4 1/2 1/2 1/2 -1/4]

vf＝(hf)′

其中，(*)′表示矩阵的转置操作符，水平影像imgh和垂直影像imgv表示为：

imgh＝filter(bayer1,hf)

imgv＝filter(bayer1,vf)

上式中，filter(*)表示影像卷积滤波操作符，利用快速傅立叶变换FFT算法将空间域中所有像素位置循环遍历计算转换到频率域的单次计算，bayer1表示原始bayer影像；

水平色差影像dh通过下式得到：

dh(g)＝bayer_G-imgh(m,b)

dh(m,b)＝imgh(g)-bayer_C

dh＝dh(g)+dh(m,b)

其中，dh(g)表示dh中绿色位置的像素值；dh(m,b)表示dh中红色或蓝色位置的像素值；bayer_G表示原始bayer影像的绿色波段；imgh(m,b)表示在imgh中bayer绿色位置上通过插值得到的红或蓝像素，bayer_C表示原始bayer影像的红色或蓝色波段,其中C＝R或B；C＝R为原始bayer影像的红色波段，C＝B为原始bayer影像的蓝色波段；imgh(g)表示在bayer图像中红或蓝位置上通过插值得到的绿色像素；

垂直色差影像dv通过下式得到：

dv(g)＝bayer_G-imgv(m,b)

dv(m,b)＝imgv(g)-bayer_C

dv＝dv(g)+dv(m,b)

其中，dv(g)表示dv中绿色位置的像素值；dv(m,b)表示dv中红色或蓝色位置的像素值；bayerG表示原始bayer影像的绿色波段；imgv(m,b)表示在imgv中bayer影像绿位置上通过插值得到的红或蓝像素，bayer_C表示原始bayer影像的红色或蓝色波段,其中C＝R或B；C＝R为原始bayer影像的红色波段，C＝B为原始bayer影像的蓝色波段；imgv(g)表示在imgv中bayer影像红或蓝位置上通过插值得到的绿色像素；

步骤3：计算基于色差的梯度影像；根据步骤2得到的水平和垂直的色差影像，求出水平色差梯度影像gdh、垂直色差梯度影像gdv；公式如下：

gdh＝abs(filter(dh,[10-1]))

gdv＝abs(filter(dv,[10-1]′))

上式中，abs(*)表示绝对值操作符；

步骤4：计算导向权值矩阵；对4组导向进行相似性评价，通过单方向的组合导向丰富多方向的相关性描述，并引入高斯滤波进行局部加权处理；分别求出上方向组合导向{u_i}_q,v,i＝-1,0,1对应的权值矩阵up_i、左方向组合导向{l_i}_q,v,i＝-1,0,1对应的权值矩阵left_i、下方向组合导向{d_i}_q,v,i＝-1,0,1对应的权值矩阵down_i、右方向组合导向{r_i}_q,v,i＝-1,0,1对应的权值矩阵right_i；

步骤4.1：上方向组合导向{u_i}_q,v,i＝-1,0,1对应的权值矩阵up_i表示为：

up_i＝filter(gdv,upfilter_i)

其中，upfilter_i为up_i系数滤波，i＝-1,0,1，如图4所示，分别表示为：

gaufilter_j是标准差为2的3*3高斯滤波的第j列，j＝1，2，3；

高斯滤波为：

步骤4.2：左方向组合导向{l_i}_q,v,i＝-1,0,1对应的权值矩阵left_i表示为：

left_i＝filter(gdh,leftfilter_i)

其中，leftfilter_i为left_i系数滤波，i＝-1,0,1，分别表示为：

gaufilter′_j表示高斯滤波gaufilter的第j行；相当于将矩阵gaufilter做转置处理；

步骤4.3：下方向组合导向{d_i}_q,v,i＝-1,0,1对应的权值矩阵down_i表示为：

down_i＝filter(gdv,downfilter_i)

其中，downfilter_i为down_i系数滤波，i＝-1,0,1，分别表示为：

gaufilter_j表示高斯滤波gaufilter的第j列；

步骤4.4：右方向组合导向{r_i}_q,v,i＝-1,0,1对应的权值矩阵right_i表示为：

right_i＝filter(gdh,rightfilter_i)

其中，rightfilter_i为right_i系数滤波，i＝-1,0,1，分别表示为：

gaufilter′_j表示高斯滤波gaufilter的第j行；

步骤5：计算导向估计矩阵；利用色差影像求出4组导向对应的估计矩阵，对相关局部区域进行统计处理，分别求出上方向估计矩阵upMat_i、左方向估计矩阵leftMat_i、下方向估计矩阵downMat_i、右方向估计矩阵rightMat_i；

步骤5.1：上方向估计矩阵upMat_i的计算公式为：

upMat_i＝filter(dv,upimgfilter_i)

其中，upimgfilter_i为上方向估计矩阵滤波，i＝-1,0,1，尺寸为5*3，表达式分别为：

upimgfilter_-1＝[f/10 0_5*2]

upimgfilter₀＝[0_5*1 4*f/5 0_5*1]

upimgfilter₁＝[0_5*2 f/10]

f＝[1/3 1/3 1/3 0 0]′

其中(*)′表示矩阵转置；

步骤5.2：左方向估计矩阵leftMat_i的计算公式为：

leftMat_i＝filter(dh,leftimgfilter_i)

其中，leftimgfilter_i为左方向估计矩阵滤波，i＝-1,0,1，尺寸为3*5，表达式分别为：

f＝[1/3 1/3 1/3 0 0]′

步骤5.3：下方向估计矩阵downMat_i的计算公式为：

downMat_i＝filter(dv,downimgfilter_i)

其中，downimgfilter_i为下方向估计矩阵滤波，i＝-1,0,1，尺寸为5*3，表达式分别为：downimgfilter_-1＝[0_5*2 f/10]

downimgfilter₀＝[0_5*1 4*f/5 0_5*1]

downimgfilter₁＝[f/10 0_5*2]

f＝[1/3 1/3 1/3 0 0]′

步骤5.4：右方向估计矩阵rightMat_i的计算公式为：

rightMat_i＝filter(dh,rightimgfilter_i)

其中，rightimgfilter_i为右方向估计矩阵滤波，i＝-1,0,1，尺寸为3*5，表达式分别为：

f＝[1/3 1/3 1/3 0 0]′

步骤6：绿色波段重建；

绿色色差影像imgGd通过下式获得：

通过绿色色差影像imgGd求得绿色波段imgG，公式如下：

imgG＝imgGd+bayer1

步骤7：基于色差的线性滤波红波段和蓝波段重建；红、绿、蓝波段全部重建后得到bayer彩色图像；

结合步骤6中重建后的绿波段，在色差波段中利用对角和双线性滤波进行插值重建；其中，对角滤波dfilter为：

双线性滤波bfilter为：

则红色波段imgR通过下式计算求得：

imgR＝imgG-filter(filter(imgG-bayer_R,dfilter),bfilter)

蓝色波段imgB的重建通过下式计算求得：

imgB＝imgG-filter(filter(imgG-bayer_B,dfilter),bfilter)

红色波段、绿色波段、蓝色波段全部重建后得到bayer彩色图像；

本实施例中采用如图5所示，其中图a为bayer影像的截取图，图b为通过本方法进行重建后的彩色图，由此对比可直观表示出本方法的有效性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (2)

1.一种基于多导向滤波的快速bayer彩色重建方法，其特征在于：包括以下步骤：

步骤1：获取bayer图像后，对该图像进行导向组初始化；在图像中每个绿色像素缺失的位置进行导向组设置，将上、下、左、右、左上、右上、左下及右下8个导向划分为上、下、左、右4组导向，每组包括3个导向，导向组可表示为：{u_i,l_i,d_i,r_i}_(q,v)，其中，q、v分别代表像素位置的行、列，i＝-1,0,1，u_i代表上方向导向组，l_i代表左方向导向组，d_i代表下方向导向组，r_i代表右方向导向组；

步骤2：计算色差影像；水平和垂直影像的滤波hf、vf设为：

hf＝[-1/41/21/21/2-1/4]

vf＝(hf)′

其中，(*)′表示矩阵的转置操作符，水平影像imgh和垂直影像imgv表示为：

imgh＝filter(bayer1,hf)

imgv＝filter(bayer1,vf)

上式中，filter(*)表示影像卷积滤波操作符，利用快速傅立叶变换FFT算法将空间域中所有像素位置循环遍历计算转换到频率域的单次计算，bayer1表示原始bayer影像；

水平色差影像dh通过下式得到：

dh(g)＝bayer_G-imgh(m,b)

dh(m,b)＝imgh(g)-bayer_C

dh＝dh(g)+dh(m,b)

其中，dh(g)表示dh中绿色位置的像素值；dh(m,b)表示dh中红色或蓝色位置的像素值；bayer_G表示原始bayer影像的绿色波段；imgh(m,b)表示在imgh中bayer绿色位置上通过插值得到的红或蓝像素，bayer_C表示原始bayer影像的红色或蓝色波段,其中C＝R或B；C＝R为原始bayer影像的红色波段，C＝B为原始bayer影像的蓝色波段；imgh(g)表示在bayer图像中红或蓝位置上通过插值得到的绿色像素；

垂直色差影像dv通过下式得到：

dv(g)＝bayer_G-imgv(m,b)

dv(m,b)＝imgv(g)-bayer_C

dv＝dv(g)+dv(m,b)

其中，dv(g)表示dv中绿色位置的像素值；dv(m,b)表示dv中红色或蓝色位置的像素值；bayerG表示原始bayer影像的绿色波段；imgv(m,b)表示在imgv中bayer影像绿位置上通过插值得到的红或蓝像素，bayer_C表示原始bayer影像的红色或蓝色波段,其中C＝R或B；C＝R为原始bayer影像的红色波段，C＝B为原始bayer影像的蓝色波段；imgv(g)表示在imgv中bayer影像红或蓝位置上通过插值得到的绿色像素；

步骤3：计算基于色差的梯度影像；根据步骤2得到的水平和垂直的色差影像，求出水平色差梯度影像gdh、垂直色差梯度影像gdv；公式如下：

gdh＝abs(filter(dh,[10-1]))

gdv＝abs(filter(dv,[10-1]′))

上式中，abs(*)表示绝对值操作符；

步骤4：计算导向权值矩阵；对4组导向进行相似性评价，通过单方向的组合导向丰富多方向的相关性描述，并引入高斯滤波进行局部加权处理；分别求出上方向组合导向{u_i}_q,v,i＝-1,0,1对应的权值矩阵up_i、左方向组合导向{l_i}_q,v,i＝-1,0,1对应的权值矩阵left_i、下方向组合导向{d_i}_q,v,i＝-1,0,1对应的权值矩阵down_i、右方向组合导向{r_i}_q,v,i＝-1,0,1对应的权值矩阵right_i；

步骤4.1：上方向组合导向{u_i}_q,v,i＝-1,0,1对应的权值矩阵up_i表示为：

up_i＝filter(gdv,upfilter_i)

其中，upfilter_i为up_i系数滤波，i＝-1,0,1，分别表示为：

gaufilter_j是标准差为2的3*3高斯滤波的第j列，j＝1，2，3；

高斯滤波为：

步骤4.2：左方向组合导向{l_i}_q,v,i＝-1,0,1对应的权值矩阵left_i表示为：

left_i＝filter(gdh,leftfilter_i)

其中，leftfilter_i为left_i系数滤波，i＝-1,0,1，分别表示为：

gaufilter′_j表示高斯滤波gaufilter的第j行；

步骤4.3：下方向组合导向{d_i}_q,v,i＝-1,0,1对应的权值矩阵down_i表示为：

down_i＝filter(gdv,downfilter_i)

其中，downfilter_i为down_i系数滤波，i＝-1,0,1，分别表示为：

gaufilter_j表示高斯滤波gaufilter的第j列；

步骤4.4：右方向组合导向{r_i}_q,v,i＝-1,0,1对应的权值矩阵right_i表示为：

right_i＝filter(gdh,rightfilter_i)

其中，rightfilter_i为right_i系数滤波，i＝-1,0,1，分别表示为：

gaufilter_j′表示高斯滤波gaufilter的第j行；

步骤5：计算导向估计矩阵；利用色差影像求出4组导向对应的估计矩阵，对相关局部区域进行统计处理，分别求出上方向估计矩阵upMat_i、左方向估计矩阵leftMat_i、下方向估计矩阵downMat_i、右方向估计矩阵rightMat_i；

步骤6：绿色波段重建；

绿色色差影像imgGd通过下式获得：

通过绿色色差影像imgGd求得绿色波段imgG，公式如下：

imgG＝imgGd+bayer1

步骤7：基于色差的线性滤波红波段和蓝波段重建；红、绿、蓝波段全部重建后得到bayer彩色图像；

结合步骤6中重建后的绿波段，在色差波段中利用对角和双线性滤波进行插值重建；其中，对角滤波dfilter为：

双线性滤波bfilter为：

则红色波段imgR通过下式计算求得：

imgR＝imgG-filter(filter(imgG-bayer_R,dfilter),bfilter)

蓝色波段imgB的重建通过下式计算求得：

imgB＝imgG-filter(filter(imgG-bayer_B,dfilter),bfilter)。

2.根据权利要求1所述的一种基于多导向滤波的快速bayer彩色重建方法，其特征在于：所述步骤5包括如下子步骤：

步骤5.1：上方向估计矩阵upMat_i的计算公式为：

upMat_i＝filter(dv,upimgfilter_i)

其中，upimgfilter_i为上方向估计矩阵滤波，i＝-1,0,1，尺寸为5*3，表达式分别为：

upimgfilter_-1＝[f/10 0_5*2]

upimgfilter₀＝[0_5*1 4*f/5 0_5*1]

upimgfilter₁＝[0_5*2 f/10]

f＝[1/3 1/3 1/3 0 0]′

其中(*)′表示矩阵转置；

步骤5.2：左方向估计矩阵leftMat_i的计算公式为：

leftMat_i＝filter(dh,leftimgfilter_i)

其中，leftimgfilter_i为左方向估计矩阵滤波，i＝-1,0,1，尺寸为3*5，表达式分别为：

f＝[1/3 1/3 1/3 0 0]′

步骤5.3：下方向估计矩阵downMat_i的计算公式为：

downMat_i＝filter(dv,downimgfilter_i)

其中，downimgfilter_i为下方向估计矩阵滤波，i＝-1,0,1，尺寸为5*3，表达式分别为：

downimgfilter_-1＝[0_5*2 f/10]

downimgfilter₀＝[0_5*1 4*f/5 0_5*1]

downimgfilter₁＝[f/10 0_5*2]

f＝[1/3 1/3 1/3 0 0]′

步骤5.4：右方向估计矩阵rightMat_i的计算公式为：

rightMat_i＝filter(dh,rightimgfilter_i)

其中，rightimgfilter_i为右方向估计矩阵滤波，i＝-1,0,1，尺寸为3*5，表达式分别为：

f＝[1/3 1/3 1/3 0 0]′。

Images