CN111539893A - 一种基于导向滤波的Bayer图像联合去马赛克去噪方法 - Google Patents

一种基于导向滤波的Bayer图像联合去马赛克去噪方法 Download PDF

Info

Publication number
CN111539893A
CN111539893A CN202010349341.5A CN202010349341A CN111539893A CN 111539893 A CN111539893 A CN 111539893A CN 202010349341 A CN202010349341 A CN 202010349341A CN 111539893 A CN111539893 A CN 111539893A
Authority
CN
China
Prior art keywords
image
bayer image
bayer
filtering
denoising
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
Application number
CN202010349341.5A
Other languages
English (en)
Inventor
汪彦刚
黄新俊
杨晨彬
张开兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tuge Medical Technology Co ltd
Original Assignee
Nanjing Tuge Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Tuge Medical Technology Co ltd filed Critical Nanjing Tuge Medical Technology Co ltd
Priority to CN202010349341.5A priority Critical patent/CN111539893A/zh
Publication of CN111539893A publication Critical patent/CN111539893A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Color Television Image Signal Generators (AREA)

Abstract

本发明公开了一种基于导向滤波的Bayer图像联合去马赛克去噪方法，包括对Bayer图像去噪，提高Bayer图像的信噪比；对去噪后的Bayer图像去马赛克，提升图像质量。本发明在去马赛克之前对图像进行去噪，能够很好的恢复传感器所获得的含噪Bayer图像的颜色信息，有效抑制传感器获取图像过程中引入的噪声，减少不自然颜色的出现，提高彩色图像的视觉效果；本发明使用简单的导向滤波实现。在处理图像时，只需要缓存滤波窗口所在行数据既可以完成运算，便于流水线运算结构的硬件实现，可以达到图像的实时处理。在取得较好的Bayer图像去马赛克去噪效果的同时，满足实时性的要求。

Description

一种基于导向滤波的Bayer图像联合去马赛克去噪方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于导向滤波的Bayer图像联合去马赛克去噪方法。
背景技术
对于一幅彩色图像，其中的每一个像素通常包含红(R)、绿(G)、蓝(B)三种颜色通道，因此，在传感器采集图像数据时需要同时采集三个通道的图像信息。然而对于CMOS或者CCD的感光元件来说，每一个像素位置处只能得到一个颜色值，这就需要同时使用三个传感器分别来采集每个颜色通道的信息才能获得一幅颜色正确的彩色图像。这种成像方式成本较高，体积较大，元件制作工艺复杂，在实际中较少使用。
出于成本和硬件方面的原因，常用的传感器一般都采用单个CMOS或CCD，并在其滤镜上覆盖一层彩色滤波阵列(Color filter array，CFA)对图像信息进行采集，使得每个像素点只能获取R、G、B中某一通道的颜色信息。使用不同排列顺序的彩色滤波阵列可以得到不同的阵列图像，其中最常用的是Bayer格式阵列，彩色滤波阵列排列如图1所示。Bayer阵列的明显特征是红色和蓝色像素点的个数占25％，而绿色像素值的个数占50％，而且每一个红色或者绿色像素点周围都是四个绿色像素点。
经过Bayer阵列得到的Bayer格式图像如图2所示，由于每个像素处只有单通道颜色值，且RGB不连续，若将其作为灰度值输出，可以看到有明显的马赛克现象。将马赛克图像经过一定的算法处理使其恢复出每个通道上缺失的像素值，然后将三个通道图像合成一副完整的彩色图像的过程叫做去马赛克(demosaicing)。一般去马赛克算法均通过插值的方法将每个像素点中丢失的两个其它通道颜色值补回来。
同时，在传感器采集图像数据的时候，非常容易引入很多噪声，受噪声影响，最终成像效果较差，因此，有效的去除噪声是非常关键的一步。常见的噪声类型有随机噪声、量化噪声。按照噪声的频率分布和信号特征，又可以将噪声分为高斯噪声、脉冲噪声等。常见的去噪算法一般分为空间域滤波和变换域滤波。
综上所述，由图像传感器得到的图像必须要经过去马赛克和去噪处理，而好的去马赛克和去噪算法在数字成像过程中非常重要。而如果要通过去马赛克算法得到真实的彩色图像结果，就需要对Bayer图像根据周围其他像素点的值来对当前像素点缺失的通道做插值来得到像素点的完整RGB值。同时，由于图像传感器在数据采集过程中会引入噪声，而在插值的过程中又会进一步将噪声扩散至RGB各个通道之中，难以完全去除。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于导向滤波的Bayer图像联合去马赛克去噪方法，首先对Bayer图像做去噪，通过图像去噪来提高Bayer图像的信噪比；然后再对图像去马赛克，从而减少噪声对此过程的影响，提升处理后的图像质量。
为实现上述技术目的，本发明采取的技术方案为：
一种基于导向滤波的Bayer图像联合去马赛克去噪方法，包括：
步骤1：对Bayer图像去噪，提高Bayer图像的信噪比；
步骤2：对去噪后的Bayer图像去马赛克，提升图像质量。
为优化上述技术方案，采取的具体措施还包括：
上述的步骤1使用导向滤波的方法来实现Bayer图像的去噪，包括：
步骤1.1：从完整的原始Bayer图像中按照其排列顺序将RGB各个通道值分别取出，得到R、G、B三幅子图像；
步骤1.2：每个子图像同时以自身作为输入图和导向图，进行导向滤波去噪；
步骤1.3：将R、G、B三幅子图像经过导向滤波去噪后进行组合，得到新的去噪后的Bayer图像，完成图像去噪。
上述的步骤2基于导向滤波的残差插值方法来上采样出RGB各个通道缺失的颜色值，实现Bayer图像去马赛克，恢复彩色图像，包括：
步骤2.1：对去噪后Bayer图像中的绿色通道做插值计算来补充红色、蓝色像素点处的绿色通道颜色值，从而得到一张完整的G通道图像，以此图像作为导向图；
步骤2.2：从去噪后的Bayer图像中分解出G、R、B三幅子图像作为输入图像，分别进行导向滤波上采样，得到缺失像素处的初始估计值；
步骤2.3：对初始估计值做残差插值，得到完整的R、G、B三通道图像，完整的R、G、B三通道图像合并后即得到完整的高质量彩色图像，实现Bayer图像的去马赛克。
上述的步骤2.1，所述对去噪后Bayer图像中的绿色通道做插值计算来补充红色、蓝色像素点处的绿色通道颜色值，从而得到一张完整的G通道图像，具体过程如下：
对去噪后的Bayer图像建立坐标系XOY，设某一位置坐标为(i，j)，若该坐标在红色像素点处，则以r(i，j)表示该位置处原有的R颜色值，以Gr(i，j)表示在该处通过插值得到的G颜色值，同理，定义g(i，j)、b(i，j)分别表示坐标在绿色、蓝色像素点处的G、B颜色值，定义Gb(i，j)表示在蓝色像素点处通过插值得到的G颜色值；
Gr(i，j)和Gb(i，j)通过下式得到：
Gr(i，j)＝(2*(g(i-1，j)+g(i+1，j)+g(i，j-1)+g(i，j+1))+4*r(i，j)-r(i-2，j)
-r(i+2，j)-r(i+2，j))/8
Gb(i，j)＝(2*(g(i-1，j)+g(i+1，j)+g(i，j-1)+g(i，j+1))+4*b(i，j)-b(i-2，j)
-b(i+2，j)-b(i+2，j))/8。
上述的步骤1.2及步骤2.2，所述导向滤波过程为：
步骤a：对图像建立坐标系XOY，设某一位置坐标为(i，j)；
步骤b：定义导向图像为I，输入图像为P，其中I＝P；输出图像为Q；
步骤c：选择一个大小为k×k的滤波窗口，其半径为r，r＝(k-1)/2，中心点坐标为(x0，y0)；
步骤d：分别计算I的均值Mean(I)，输入图P的均值Mean(P)，I×P的均值Mean(IP)，I×I的均值Mean(II)；
步骤e：计算导向图I的方差Var(I)，以及导向图I与输入图P之间的协方差Cov(I，P)，进而得到输出图像Q(i，j)。
上述的步骤d中，因为I＝P，所以：
Figure BDA0002471389340000031
Figure BDA0002471389340000032
上述的步骤e，所述导向图I的方差Var(I)，以及导向图I与输入图P之间的协方差Cov(I，P)计算公式为：
Var(I)＝Mean(II)-Mean(I)×Mean(I)
Cov(I，P)＝Mean(II)-Mean(I)×Mean(P)
所述输出图像Q(i，j)为：
Figure BDA0002471389340000041
其中，ε为导向滤波的参数，在导向滤波中起平滑程度控制的作用，当ε→∞时，导向滤波将退化为均值滤波，ε的值在使用中根据实际情况选择。
本发明具有以下有益效果：
1.本发明在插值之前对图像进行去噪，能够很好的恢复传感器所获得的含噪Bayer图像的颜色信息，有效抑制传感器获取图像过程中引入的噪声，减少不自然颜色的出现，提高彩色图像的视觉效果。
2.本发明使用简单的导向滤波实现。在处理图像时，只需要缓存滤波窗口所在行数据即可以完成运算，便于流水线运算结构的硬件实现，可以达到图像的实时处理。在取得较好的Bayer图像去马赛克去噪效果的同时，满足实时性的要求。
附图说明
图1是Bayer阵列排列说明；
图2是Bayer格式马赛克图像示意图；
图3是本发明方法流程图；
图4是以R分量为例的导向滤波去马赛克流程图；
图5是实施例中含有噪声的马赛克图像；
图6是实施例中去噪去马赛克后的效果图像。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
参见图3，本发明的一种基于导向滤波的Bayer图像联合去马赛克去噪方法，包括：
步骤1：对Bayer图像去噪，提高Bayer图像的信噪比；
实施例中，首先使用导向滤波的方法来实现Bayer图像的去噪，导向滤波的特性使其具有保边去噪的能力。其中最为关键的就是需要使用一张引导图来确定滤波算子的权值，借此确定图像的边缘位置，并在保留边缘信息的同时平滑掉其它区域。对于一幅灰度图像，通过将导向图设为图像自身，就可以得到边缘清晰、其它区域平滑的图像效果。
根据这个性质，针对Bayer图像的数据排列特性，需要分别对Bayer图像中RGB各个通道分开处理。因此步骤1包括：
步骤1.1：从完整的原始Bayer图像中按照其排列顺序将RGB各个通道值分别取出，得到R、G、B三幅子图像；
步骤1.2：每个子图像同时以自身作为输入图和导向图，进行导向滤波去噪；
实施例中，所述导向滤波过程为：
步骤a：对图像建立坐标系XOY，设某一位置坐标为(i，j)；
步骤b：定义导向图像为I，输入图像为P，其中I＝P；输出图像为Q；
步骤c：选择一个大小为k×k的滤波窗口，其半径为r，r＝(k-1)/2，中心点坐标为(x0，y0)；
步骤d：分别计算I的均值Mean(I)，输入图P的均值Mean(P)，I×P的均值Mean(IP)，I×I的均值Mean(II)；因为I＝P，所以：
Figure BDA0002471389340000051
Figure BDA0002471389340000052
步骤e：计算导向图I的方差Var(I)，以及导向图I与输入图P之间的协方差Cov(I，P)，进而得到输出图像Q(i，j)：
Var(I)＝Mean(II)-Mean(I)×Mean(I)
Cov(I，P)＝Mean(II)-Mean(I)×Mean(P)
所述输出图像Q(i，j)为：
Figure BDA0002471389340000053
其中，ε为导向滤波的参数，在导向滤波中起平滑程度控制的作用，当ε→∞时，导向滤波将退化为均值滤波，ε的值在使用中根据实际情况选择。
步骤1.3：将R、G、B三幅子图像经过导向滤波去噪后进行组合，得到新的去噪后的Bayer图像，完成图像去噪。
步骤2：对去噪后的Bayer图像去马赛克，提升图像质量。
实施例中，根据得到的去噪结果，需要实现Bayer图像的去马赛克来得到完整的彩色图像。本实施例基于导向滤波的残差插值方法来上采样出RGB各个通道缺失的颜色值，实现Bayer图像去马赛克，恢复彩色图像，包括：
步骤2.1：要得到一张完整无缺失的单通道图像作为导向图。由于，Bayer图像中绿色通道像素点数量是红色和蓝色像素点的两倍，包含最多的图像信息，因此本发明采用绿色通道作为导向图，具体的：
对去噪后Bayer图像中的绿色通道做插值计算来补充红色、蓝色像素点处的绿色通道颜色值，从而得到一张完整的G通道图像，以此图像作为导向图；
实施例中，步骤2.1所述对去噪后Bayer图像中的绿色通道做插值计算来补充红色、蓝色像素点处的绿色通道颜色值，从而得到一张完整的G通道图像，具体过程如下：
对去噪后的Bayer图像建立坐标系XOY，设某一位置坐标为(i，j)，若该坐标在红色像素点处，则以r(i，j)表示该位置处原有的R颜色值，以Gr(i，j)表示在该处通过插值得到的G颜色值，同理，定义g(i，j)、b(i，j)分别表示坐标在绿色、蓝色像素点处的G、B颜色值，定义Gb(i，j)表示在蓝色像素点处通过插值得到的G颜色值；
Gr(i，j)和Gb(i，j)通过下式得到：
Gr(i，j)＝(2*(g(i-1，j)+g(i+1，j)+g(i，j-1)+g(i，j+1))+4*r(i，j)-r(i-2，j)
-r(i+2，j)-r(i+2，j))/8
Gb(i，j)＝(2*(g(i-1，j)+g(i+1，j)+g(i，j-1)+g(i，j+1))+4*b(i，j)-b(i-2，j)
-b(i+2，j)-b(i+2，j))/8。
步骤2.2：从去噪后的Bayer图像中分解出G、R、B三幅子图像作为输入图像，分别进行导向滤波上采样，得到缺失像素处的初始估计值；
其中，导向滤波的过程与步骤1.2中的导向滤波过程相同。
步骤2.3：由于初始估计值存在一定的误差，并不能够直接得到最终的去马赛克结果，需要对初始估计值做残差插值来进一步减小误差，以R分量图像为例，残差插值过程参见图4。
残差插值的过程就是利用原始R分量图像与R分量的初始估计在对应像素处做差，这样就可以得到R分量原始像素位置处的残差值，再通过线性插值的方式得到其他像素处的残差值，从而得到一幅完整的R分量残差图像，再与之前得到的R分量初始估计相加即可得到完整的R分量图像。
B分量图像以同样的方式处理，可得到完整的R、G、B三通道图像，完整的R、G、B三通道图像合并后即得到完整的高质量彩色图像，实现Bayer图像的去马赛克。采用本发明方法处理得到的含有噪声的马赛克图像及去噪去马赛克后的效果图像分别参见图5和图6。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.一种基于导向滤波的Bayer图像联合去马赛克去噪方法，其特征在于，包括：
步骤1：对Bayer图像去噪，提高Bayer图像的信噪比；
步骤2：对去噪后的Bayer图像去马赛克，提升图像质量。
2.根据权利要求1所述的一种基于导向滤波的Bayer图像联合去马赛克去噪方法，其特征在于，所述步骤1使用导向滤波的方法来实现Bayer图像的去噪，包括：
步骤1.1：从完整的原始Bayer图像中按照其排列顺序将RGB各个通道值分别取出，得到R、G、B三幅子图像；
步骤1.2：每个子图像同时以自身作为输入图和导向图，进行导向滤波去噪；
步骤1.3：将R、G、B三幅子图像经过导向滤波去噪后进行组合，得到新的去噪后的Bayer图像，完成图像去噪。
3.根据权利要求2所述的一种基于导向滤波的Bayer图像联合去马赛克去噪方法，其特征在于，所述步骤2基于导向滤波的残差插值方法来上采样出RGB各个通道缺失的颜色值，实现Bayer图像去马赛克，恢复彩色图像，包括：
步骤2.1：对去噪后Bayer图像中的绿色通道做插值计算来补充红色、蓝色像素点处的绿色通道颜色值，从而得到一张完整的G通道图像，以此图像作为导向图；
步骤2.2：从去噪后的Bayer图像中分解出G、R、B三幅子图像作为输入图像，分别进行导向滤波上采样，得到缺失像素处的初始估计值；
步骤2.3：对初始估计值做残差插值，得到完整的R、G、B三通道图像，完整的R、G、B三通道图像合并后即得到完整的高质量彩色图像，实现Bayer图像的去马赛克。
4.根据权利要求3所述的一种基于导向滤波的Bayer图像联合去马赛克去噪方法，其特征在于，步骤2.1所述对去噪后Bayer图像中的绿色通道做插值计算来补充红色、蓝色像素点处的绿色通道颜色值，从而得到一张完整的G通道图像，具体过程如下：
对去噪后的Bayer图像建立坐标系XOY，设某一位置坐标为(i,j)，若该坐标在红色像素点处，则以r(i，j)表示该位置处原有的R颜色值，以Gr(i，j)表示在该处通过插值得到的G颜色值，同理，定义g(i，j)、b(i，j)分别表示坐标在绿色、蓝色像素点处的G、B颜色值，定义Gb(i，j)表示在蓝色像素点处通过插值得到的G颜色值；
Gr(i，j)和Gb(i，j)通过下式得到：
Cr(i，j)＝(2*(g(i-1，j)+g(i+1，j)+g(i，j-1)+g(i，j+1))+4*r(i，j)-r(i-2，j)-r(i+2，j)-r(i+2，j))/8
Gb(i，j)＝(2*(g(i-1，j)+g(i+1，j)+g(i，j-1)+g(i，j+1))+4*b(i，j)-b(i-2，j)-b(i+2，j)-b(i+2，j))/8。
5.根据权利要求3所述的一种基于导向滤波的Bayer图像联合去马赛克去噪方法，其特征在于，步骤1.2及步骤2.2所述导向滤波过程为：
步骤a：对图像建立坐标系XOY，设某一位置坐标为(i，j)；
步骤b：定义导向图像为I，输入图像为P，其中I＝P；输出图像为Q；
步骤c：选择一个大小为k×k的滤波窗口，其半径为r，r＝(k-1)/2，中心点坐标为(x0，y0)；
步骤d：分别计算I的均值Mean(I)，输入图P的均值Mean(P)，I×P的均值Mean(IP)，I×I的均值Mean(II)；
步骤e：计算导向图I的方差Var(I)，以及导向图I与输入图P之间的协方差Cov(I，P)，进而得到输出图像Q(i，j)。
6.根据权利要求5所述的一种基于导向滤波的Bayer图像联合去马赛克去噪方法，其特征在于，所述步骤d中，因为I＝P，所以：
Figure FDA0002471389330000021
Figure FDA0002471389330000022
7.根据权利要求5所述的一种基于导向滤波的Bayer图像联合去马赛克去噪方法，其特征在于，步骤e所述导向图I的方差Var(I)，以及导向图I与输入图P之间的协方差Cov(I，P)计算公式为：
Var(I)＝Mean(II)-Mean(I)×Mean(I)
Cov(I，P)＝Mean(II)-Mean(I)×Mean(P)
所述输出图像Q(i，j)为：
Figure FDA0002471389330000031
其中，ε为导向滤波的参数，在导向滤波中起平滑程度控制的作用，当ε→∞时，导向滤波将退化为均值滤波，ε的值在使用中根据实际情况选择。
CN202010349341.5A 2020-04-28 2020-04-28 一种基于导向滤波的Bayer图像联合去马赛克去噪方法 Pending CN111539893A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010349341.5A CN111539893A (zh) 2020-04-28 2020-04-28 一种基于导向滤波的Bayer图像联合去马赛克去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010349341.5A CN111539893A (zh) 2020-04-28 2020-04-28 一种基于导向滤波的Bayer图像联合去马赛克去噪方法

Publications (1)

Publication Number Publication Date
CN111539893A true CN111539893A (zh) 2020-08-14

Family

ID=71978979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010349341.5A Pending CN111539893A (zh) 2020-04-28 2020-04-28 一种基于导向滤波的Bayer图像联合去马赛克去噪方法

Country Status (1)

Country Link
CN (1) CN111539893A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184597A (zh) * 2020-11-05 2021-01-05 温州大学大数据与信息技术研究院 一种图像复原装置及方法
CN113240607A (zh) * 2021-05-26 2021-08-10 Oppo广东移动通信有限公司 图像去噪方法、装置、电子设备及存储介质
CN113658060A (zh) * 2021-07-27 2021-11-16 中科方寸知微(南京)科技有限公司 基于分布学习的联合去噪去马赛克方法及系统
CN113706378A (zh) * 2021-06-11 2021-11-26 西北工业大学 一种基于偏振先验的快速偏振去马赛克方法
CN114445290A (zh) * 2021-12-28 2022-05-06 中国科学技术大学 一种面向硬件的联合去噪去马赛克方法
US11869169B2 (en) 2021-08-10 2024-01-09 Samsung Electronics Co., Ltd. Adaptive sub-pixel spatial temporal interpolation for color filter array

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110317916A1 (en) * 2010-06-28 2011-12-29 The Hong Kong Polytechnic University Method and system for spatial-temporal denoising and demosaicking for noisy color filter array videos
CN102663703A (zh) * 2012-04-20 2012-09-12 西安电子科技大学 基于Treelet的Bayer型CFA图像去噪方法
CN103327220A (zh) * 2013-05-29 2013-09-25 山西绿色光电产业科学技术研究院（有限公司） 低照度Bayer图像上以绿色通道为导向的去噪方法
CN108492265A (zh) * 2018-03-16 2018-09-04 西安电子科技大学 基于gan的cfa图像去马赛克联合去噪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110317916A1 (en) * 2010-06-28 2011-12-29 The Hong Kong Polytechnic University Method and system for spatial-temporal denoising and demosaicking for noisy color filter array videos
CN102663703A (zh) * 2012-04-20 2012-09-12 西安电子科技大学 基于Treelet的Bayer型CFA图像去噪方法
CN103327220A (zh) * 2013-05-29 2013-09-25 山西绿色光电产业科学技术研究院（有限公司） 低照度Bayer图像上以绿色通道为导向的去噪方法
CN108492265A (zh) * 2018-03-16 2018-09-04 西安电子科技大学 基于gan的cfa图像去马赛克联合去噪方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184597A (zh) * 2020-11-05 2021-01-05 温州大学大数据与信息技术研究院 一种图像复原装置及方法
CN113240607A (zh) * 2021-05-26 2021-08-10 Oppo广东移动通信有限公司 图像去噪方法、装置、电子设备及存储介质
CN113706378A (zh) * 2021-06-11 2021-11-26 西北工业大学 一种基于偏振先验的快速偏振去马赛克方法
CN113706378B (zh) * 2021-06-11 2024-02-13 西北工业大学 一种基于偏振先验的快速偏振去马赛克方法
CN113658060A (zh) * 2021-07-27 2021-11-16 中科方寸知微(南京)科技有限公司 基于分布学习的联合去噪去马赛克方法及系统
US11869169B2 (en) 2021-08-10 2024-01-09 Samsung Electronics Co., Ltd. Adaptive sub-pixel spatial temporal interpolation for color filter array
CN114445290A (zh) * 2021-12-28 2022-05-06 中国科学技术大学 一种面向硬件的联合去噪去马赛克方法
CN114445290B (zh) * 2021-12-28 2024-04-02 中国科学技术大学 一种面向硬件的联合去噪去马赛克方法

Similar Documents

Publication Publication Date Title
CN111539893A (zh) 一种基于导向滤波的Bayer图像联合去马赛克去噪方法
Zhang et al. Color demosaicking via directional linear minimum mean square-error estimation
US11625815B2 (en) Image processor and method
JP4352371B2 (ja) 適応モザイク減少法を実装するディジタル画像処理方法
JP7182907B2 (ja) カメラの画像データ処理方法およびカメラ
US20080253652A1 (en) Method of demosaicing a digital mosaiced image
CN109889800B (zh) 图像增强方法和装置、电子设备、存储介质
CN110730336B (zh) 一种去马赛克方法及装置
CN111510691B (zh) 颜色插值方法及装置、设备、存储介质
CN111784603A (zh) 一种raw域图像去噪方法、计算机装置及计算机可读存储介质
CN110852953B (zh) 图像插值方法及装置、存储介质、图像信号处理器、终端
CN110517206B (zh) 彩色摩尔纹消除方法及装置
CN109302593A (zh) 一种面向单传感器相机成像系统的去马赛克算法
US20220005159A1 (en) Noise estimation
CN112927135A (zh) 一种基于边缘感知的偏振图像插值方法
Yamaguchi et al. Image demosaicking via chrominance images with parallel convolutional neural networks
Gevrekci et al. POCS-based restoration of Bayer-sampled image sequences
Buades et al. Joint denoising and demosaicking of raw video sequences
CN110139087B (zh) 一种基于拜耳排布的图像处理方法
Malleson et al. Joint Demosaicing and Chromatic Aberration Correction of Images Using Neural Networks.
CN115272135B (zh) 一种单帧图片降噪并消除图片伪彩的方法
Saito et al. Demosaicing method using the extended color total-variation regularization
Peng et al. The color demosaicing and image scaling based on improve Hamilton-Adams
Jain et al. Study of PCA-Based Adaptive Denoising of CFA Images for Single-Sensor Digital Cameras
John et al. Combined denoising and demosaicing of CFA images

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