CN111199524B - 一种针对可调光圈光学系统的图像紫边校正方法 - Google Patents
一种针对可调光圈光学系统的图像紫边校正方法 Download PDFInfo
- Publication number
- CN111199524B CN111199524B CN201911366899.8A CN201911366899A CN111199524B CN 111199524 B CN111199524 B CN 111199524B CN 201911366899 A CN201911366899 A CN 201911366899A CN 111199524 B CN111199524 B CN 111199524B
- Authority
- CN
- China
- Prior art keywords
- image
- purple
- aperture
- images
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012937 correction Methods 0.000 title claims abstract description 27
- 230000003287 optical effect Effects 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000010339 dilation Effects 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000000926 separation method Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241001326510 Phacelia sericea Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种针对可调光圈光学系统的图像紫边校正方法。采用两种不同光圈的相机对存在紫边现象的高反差场景进行拍摄获得大光圈图像为和小光圈图像的两幅图像;对两幅图像配准;检测大光圈图像的过曝区域,对大光圈图像整幅图像进行灰度分级,提取边缘并扩张得到紫边候补区域;将配准后的两幅图像变换至YCbCr颜色空间,对比紫边候补区域的色调数据提取得到紫边区域;以小光圈图像的紫边区域的Cb、Cr通道分别替换到大光圈图像中,保留Y通道亮度数据。本发明实现了紫边图像的检测与校正,改进了以往图像紫边区域缺失色调信息难以复原的问题,算法鲁棒性强,不易在非紫边区域引入错误信息,能够准确地复原。
Description
技术领域
本发明属于数字图像处理领域的一种图像校正处理方法,涉及了一种针对可调光圈光学系统的图像紫边校正方法。
背景技术
图像去紫边方法是指针对图像中高反差区域的物体边缘出现明显的颜色失真的图像降质情况进行减弱和消除的方法,这种现象通常被称为图像紫边。紫边的形成有多个影响因素,根据其原理可总结为如下三点主要成因:(1)位置色差和倍率色差(2)感光器件高光溢出(3)图像去马赛克。感光器件高光溢出主要决定于感光元件的参数,倍率色差与成像系统的视场相关,这两者是难以从算法层面进行解决的。图像去马赛克过程通常在ISP流程中完成并且对紫边影响较弱。而位置色差与孔径相关,因此在光圈较大时对于全视场均会产生影响,在图像存在离焦模糊的情况下对紫边影响尤为严重。这解释了为什么曝光量相同的情况下小光圈图像相比大光圈图像具有更加准确的色调信息。
由于形成紫边的原因复杂,因此难以从硬件层面消除紫边的影响。传统的通过光学设计优化镜头改善色差以及升级感光器件等方法的硬件成本较高。因此目前通常基于软件方案去除紫边,以往一般的解决方案是基于紫边区域的图像特征先识别紫边再进行校正,往往利用到紫边区域的曝光特性和色调特性。校正的方法通常参考紫边区域周边的正常颜色区域对紫边进行修复,在没有参考颜色的情况时倾向于将紫色修复至偏灰,从而降低紫边对人眼不友好的特性。近年来又陆续发展出其他的基于标定或基于多曝光图像融合等紫边校正方法。但是目前的紫边方法普遍存在如下几点问题:(1)通常只针对特定颜色的色边,如紫边。忽视了图像中可能同时存在绿边和紫边的情况。(2)复原效果偏灰。由于紫边区域的真实色调信息难以获得,传统方法倾向于将紫色复原至灰色。(3)容易误识别,由于传统紫边识别方法脱离物理模型,容易产生误识别,造成错误的颜色修复。
发明内容
为了克服现有技术的不足和解决背景技术中存在的问题,本发明采用了一种针对可调光圈光学系统的图像紫边校正方法。
本发明通过连续拍摄两张光圈不同的图像照片,对两张图像进行配准。然后基于小光圈图像的色调识别大光圈图像中的色调异常区域,结合图像的曝光情况识别紫边区域。然后将两幅图像转换到YCbCr颜色空间,保留明度通道信息,利用Cb、Cr通道对大光圈图像中的紫边区域进行修复。
本发明采用的具体技术方案如下:
(1)采用两种不同光圈的相机对存在紫边现象的高反差场景进行拍摄获得大光圈图像为Iba和小光圈图像Isa的两幅图像;
所述的高反差场景为逆光拍摄场景或者前景和背景反差较大的场景,如天空背景下的树叶和白底黑字的纸张。具体实施为出现紫边现象的图像拍摄场景,两幅图像的拍摄时间接近。紫边现象是指在反差较大区域物体边缘表现出错误的颜色信息,因通常为紫色得名,有时可表现为绿色。图像反差大表现为图像局部对比度高,紫边现象通常出现在图像局部对比度大于0.85的区域。
具体实施中,两种不同光圈的相机可通过同一相机调整光圈进行拍摄。
(2)提取两幅图像的特征点并计算单应性矩阵,利用单应性矩阵对拍摄得到的两幅图像进行配准;
(3)对于配准后的两幅图像,检测大光圈图像的过曝区域,对大光圈图像整幅图像进行灰度分级,提取边缘并扩张得到紫边候补区域;
(4)将配准后的两幅图像变换至YCbCr颜色空间,对比紫边候补区域的色调数据提取得到紫边区域;
(5)以小光圈图像的紫边区域的Cb、Cr通道分别替换到大光圈图像的紫边区域的Cb、Cr通道,并保留大光圈图像原始的Y通道亮度数据,从而完成图像紫边校正,以校正后的大光圈图像作为最终图像。
所述步骤(1)中,大光圈图像的光圈小于2.8,小光圈图像的光圈大于4,两幅图像的感光度(ISO)相同,且小光圈图像Isa的图像曝光值为大光圈图像Iba的图像曝光值的90-100%。具体实施中,通过调整相机有效曝光时间T和光圈数A的参数使得拍摄满足上述条件。
所述步骤(2)中,提取图像的SURF(Speeded Up Robust Features)特征点并基于RANSAC(Random Sample Consensus)算法去除误匹配的特征点,再处理特征点计算大光圈图像到小光圈图像的单应性矩阵H,进而配准两幅图像。
所述步骤(3)具体为:
(3.1)将小光圈图像Iba中灰度值大于灰度阈值的像素区域作为近过曝区域;
(3.2)对小光圈图像Iba进行灰度分级,并进行膨胀的形态学扩张处理得到边缘区域,将处于近过曝区域的3邻域范围内的边缘区域作为紫边候补区域。
所述步骤(4)具体为:
(4.1)将配准后的两幅图像转换至YCrCb颜色空间,然后将对两幅图像中处于紫边候补区域各像素的Cb、Cr通道进行比较,进行色调阈值比较判断是否出现色调异常,表示为:
其中,表示图像Isa的通道Cr的像素(i,j)的灰度值,表示图像Iba的通道Cr的像素(i,j)的灰度值,表示图像Isa的通道Cb的像素(i,j)的灰度值,表示图像Iba的通道Cb的像素(i,j)的灰度值,T表示色调阈值;
若满足上述公式,则色调异常,则将该像素归属于紫边区域,进行下面步骤;
若不满足上述公式,则色调不异常,不进行下面步骤,不对该区域图像进行紫边校正;
(4.2)归属于紫边区域的像素组成紫边区域。
所述步骤(5)具体为:以小光圈图像的紫边区域的Cb、Cr通道分别替换到大光圈图像的紫边区域的Cb、Cr通道,并保留大光圈图像原始的Y通道亮度数据,从而完成图像紫边校正,以校正后的大光圈图像作为最终图像。
本发明的有益效果是:
本发明基于不同光圈拍摄的两帧图像实现了紫边的检测与校正,改进了以往图像紫边区域缺失色调信息难以复原的问题。
图像校正算法能够更好地保留原图的亮度信息,充分利用大小光圈的图像特性,最终算法能够对传统方法难以复原的紫边情况进行处理,算法鲁棒性强,不易引入错误信息,准确地复原图像中的紫边区域。
附图说明
图1为本发明方法流程示意图;
图2为实施例的含紫边图像及其紫边区域局部放大图;
图2(a)为大光圈拍摄的紫边图像;
图2(b)为局部放大图以及树叶部分的RGB值;
图2(c)为局部放大图以及树干部分的RGB值;
图3为不同光圈参数拍摄的图像以及压缩灰度值后的对比;
图4为过曝区域NSR检测结果,以二值图表示,白色表示NSR区域;
图5为边缘区域FR检测结果,以二值图表示,白色表示FR区域;
图6为紫边区域CFR检测结果,以二值图表示,白色表示CFR区域;
图7为YCrCb颜色空间对紫边区域进行校正的结果对比图,左图为紫边图像,右图为校正后图像;
图8为使用本方法对含绿色色边的图片进行校正的结果对比图,左图为绿色色边图像,右图为校正后图像;
图9为Imatest软件对校正前后图像的紫边区域检测结果对比图;
图9(a)为紫边图像的RGB通道分离程度;
图9(b)为校正后图像的RGB通道分离程度。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
如图2所示,大光圈参数拍摄得到的图像的部分高反差区域出现了明显的紫边现象,本应为绿色的树叶以及棕色的树干分别表现为紫色(R:136,G:113,B:142),(R:120,G:98,B:131)。如图3所示,近似曝光量的情况下,小光圈图像的色调信息更加准确。压缩灰度值是为了让紫边区域从人眼不容易区分的黑色区域中显示出来。
如图1所示为算法整体流程:将不同光圈对大光圈参数拍摄图像的紫边区域进行检测,并利用小光圈图像的色调信息进行修复,同时保留大光圈图像的明度信息。在不破坏大光圈图像中应保留区域的前提下,实现了紫边区域的颜色复原。
本发明的实施例及其实施过程如下:
(1)通过同一相机调整光圈进行两次拍摄,具体是对存在紫边现象的高反差场景进行两次拍摄获得大光圈图像为Iba和小光圈图像Isa的两幅图像;
大光圈图像的光圈小于2.8,小光圈图像的光圈大于4,两幅图像的感光度(ISO)相同,且小光圈图像Isa的图像曝光值为大光圈图像Iba的图像曝光值的90-100%。具体实施中,通过调整相机有效曝光时间T和光圈数A的参数使得拍摄满足上述条件。
本实施例中,两幅图像为背景为天空场景,前景为树叶的高反差图像,选择F1.8快门1/4000s作为大光圈参数的测试图,F4快门1/2500s作为小光圈参数的测试图。
(2)提取两幅图像的特征点并计算单应性矩阵,利用单应性矩阵对拍摄得到的两幅图像进行配准;
(2.1)提取图像的SURF(Speeded Up Robust Features)特征点并基于RANSAC(Random Sample Consensus)算法去除误匹配的特征点;具体为搜索所有尺度空间上的图像,通过构建Hessian矩阵来识别潜在的对尺度和选择不变的兴趣点,选取随机匹配点对计算变换矩阵,记为模型M。计算所有数据与模型M的投影误差,如果小于阈值则加入内点集I。如果当前内点集元素大于目前的最优内点集,则更新最优内点集为当前内点集I,并更新迭代次数k。如果迭代次数大于k,则退出,否则继续迭代。
(2.2)再处理特征点计算大光圈图像到小光圈图像的单应性矩阵H,进而配准两幅图像。
(3)对于配准后的两幅图像,检测大光圈图像的过曝区域,对大光圈图像整幅图像进行灰度分级,并扩张得到紫边候补区域;
(3.1)将小光圈图像Iba中灰度值大于灰度阈值的像素区域作为近过曝区域,结果如图4所示,白色区域表示近过曝区域;
(3.2)对小光圈图像Iba进行灰度分级,具体为首先将图像灰度值分为四个等级,对于灰度值表示范围为0~255的图像,划分为0~127,127~191,191~255。划分后能方便计算图像边缘,使计算得到的FR图不会过于杂乱,FR区域识别结果如图5所示,白色区域表示FR区域。
然后进行膨胀的形态学扩张处理得到边缘区域,具体为通过利用3×3的圆盘内核实现形态学膨胀操作,保证FR区域能够覆盖紫边区域。
将处于近过曝区域的8邻域范围内的边缘区域作为紫边候补区域。如果邻域内有像素点被标记为NSR,说明该FR符合紫边生成条件,标记其为CR区域。
(4)将配准后的两幅图像变换至YCbCr颜色空间,对比紫边候补区域的色调数据提取得到紫边区域;
(4.1)将配准后的两幅图像转换至YCrCb颜色空间,然后将对两幅图像中处于紫边候补区域各像素的Cb、Cr通道进行比较,进行色调阈值比较判断是否出现色调异常,表示为:
其中,表示图像Isa的通道Cr的像素(i,j)的灰度值,表示图像Iba的通道Cr的像素(i,j)的灰度值,表示图像Isa的通道Cb的像素(i,j)的灰度值,表示图像Iba的通道Cb的像素(i,j)的灰度值,T表示色调阈值;
若满足上述公式,则色调异常,进行下面步骤;
若不满足上述公式,则色调不异常,不进行下面步骤,不对图像进行紫边校正;
(4.2)将紫边候补区域作为紫边区域。
识别结果如图6所示,白色区域表示紫边区域。具体逐像素计算小光圈图像的CR区域中的某点的Cr,Cb通道值与大光圈图像的对应位置之差距。正常情况下同一场景采用不同光圈参数拍摄的图像的色调信息应该保持一致,色调异常区域即为紫边区域。
(5)以小光圈图像的紫边区域的Cb、Cr通道分别替换到大光圈图像的紫边区域的Cb、Cr通道,并保留大光圈图像原始的Y通道亮度数据,从而完成图像紫边校正,校正结果如图7所示,紫边区域RGB三通道灰度值由偏紫的(R:70,G:59,B:79)校正为树叶原本的绿色(R:63,G:78,B:39),以校正后的大光圈图像作为最终图像。
当色边表现为其他色边时,如图8所示为分辨率标板在图像过曝以及带有离焦情况下的绿边区域局部放大图,经过算法校正,基本去除了绿色的错误颜色信息,可以看到绿边区域的RGB数值由偏绿的(R:102,G:117,B:95)校正为正确的偏灰的(R:117,G:100,B:100)。说明本方法对于传统去紫边方法难以处理的其他颜色色边依然有效。
Imatest软件是图像质量测试的常用软件,包含了对图像色边的分析。如图所示为Imatest对基于本方法处理前后的含紫边图像的分析结果。拍摄图像为ISO12233测试标板。该软件通过选取图像中的一条刃边对图像的降质情况进行评价。在对图像色边的评价方面,该软件提供了紫边区域面积(CA)参数作为客观评价指标,同时可视化地给出了刃边区域RGB三通道的分离程度。如图9所示,可以看到经过本算法校正后,图像的色边情况得到了明显的改善,RGB三通道分离程度降低,CA数值上由0.779pixels下降到0.423pixels。证明了本方法的有效性。
由此,本发明采用不同光圈参数的连续两帧图像实现了紫边图像的检测与校正,改进了以往图像紫边区域缺失色调信息难以复原的问题。本方法基于YCbCr颜色空间,能够更好地保留原图的亮度信息。算法鲁棒性强,不易在非紫边区域引入错误信息,对传统去紫边算法难以处理的其他颜色色边区域也能够准确地复原。
Claims (6)
1.一种针对可调光圈光学系统的图像紫边校正方法,其特征在于,该方法包括以下步骤:
(1)采用两种不同光圈的相机对存在紫边现象的高反差场景进行拍摄获得大光圈图像为Iba和小光圈图像Isa的两幅图像;
(2)提取两幅图像的特征点并计算单应性矩阵,利用单应性矩阵对拍摄得到的两幅图像进行配准;
(3)对于配准后的两幅图像,检测大光圈图像的过曝区域,对大光圈图像整幅图像进行灰度分级,提取边缘并扩张得到紫边候补区域;
(4)将配准后的两幅图像变换至YCbCr颜色空间,对比紫边候补区域的色调数据提取得到紫边区域;
(5)以小光圈图像的紫边区域的Cb、Cr通道分别替换到大光圈图像的紫边区域的Cb、Cr通道,并保留大光圈图像原始的Y通道亮度数据,从而完成图像紫边校正。
2.根据权利要求1所述的一种针对可调光圈光学系统的图像紫边校正方法,其特征在于:所述步骤(1)中,大光圈图像的光圈小于2.8,小光圈图像的光圈大于4,两幅图像的感光度(ISO)相同,且小光圈图像Isa的图像曝光值为大光圈图像Iba的图像曝光值的90-100%。
3.根据权利要求1所述的一种针对可调光圈光学系统的图像紫边校正方法,其特征在于:所述步骤(2)中,提取图像的SURF特征点并基于RANSAC算法去除误匹配的特征点,再处理特征点计算大光圈图像到小光圈图像的单应性矩阵H,进而配准两幅图像。
4.根据权利要求1所述的一种针对可调光圈光学系统的图像紫边校正方法,其特征在于:所述步骤(3)具体为:
(3.1)将小光圈图像Iba中灰度值大于灰度阈值的像素区域作为近过曝区域;
(3.2)对小光圈图像Iba进行灰度分级,并进行膨胀的形态学扩张处理得到边缘区域,将处于近过曝区域的3邻域范围内的边缘区域作为紫边候补区域。
5.根据权利要求1所述的一种针对可调光圈光学系统的图像紫边校正方法,其特征在于:所述步骤(4)具体为:
(4.1)将配准后的两幅图像转换至YCrCb颜色空间,然后将对两幅图像中处于紫边候补区域各像素的Cb、Cr通道进行比较,进行色调阈值比较判断是否出现色调异常,表示为:
其中,表示图像Isa的通道Cr的像素(i,j)的灰度值,表示图像Iba的通道Cr的像素(i,j)的灰度值,表示图像Isa的通道Cb的像素(i,j)的灰度值,表示图像Iba的通道Cb的像素(i,j)的灰度值,T表示色调阈值;
若满足上述公式,则色调异常,则将该像素归属于紫边区域,进行下面步骤;
若不满足上述公式,则色调不异常,不进行下面步骤,不对该区域图像进行紫边校正;
(4.2)归属于紫边区域的像素组成紫边区域。
6.根据权利要求1所述的一种针对可调光圈光学系统的图像紫边校正方法,其特征在于:所述步骤(5)具体为:以小光圈图像的紫边区域的Cb、Cr通道分别替换到大光圈图像的紫边区域的Cb、Cr通道,并保留大光圈图像原始的Y通道亮度数据,从而完成图像紫边校正,以校正后的大光圈图像作为最终图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911366899.8A CN111199524B (zh) | 2019-12-26 | 2019-12-26 | 一种针对可调光圈光学系统的图像紫边校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911366899.8A CN111199524B (zh) | 2019-12-26 | 2019-12-26 | 一种针对可调光圈光学系统的图像紫边校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111199524A CN111199524A (zh) | 2020-05-26 |
CN111199524B true CN111199524B (zh) | 2023-03-17 |
Family
ID=70747093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911366899.8A Active CN111199524B (zh) | 2019-12-26 | 2019-12-26 | 一种针对可调光圈光学系统的图像紫边校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199524B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112367465B (zh) * | 2020-10-30 | 2022-12-13 | 维沃移动通信有限公司 | 图像输出方法、装置及电子设备 |
CN112887693B (zh) * | 2021-01-12 | 2023-04-18 | 浙江大华技术股份有限公司 | 图像紫边消除方法、设备及存储介质 |
CN113709436B (zh) * | 2021-08-06 | 2024-05-07 | 维沃移动通信(杭州)有限公司 | 基于连续变焦的紫边校正方法、装置和电子设备 |
CN113905183B (zh) * | 2021-08-25 | 2024-04-16 | 珠海全志科技股份有限公司 | 宽动态范围图像的色差校正方法及装置 |
CN113850738B (zh) * | 2021-09-24 | 2024-03-29 | 上海富瀚微电子股份有限公司 | 图像紫边的校正装置及方法 |
CN114511461A (zh) * | 2022-02-10 | 2022-05-17 | 上海闻泰信息技术有限公司 | 图像处理方法、电子设备以及计算机可读存储介质 |
CN114782261B (zh) * | 2022-03-28 | 2024-09-17 | 北京有竹居网络技术有限公司 | 图像处理方法和装置、电子设备和可读存储介质 |
CN114581344B (zh) * | 2022-05-09 | 2022-08-12 | 浙江芯昇电子技术有限公司 | 一种视频图像紫边校正方法 |
CN114943658B (zh) * | 2022-06-09 | 2024-06-14 | 豪威科技(武汉)有限公司 | 一种基于横向色差标定的去色边方法 |
CN117714663A (zh) * | 2023-06-09 | 2024-03-15 | 荣耀终端有限公司 | 一种紫边测量分析系统和方法、存储介质、电子设备 |
CN117710274B (zh) * | 2024-02-05 | 2024-06-04 | 广东匠芯创科技有限公司 | 图像紫边校正方法、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006135744A (ja) * | 2004-11-08 | 2006-05-25 | Sony Corp | 画像処理装置、および画像処理方法、並びにコンピュータ・プログラム |
CN1806449A (zh) * | 2004-05-27 | 2006-07-19 | 索尼株式会社 | 图像处理设备、图像处理方法和计算机程序 |
WO2009095422A2 (en) * | 2008-01-28 | 2009-08-06 | Fotonation Ireland Limited | Methods and apparatuses for addressing chromatic aberrations and purple fringing |
JP2009284009A (ja) * | 2008-05-19 | 2009-12-03 | Canon Inc | 画像処理装置、撮像装置及び画像処理方法 |
JP2011211329A (ja) * | 2010-03-29 | 2011-10-20 | Fujifilm Corp | 撮像装置およびその制御方法,ならびに画像処理装置,その制御方法,および画像処理プログラム |
JP2017183813A (ja) * | 2016-03-28 | 2017-10-05 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
CN109862332A (zh) * | 2017-11-30 | 2019-06-07 | 安讯士有限公司 | 用于检测并减小彩色边纹效应的方法、装置和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4479457B2 (ja) * | 2004-05-27 | 2010-06-09 | ソニー株式会社 | 画像処理装置、および画像処理方法、並びにコンピュータ・プログラム |
-
2019
- 2019-12-26 CN CN201911366899.8A patent/CN111199524B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1806449A (zh) * | 2004-05-27 | 2006-07-19 | 索尼株式会社 | 图像处理设备、图像处理方法和计算机程序 |
JP2006135744A (ja) * | 2004-11-08 | 2006-05-25 | Sony Corp | 画像処理装置、および画像処理方法、並びにコンピュータ・プログラム |
WO2009095422A2 (en) * | 2008-01-28 | 2009-08-06 | Fotonation Ireland Limited | Methods and apparatuses for addressing chromatic aberrations and purple fringing |
JP2009284009A (ja) * | 2008-05-19 | 2009-12-03 | Canon Inc | 画像処理装置、撮像装置及び画像処理方法 |
JP2011211329A (ja) * | 2010-03-29 | 2011-10-20 | Fujifilm Corp | 撮像装置およびその制御方法,ならびに画像処理装置,その制御方法,および画像処理プログラム |
JP2017183813A (ja) * | 2016-03-28 | 2017-10-05 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
CN109862332A (zh) * | 2017-11-30 | 2019-06-07 | 安讯士有限公司 | 用于检测并减小彩色边纹效应的方法、装置和系统 |
Non-Patent Citations (1)
Title |
---|
张素文 ; 陈娟 ; .基于非负矩阵分解和红外特征的图像融合方法.2008,(08),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111199524A (zh) | 2020-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199524B (zh) | 一种针对可调光圈光学系统的图像紫边校正方法 | |
US10666873B2 (en) | Exposure-related intensity transformation | |
CN110023810B (zh) | 光学系统像差的数字校正 | |
CN108492262B (zh) | 一种基于梯度结构相似性的无鬼影高动态范围成像方法 | |
JP5458905B2 (ja) | 画像におけるシャドーの検知装置および検知方法 | |
KR101340518B1 (ko) | 영상의 색수차 보정 방법 및 장치 | |
US8135184B2 (en) | Method and apparatus for detection and correction of multiple image defects within digital images using preview or other reference images | |
JP5389903B2 (ja) | 最適映像選択 | |
US7953250B2 (en) | Method and apparatus for red-eye detection in an acquired digital image | |
CN110930301B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
US20060093238A1 (en) | Method and apparatus for red-eye detection in an acquired digital image using face recognition | |
CN109903294B (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
JP2010045613A (ja) | 画像識別方法および撮像装置 | |
CN102082912A (zh) | 图像拍摄装置及图像处理方法 | |
CN114862698B (zh) | 一种基于通道引导的真实过曝光图像校正方法与装置 | |
CN112785572B (zh) | 图像质量评估方法、装置以及计算机可读存储介质 | |
CN111192241A (zh) | 一种人脸图像的质量评估方法、装置及计算机存储介质 | |
CN115660990A (zh) | 基于亮度分类的内窥镜图像镜面反射检测与修复方法 | |
CN114202491A (zh) | 一种增强光学图像的方法及系统 | |
JP6375138B2 (ja) | パープルフリンジ除去処理方法及びその処理を遂行するパープルフリンジ除去処理装置 | |
CN116883868A (zh) | 基于自适应图像去雾的无人机智能巡航检测方法 | |
CN113313707B (zh) | 原始图像处理方法、装置、设备及可读存储介质 | |
CN114359183A (zh) | 图像质量评估方法及设备、镜头遮挡的确定方法 | |
CN114581344B (zh) | 一种视频图像紫边校正方法 | |
CN117974475B (zh) | 四维超声内镜观测下病灶影像融合方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |