CN112767290B - 图像融合方法、图像融合装置、存储介质与终端设备 - Google Patents

图像融合方法、图像融合装置、存储介质与终端设备 Download PDF

Info

Publication number
CN112767290B
CN112767290B CN201911057665.5A CN201911057665A CN112767290B CN 112767290 B CN112767290 B CN 112767290B CN 201911057665 A CN201911057665 A CN 201911057665A CN 112767290 B CN112767290 B CN 112767290B
Authority
CN
China
Prior art keywords
image
resolution
sub
term
constraint
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
Application number
CN201911057665.5A
Other languages
English (en)
Other versions
CN112767290A (zh
Inventor
陈曦
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.)
Realme Chongqing Mobile Communications Co Ltd
Original Assignee
Realme Chongqing Mobile Communications 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 Realme Chongqing Mobile Communications Co Ltd filed Critical Realme Chongqing Mobile Communications Co Ltd
Priority to CN201911057665.5A priority Critical patent/CN112767290B/zh
Priority to PCT/CN2020/122679 priority patent/WO2021083020A1/zh
Publication of CN112767290A publication Critical patent/CN112767290A/zh
Application granted granted Critical
Publication of CN112767290B publication Critical patent/CN112767290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4015—Image demosaicing, e.g. colour filter arrays [CFA] or Bayer patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本公开提供了一种图像融合方法、图像融合装置、存储介质与终端设备，涉及图像处理技术领域。所述方法应用于具备图像传感器的终端设备，所述方法包括：获取由所述图像传感器采集的第一图像和第二图像，所述第一图像为第一分辨率，所述第二图像为第二分辨率，所述第一分辨率高于所述第二分辨率；从所述第一图像提取边缘特征图像；将所述第二图像进行超分辨率重建，得到与所述第一分辨率相同的第三图像；将所述边缘特征图像和所述第三图像进行融合，得到最终图像。本公开可以解决高像素图像噪点多的问题，提高图像拍摄的质量。

Description

图像融合方法、图像融合装置、存储介质与终端设备
技术领域
本公开涉及图像处理技术领域，尤其涉及一种图像融合方法、图像融合装置、计算机可读存储介质与终端设备。
背景技术
图像噪点(或噪声)是指被拍摄物体本身没有、但图像中出现的亮度或颜色信息，一般是由图像传感器或信号传输电路产生的。目前，提高图像传感器的像素是业界普遍的发展方向，例如手机上通常采用百万甚至千万级别像素的图像传感器，可以支持拍摄出超高清的照片。
然而，随着像素的提高，图像传感器上单个像素的感光面积减小，拍照时对于光照的要求更高。例如在弱光照环境中，图像传感器上的感光元件更易受到串扰，导致输入信号的信噪比不足，最终输出的图片噪点过多，质量较差。
因此，如何在提高像素的同时有效改善噪点的问题，是目前亟待解决的问题。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此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
本公开提供了一种图像融合方法、图像融合装置、计算机可读存储介质与终端设备，进而至少在一定程度上改善现有的高像素图片中噪点较高的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供一种图像融合方法，应用于具备图像传感器的终端设备，所述方法包括：获取由所述图像传感器采集的第一图像和第二图像，所述第一图像为第一分辨率，所述第二图像为第二分辨率，所述第一分辨率高于所述第二分辨率；从所述第一图像提取边缘特征图像；将所述第二图像进行超分辨率重建，得到与所述第一分辨率相同的第三图像；将所述边缘特征图像和所述第三图像进行融合，得到最终图像。
根据本公开的第二方面，提供一种图像融合装置，配置于具备图像传感器的终端设备，所述装置包括：图像获取模块，用于获取由所述图像传感器采集的第一图像和第二图像，所述第一图像为第一分辨率，所述第二图像为第二分辨率，所述第一分辨率高于所述第二分辨率；边缘提取模块，用于从所述第一图像提取边缘特征图像；图像重建模块，用于将所述第二图像进行超分辨率重建，得到与所述第一分辨率相同的第三图像；融合处理模块，用于将所述边缘特征图像和所述第三图像进行融合，得到最终图像。
根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述图像融合方法。
根据本公开的第四方面，提供一种终端设备，包括：处理器；存储器，用于存储所述处理器的可执行指令；以及图像传感器；其中，所述处理器配置为经由执行所述可执行指令来执行上述图像融合方法。
本公开的技术方案具有以下有益效果：
根据上述图像融合方法、图像融合装置、存储介质和终端设备，采集相对高分辨率的第一图像和相对低分辨率的第二图像，从第一图像提取边缘特征图像，将第二图像超分辨率重建为第三图像，使第三图像和第一图像的分辨率相同，最后融合缘特征图像和第三图像，得到最终图像。其中，第一图像的分辨率较高，但噪点可能较多，通过边缘特征提取，保留了图像中原有的细节信息；第二图像分辨率较低，但噪点一般较少，通过超分辨率重建为第三图像后，第三图像的噪点较少，但在细节上可能存在失真；将两部分图像融合后，相当于在低噪点的图像中融入了原有的图像细节信息，可以实现第一图像和第二图像各自优势的互补，解决高像素图像噪点多的问题，提高图像拍摄的质量。
在本公开的一些实施方式中，通过四拜耳图像传感器采集图像信号得到原始拜耳图像，再基于不同的算法处理得到第一图像和第二图像，整个过程依赖于一个图像传感器(即单摄像头)即可实现，无需硬件方面的改进，具有较高的实用性。
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和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施方式，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施方式，对于本领域普通技术人员来讲，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示出本示例性实施方式中一种图像融合方法的流程图；
图2示出本示例性实施方式中滤色阵列的示意图；
图3示出本示例性实施方式中一种图像融合方法的子流程图；
图4示出本示例性实施方式中获得第一图像的示意图；
图5示出本示例性实施方式中获得第二图像的示意图；
图6示出本示例性实施方式中另一种图像融合方法的子流程图；
图7示出本示例性实施方式中获得梯度差分图像的示意图；
图8示出本示例性实施方式中再一种图像融合方法的子流程图；
图9示出本示例性实施方式中一种图像融合流程的示意图；
图10示出本示例性实施方式中一种图像融合装置的结构框图；
图11示出本示例性实施方式中一种用于实现上述方法的计算机可读存储介质；
图12示出本示例性实施方式中一种用于实现上述方法的终端设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。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方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述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技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。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。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。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。
相关技术中，通常在光照不足时主动降低拍照的分辨率，以增加感光量，降低噪点。但是这样是以损失分辨率为代价，无法发挥出图像传感器本身高像素的优势。
鉴于上述一个或多个问题，本公开的示例性实施方式提供一种图像融合方法，可以应用于手机、平板电脑、数码相机等终端设备。该终端设备配置有图像传感器，可用于采集图像。
图1示出了本示例性实施方式的一种流程，可以包括以下步骤S110至S140：
步骤S110，获取由图像传感器采集的第一图像和第二图像。
其中，第一图像和第二图像所拍摄的对象相同，即图像内容相同，不同之处在于图像分辨率，第一图像为第一分辨率，第二图像为第二分辨率，第一分辨率高于第二分辨率，即第一图像比第二图像的像素数更多。
在一种实施方式中，上述图像传感器可以是四拜耳(Quad Bayer)图像传感器，四拜耳图像传感器是指采用四拜耳滤色阵列的图像传感器。参考图2所示，左图示出了标准拜耳滤色阵列，其滤光片的单元阵列排布为GRBG(或BGGR、GBRG、RGGB)，大部分图像传感器采用标准拜耳滤色阵列；图2中右图示出了四拜耳滤色阵列，其滤光片的单元阵列中相邻四个单元为相同颜色，目前一部分高像素的图像传感器采用四拜耳滤色阵列。基于此，参考图3所示，步骤S110可以具体通过以下步骤S310至S330实现：
步骤S310，通过四拜耳图像传感器采集基于四拜耳滤色阵列的原始拜耳图像。
其中，拜耳图像是指RAW格式的图像，是图像传感器将采集到的光信号转化为数字信号后的图像数据，在拜耳图像中，每个像素点只有RGB中的一种颜色。本示例性实施方式中，利用四拜耳图像传感器采集图像后，得到的原始图像数据即上述原始拜耳图像，该图像中像素的颜色排列如图2中右图所示，相邻四个像素为相同颜色。
步骤S320，对原始拜耳图像进行解马赛克处理和去马赛克处理，得到第一图像。
其中，第一图像为第一分辨率；解马赛克处理(Remosaic)是指将基于四拜耳滤色阵列的原始拜耳图像融合为基于标准拜耳滤色阵列的拜耳图像；去马赛克处理(Demosaic)是指将拜耳图像融合为完整的RGB图像。结合图4所示，可以对原始拜耳图像P进行解马赛克处理，得到基于标准拜耳滤色阵列的拜耳图像Q1；再对基于标准拜耳滤色阵列的拜耳图像Q1进行去马赛克处理，得到RGB格式的第一图像IMG1。解马赛克和去马赛克可以通过不同的插值算法实现，也可以通过神经网络等其他相关算法实现，本公开对此不做限定。终端设备中通常配置和图像传感器配套的ISP(Image Signal Processing，图像信号处理)单元，以执行上述解马赛克和去马赛克处理过程。第一图像IMG1的每个像素都具有RGB三个通道的像素值，以C表示。此外，也可以将解马赛克和去马赛克的处理过程合并为一次插值过程，即基于原始拜耳图像中的像素数据，直接对每个像素点进行插值，以得到缺失的颜色通道的像素值，例如可以采用线性插值、均值插值等算法实现，从而获得第一图像。
步骤S330，将原始拜耳图像中四个相邻的同颜色像素合并为一个像素，并对合并像素后的拜耳图像进行去马赛克处理，得到第二图像。
第二图像为第二分辨率。可以参考图5所示，首先对原始拜耳图像P进行像素“四合一”处理，即把2*2个单元内的同颜色像素合并为一个像素，合并像素后的拜耳图像Q2也是基于标准拜耳滤色阵列的排布，相比于图4中的Q1，Q2的像素减少为1/4，同时每个像素的面积增大为4倍，这样每个像素的进光量增大；再对Q2进行去马赛克处理，得到RGB格式的第二图像IMG2。可见，第一分辨率为第二分辨率的四倍。
在另一种实施方式中，终端设备可以配置两个不同像素的图像传感器，例如目前很多手机配置有双摄像头。其中，像素较高的图像传感器用于拍摄第一图像，像素较低的图像传感器用于拍摄第二图像。由于两图像传感器的图像采集过程是在一次拍摄中完成的，其曝光的程度是相近的，因此第一图像的分辨率更高，但受到感光量的影响，其噪点可能更多，第二图像反之。
步骤S120，从第一图像提取边缘特征图像。
其中，边缘特征是指图像中特性(如图像纹理、像素灰度)分布不连续的位置所具有的特征。高分辨率图像和低分辨率图像相比，一个重要区别就在于高分辨率图像具有更加丰富的边缘特征。本示例性实施方式通过从具有第一分辨率的第一图像中提取边缘特征图像，将图像中的细节信息保留下来。
在一种可选的实施方式中，参考图6所示，步骤S120可以具体通过以下步骤S610至S630实现：
步骤S610，采用傅里叶变换对第一图像构建噪声分离函数，以得到去噪约束项；
步骤S620，根据第一图像在x方向和y方向上的灰度梯度差分，构建差分约束项；
步骤S630，根据去噪约束项和差分约束项建立约束函数，通过求解约束函数的最小值，得到第一图像对应的边缘特征图像。
其中，第一图像本身携带一定的噪声信息(噪点)，体现为边缘特征的一部分，在提取边缘特征时，希望降低噪声的影响。一般无噪声图像是稀疏相似的，即可以用较少的参数或特征向量等表示，而噪声是无规律、无相似性、非稀疏的，利用这种特性，可以构建噪声分离函数，得到边缘提取中的去噪约束项：
R(noise)＝||FHDF(IMGE-IMG1)||； (1)
其中，R(noise)表示去噪约束项，F表示矩阵傅里叶变换算子，H表示共轭转置，D表示变换域，IMGE表示边缘特征图像(自变量)，IMG1表示第一图像。由于噪声的能量较小，梯度较为纯净，通过公式(1)可以实现较好的去噪效果。
在二维图像中，x方向和y方向分别表示横向和纵向。第一图像本身的边缘特征包含了这两个方向上的分量。由此，通过计算其在x方向和y方向上的灰度梯度差分，可以构建差分约束项：
R(diff)＝a1||GxIMGE||+a2||GyIMGE||； (2)
其中，R(diff)表示差分约束项，a1和a2为两部分的系数，表示各自的权重，为可调参数，可以根据经验和实际需求调值，Gx和Gy分别表示x方向和y方向上的差分算子。
将公式(1)和公式(2)相加，可以建立约束函数，用于表示在边缘特征提取时满足约束条件。通过求解约束函数的最小值，可以得到第一图像对应的边缘特征图像。如下所示：
Figure BDA0002256954150000071
其中，
Figure BDA0002256954150000072
为第一子约束项，为噪声分离函数的L2范数；||GxIMGE||1为第二子约束项，为第一图像在x方向上的灰度梯度差分的L1范数；||GyIMGE||1为第三子约束项，为第一图像在y方向上的灰度梯度差分的L1范数；通过设置a1和a2的值，可以调节三部分子约束项的权重比例，满足实际需求。方程(3)可以通过迭代求解，当约束函数达到收敛条件时，得到对应的边缘特征图像。
进一步的，在提取边缘特征之前，参考图7所示，可以先对第一图像做灰度处理，例如可以通过去均值的归一化处理将第一图像的像素值全部映射到[-127,+127]的范围内，以转化为标准灰度图像，再分别获取灰度图像在x方向与y方向上的梯度差分图像，用于在后续的边缘特征提取时计算差分算子。此外，也可以先将x方向与y方向上的梯度差分图像合成，以得到综合了两个方向的梯度差分图像，再进行差分约束，则可以通过一个子约束项实现差分约束。
步骤S130，将第二图像进行超分辨率重建，得到与第一分辨率相同的第三图像。
其中，超分辨率重建是指通过插值等方式，从低分辨率图像中重建出高分辨率图像。
在一种可选的实施方式中，图像传感器在采集图像时，可以采集连续多帧的第二图像。然后以第一分辨率为基准，采用超分辨率重建算法对连续多帧的第二图像进行处理，得到与第一分辨率相同的第三图像。在多帧第二图像中，对相同的对象连续采集图像，图像中的各个目标在位置上具有微小的偏差，超分辨率重建算法可以基于该偏差中的信息，重建出细节图像。举例而言，可以选取其中一帧第二图像为参考帧，计算其他帧第二图像和参考帧之间的运动变化参数，采用梯度图像的模板匹配对齐算法或基于特征算子的对齐算法等将多帧第二图像进行图像配准；然后将多帧图像之间的互补非冗余信息进行处理，确定插值参数；通过该插值参数对参考帧进行插值，得到第一分辨率的图像；再进行去除模糊和噪声等后处理，得到第三图像；或者，根据第二图像的帧数训练一个多通道输入的卷积神经网络模型，每个通道用于输入一帧低分辨率图像，模型的输出为原高分辨率图像，这样将多帧第二图像输入模型后，可以输出对应的第三图像。本公开对于具体采用哪种超分辨率重建算法不做限定。
步骤S140，将边缘特征图像和第三图像进行融合，得到最终图像。
其中，在融合边缘特征图像和第三图像时，主要通过边缘特征图像增强第三图像中的边缘细节，将第一图像中较为丰富的高分辨率细节信息融入第三图像中。
在一种实施方式中，参考图8所示，步骤S140可以具体通过以下步骤S810至S840实现：
步骤S810，定义最终图像的自变量；
步骤S820，根据第三图像和自变量之差，构建第一子损失项；
步骤S830，根据边缘特征图像和自变量在x方向上的灰度梯度差分之差，构建第二子损失项，以及根据边缘特征图像和自变量在y方向上的灰度梯度差分之差，构建第三子损失项；
步骤S840，根据第一子损失项、第二子损失项和第三子损失项建立损失函数，通过求解损失函数的最小值，得到最终图像。
其中，损失函数可以如下所示：
Figure BDA0002256954150000091
其中，IMGF表示最终图像(自变量)，IMG3表示第三图像。
Figure BDA0002256954150000092
为第一子损失项，是对第三图像和最终图像之差的度量，可以采用L2范数，也可以采用其他方式；||GxIMGF-IMGE||1为第二子损失项，是对最终图像在x方向上的灰度梯度差分和边缘特征图像之差的度量，可以采用L1范数，也可以采用其他方式；||GyIMGF-IMGE||1为第三子损失项，是对最终图像在y方向上的灰度梯度差分和边缘特征图像之差的度量，可以采用L1范数，也可以采用其他方式；a3和a4为第二子损失项和第三子损失项的系数，表示各自的权重，为可调参数，可以根据经验和实际需求调值，以调节三部分子损失项的权重比例。
上述损失函数实际上表达了在图像融合中，和原图像内容之间的误差。通过求解损失函数的最小值，可以最大程度的保留原图像信息，得到还原度最高的最终图像。
在另一种实施方式中，融合第三图像和边缘特征图像时，对于每个像素点，若边缘特征图像中该像素点的灰度值为0，则采用第三图像中的像素值，若灰度值不为0，则采用边缘特征图像中的像素值，这样也能够将边缘特征的信息融入到第三图像中，以重建细节特征。
在得到最终图像后，可以直接输出，例如显示在用户界面中，或者自动保存到相应的文件夹中。
在一种可选的实施方式中，可以预先根据当前曝光参数确定第一分辨率和第二分辨率。当前曝光参数可以包括当前的感光参数、快门参数(拍摄时间)以及周围环境的光照参数等，系统根据当前曝光参数可以对拍照时的进光量进行估计，以确定合适的第一分辨率和第二分辨率。
下面提供几个具体实施方式：
1、固定第一分辨率和第二分辨率的倍数关系，例如第一分辨率始终是第二分辨率的4倍，则在确定两个分辨率时，仅需要计算合适的第二分辨率。可以根据经验预先配置当前曝光参数和第二分辨率的计算关系，例如可以是线性比例关系，当前曝光参数越高时，第二分辨率越大，进而再计算第二分辨率。
2、同样可以预先配置当前曝光参数和第二分辨率的计算关系，将第一分辨率固定设置为图像传感器的最大像素，实际拍摄时根据当前曝光参数计算第二分辨率，仅调整第二分辨率即可。
3、根据当前曝光参数计算多组合适的第一分辨率和第二分辨率，在拍摄界面上显示，以供用户手动选择。该方式特别适用于光照不稳定的环境中。
通过上述方式确定第一分辨率和第二分辨率，适应于当前的光照条件以及曝光设置等，可以提高图像拍摄的质量。
图9示出了本示例性实施方式的流程：首先采集第一图像IMG1和多帧第二图像IMG2；从IMG1分别提取x方向和y方向上的梯度差分图像，在通过约束函数的计算，提取边缘特征图像IMGE；利用IMG2进行超分辨率重建，得到第三图像IMG3，IMG3和IMG1的分辨率相同，因此和IMGE的分辨率也相同；最后将IMG3和IMGE进行融合，通过建立损失函数并求解最小值，得到最终图像IMGF。
综上所述，本示例性实施方式中，采集相对高分辨率的第一图像和相对低分辨率的第二图像，从第一图像提取边缘特征图像，将第二图像超分辨率重建为第三图像，使第三图像和第一图像的分辨率相同，最后融合缘特征图像和第三图像，得到最终图像。其中，第一图像的分辨率较高，但噪点可能较多，通过边缘特征提取，保留了图像中原有的细节信息；第二图像分辨率较低，但噪点一般较少，通过超分辨率重建为第三图像后，第三图像的噪点较少，但在细节上可能存在失真；将两部分图像融合后，相当于在低噪点的图像中融入了原有的图像细节信息，可以实现第一图像和第二图像各自优势的互补，解决高像素图像噪点多的问题，提高图像拍摄的质量。
本公开的示例性实施方式还提供了一种图像融合装置，可以配置于具备图像传感器的终端设备。参考图10所示，该图像融合装置1000可以包括：图像获取模块1010，用于获取由图像传感器采集的第一图像和第二图像，第一图像为第一分辨率，第二图像为第二分辨率，第一分辨率高于第二分辨率；边缘提取模块1020，用于从第一图像提取边缘特征图像；图像重建模块1030，用于将第二图像进行超分辨率重建，得到与第一分辨率相同的第三图像；融合处理模块1040，用于将边缘特征图像和第三图像进行融合，得到最终图像。
在一种可选的实施方式中，上述图像传感器包括四拜耳图像传感器；图像获取模块1010可以包括：拜耳图像采集单元，用于通过四拜耳图像传感器采集基于四拜耳滤色阵列的原始拜耳图像；第一解析单元，用于对原始拜耳图像进行解马赛克处理和去马赛克处理，得到第一图像，第一图像为第一分辨率；第二解析单元，用于将原始拜耳图像中四个相邻的同颜色像素合并为一个像素，并对合并像素后的拜耳图像进行去马赛克处理，得到第二图像，第二图像为第二分辨率；其中，第一分辨率为第二分辨率的四倍。
在一种可选的实施方式中，边缘提取模块1020可以包括：去噪约束单元，用于采用傅里叶变换对第一图像构建噪声分离函数，以得到去噪约束项；差分约束单元，用于根据第一图像在x方向和y方向上的灰度梯度差分，构建差分约束项；约束函数求解单元，用于根据去噪约束项和差分约束项建立约束函数，通过求解约束函数的最小值，得到第一图像对应的边缘特征图像。
进一步的，上述去噪约束项可以包括：第一子约束项，为噪声分离函数的L2范数；上述差分约束项可以包括：第二子约束项，为第一图像在x方向上的灰度梯度差分的L1范数；以及第三子约束项，为第一图像在y方向上的灰度梯度差分的L1范数。
在一种可选的实施方式中，第二图像可以包括连续多帧的第二图像；图像重建模块1030，还可以用于采用超分辨率重建算法对连续多帧的第二图像进行处理，得到与第一分辨率相同的第三图像。
在一种可选的实施方式中，融合处理模块1040可以包括：自变量定义单元，用于定义最终图像的自变量；子损失构建单元，用于根据第三图像和自变量之差，构建第一子损失项，根据边缘特征图像和自变量在x方向上的灰度梯度差分之差，构建第二子损失项，以及根据边缘特征图像和自变量在y方向上的灰度梯度差分之差，构建第三子损失项；损失函数求解单元，用于根据第一子损失项、第二子损失项和第三子损失项建立损失函数，通过求解损失函数的最小值，得到最终图像。
在一种可选的实施方式中，图像获取模块1010，还可以用于根据当前曝光参数确定第一分辨率和第二分辨率。
上述装置中各模块/单元的具体细节在方法部分实施方式中已经详细说明，未披露的细节内容可以参见方法部分的实施方式内容，因而不再赘述。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
本公开的示例性实施方式还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图11所示，描述了根据本公开的示例性实施方式的用于实现上述方法的程序产品1100，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本公开的示例性实施方式还提供了一种能够实现上述方法的终端设备。下面参照图12来描述根据本公开的这种示例性实施方式的终端设备1200。图12显示的终端设备1200仅仅是一个示例，不应对本公开实施方式的功能和使用范围带来任何限制。
如图12所示，终端设备1200可以以通用计算设备的形式表现。终端设备1200的组件可以包括但不限于：至少一个处理单元1210、至少一个存储单元1220、连接不同系统组件(包括存储单元1220和处理单元1210)的总线1230、显示单元1240和图像传感器1270，图像传感器1270用于采集图像。
存储单元1220存储有程序代码，程序代码可以被处理单元1210执行，使得处理单元1210执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元1210可以执行图1、图3、图6或图8中任意一个或多个方法步骤。
存储单元1220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)1221和/或高速缓存存储单元1222，还可以进一步包括只读存储单元(ROM)1223。
存储单元1220还可以包括具有一组(至少一个)程序模块1225的程序/实用工具1224，这样的程序模块1225包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
终端设备1200也可以与一个或多个外部设备1300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该终端设备1200交互的设备通信，和/或与使得该终端设备1200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1250进行。并且，终端设备1200还可以通过网络适配器1260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1260通过总线1230与终端设备1200的其它模块通信。应当明白，尽管图中未示出，可以结合终端设备1200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式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、终端装置、或者网络设备等)执行根据本公开示例性实施方式的方法。
此外，上述附图仅是根据本公开示例性实施方式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。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施方式。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (8)

1.一种图像融合方法，应用于具备图像传感器的终端设备，其特征在于，所述方法包括：
获取由所述图像传感器采集的第一图像和第二图像，所述第一图像为第一分辨率，所述第二图像为第二分辨率，所述第一分辨率高于所述第二分辨率；
从所述第一图像提取边缘特征图像；
将所述第二图像进行超分辨率重建，得到与所述第一分辨率相同的第三图像；
将所述边缘特征图像和所述第三图像进行融合，得到最终图像；
其中，所述从所述第一图像提取边缘特征图像，包括：
采用傅里叶变换对所述第一图像构建噪声分离函数，以得到去噪约束项；
根据所述第一图像在x方向和y方向上的灰度梯度差分，构建差分约束项；
根据所述去噪约束项和所述差分约束项建立约束函数，通过求解所述约束函数的最小值，得到所述第一图像对应的边缘特征图像；
所述将所述边缘特征图像和所述第三图像进行融合，得到最终图像，包括：
定义所述最终图像的自变量；
根据所述第三图像和所述自变量之差，构建第一子损失项；
根据所述边缘特征图像和所述自变量在x方向上的灰度梯度差分之差，构建第二子损失项，以及根据所述边缘特征图像和所述自变量在y方向上的灰度梯度差分之差，构建第三子损失项；
通过对所述第一子损失项、第二子损失项和第三子损失项进行加权，建立损失函数，通过求解所述损失函数的最小值，得到所述最终图像。
2.根据权利要求1所述的方法，其特征在于，所述图像传感器包括四拜耳图像传感器；
所述获取由所述四拜耳图像传感器采集的第一图像和第二图像，包括：
通过所述四拜耳图像传感器采集基于四拜耳滤色阵列的原始拜耳图像；
对所述原始拜耳图像进行解马赛克处理和去马赛克处理，得到所述第一图像，所述第一图像为所述第一分辨率；
将所述原始拜耳图像中四个相邻的同颜色像素合并为一个像素，并对合并像素后的拜耳图像进行去马赛克处理，得到所述第二图像，所述第二图像为所述第二分辨率；
其中，所述第一分辨率为所述第二分辨率的四倍。
3.根据权利要求1所述的方法，其特征在于，所述去噪约束项包括：
第一子约束项，为所述噪声分离函数的L2范数；
所述差分约束项包括：
第二子约束项，为所述第一图像在x方向上的灰度梯度差分的L1范数；以及
第三子约束项，为所述第一图像在y方向上的灰度梯度差分的L1范数。
4.根据权利要求1所述的方法，其特征在于，所述第二图像包括连续多帧的第二图像；
所述将所述第二图像进行超分辨率重建，得到与所述第一分辨率相同的第三图像，包括：
采用超分辨率重建算法对所述连续多帧的第二图像进行处理，得到与所述第一分辨率相同的第三图像。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：
根据当前曝光参数确定所述第一分辨率和所述第二分辨率。
6.一种图像融合装置，配置于具备图像传感器的终端设备，其特征在于，所述装置包括：
图像获取模块，用于获取由所述图像传感器采集的第一图像和第二图像，所述第一图像为第一分辨率，所述第二图像为第二分辨率，所述第一分辨率高于所述第二分辨率；
边缘提取模块，用于从所述第一图像提取边缘特征图像；
图像重建模块，用于将所述第二图像进行超分辨率重建，得到与所述第一分辨率相同的第三图像；
融合处理模块，用于将所述边缘特征图像和所述第三图像进行融合，得到最终图像；
其中，所述从所述第一图像提取边缘特征图像，包括：
采用傅里叶变换对所述第一图像构建噪声分离函数，以得到去噪约束项；
根据所述第一图像在x方向和y方向上的灰度梯度差分，构建差分约束项；
根据所述去噪约束项和所述差分约束项建立约束函数，通过求解所述约束函数的最小值，得到所述第一图像对应的边缘特征图像；
所述将所述边缘特征图像和所述第三图像进行融合，得到最终图像，包括：
定义所述最终图像的自变量；
根据所述第三图像和所述自变量之差，构建第一子损失项；
根据所述边缘特征图像和所述自变量在x方向上的灰度梯度差分之差，构建第二子损失项，以及根据所述边缘特征图像和所述自变量在y方向上的灰度梯度差分之差，构建第三子损失项；
通过对所述第一子损失项、第二子损失项和第三子损失项进行加权，建立损失函数，通过求解所述损失函数的最小值，得到所述最终图像。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任一项所述的方法。
8.一种终端设备，其特征在于，包括：
处理器；
存储器，用于存储所述处理器的可执行指令；以及
图像传感器；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至5任一项所述的方法。
CN201911057665.5A 2019-11-01 2019-11-01 图像融合方法、图像融合装置、存储介质与终端设备 Active CN112767290B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911057665.5A CN112767290B (zh) 2019-11-01 2019-11-01 图像融合方法、图像融合装置、存储介质与终端设备
PCT/CN2020/122679 WO2021083020A1 (zh) 2019-11-01 2020-10-22 图像融合方法、图像融合装置、存储介质与终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911057665.5A CN112767290B (zh) 2019-11-01 2019-11-01 图像融合方法、图像融合装置、存储介质与终端设备

Publications (2)

Publication Number Publication Date
CN112767290A CN112767290A (zh) 2021-05-07
CN112767290B true CN112767290B (zh) 2022-11-11

Family

ID=75691921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911057665.5A Active CN112767290B (zh) 2019-11-01 2019-11-01 图像融合方法、图像融合装置、存储介质与终端设备

Country Status (2)

Country Link
CN (1) CN112767290B (zh)
WO (1) WO2021083020A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345777A (zh) * 2021-05-13 2022-11-15 南京大学 用于成像的方法、装置和计算机可读介质
CN113628134A (zh) * 2021-07-28 2021-11-09 商汤集团有限公司 图像降噪方法及装置、电子设备及存储介质
CN113689335B (zh) * 2021-08-24 2024-05-07 Oppo广东移动通信有限公司 图像处理方法与装置、电子设备及计算机可读存储介质
WO2023155999A1 (en) * 2022-02-18 2023-08-24 Dream Chip Technologies Gmbh Method and image processor unit for processing raw image data
CN114693580B (zh) * 2022-05-31 2022-10-18 荣耀终端有限公司 图像处理方法及其相关设备
CN117132629A (zh) * 2023-02-17 2023-11-28 荣耀终端有限公司 图像处理方法和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700379A (zh) * 2014-12-29 2015-06-10 烟台大学 一种基于多尺度形态成分分析的遥感图像融合方法
CN107316274A (zh) * 2017-05-10 2017-11-03 重庆邮电大学 一种边缘保持的红外图像重建方法
CN108198147A (zh) * 2018-01-02 2018-06-22 昆明理工大学 一种基于判别字典学习的多源图像融合去噪的方法
CN110337258A (zh) * 2017-02-28 2019-10-15 威里利生命科学有限责任公司 使用可编程光源对图像进行多类分类的系统和方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060291751A1 (en) * 2004-12-16 2006-12-28 Peyman Milanfar Robust reconstruction of high resolution grayscale images from a sequence of low-resolution frames (robust gray super-resolution)
US9064476B2 (en) * 2008-10-04 2015-06-23 Microsoft Technology Licensing, Llc Image super-resolution using gradient profile prior
CN107527321B (zh) * 2017-08-22 2020-04-17 维沃移动通信有限公司 一种图像重建方法、终端及计算机可读存储介质
CN108257108B (zh) * 2018-02-07 2020-05-22 浙江师范大学 一种超分辨率图像重建方法及系统
CN109741256B (zh) * 2018-12-13 2023-01-06 西安电子科技大学 基于稀疏表示和深度学习的图像超分辨率重建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700379A (zh) * 2014-12-29 2015-06-10 烟台大学 一种基于多尺度形态成分分析的遥感图像融合方法
CN110337258A (zh) * 2017-02-28 2019-10-15 威里利生命科学有限责任公司 使用可编程光源对图像进行多类分类的系统和方法
CN107316274A (zh) * 2017-05-10 2017-11-03 重庆邮电大学 一种边缘保持的红外图像重建方法
CN108198147A (zh) * 2018-01-02 2018-06-22 昆明理工大学 一种基于判别字典学习的多源图像融合去噪的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Depth Map Super-Resolution via Multilevel Recursive Guidance and Progressive Supervision";Bolan Yang 等;《IEEE Access》;20190531;第7卷;第57616-57622页 *
"基于区域协方差的图像特征融合方法";刘松涛 等;《电光与控制》;20150228;第22卷(第2期);第7-11+16页 *

Also Published As

Publication number Publication date
CN112767290A (zh) 2021-05-07
WO2021083020A1 (zh) 2021-05-06

Similar Documents

Publication Publication Date Title
CN112767290B (zh) 图像融合方法、图像融合装置、存储介质与终端设备
CN110675404B (zh) 图像处理方法、图像处理装置、存储介质与终端设备
CN110163237B (zh) 模型训练及图像处理方法、装置、介质、电子设备
WO2020192483A1 (zh) 图像显示方法和设备
CN102523456B (zh) 双图像传感器图像处理系统和方法
JP3996630B2 (ja) 画像変換方法、テクスチャマッピング方法、画像変換装置、サーバークライアントシステム、画像変換プログラム、影認識方法および影認識装置
JP5725975B2 (ja) 撮像装置及び撮像方法
CN110889809B9 (zh) 图像处理方法及装置、电子设备、存储介质
CN112991242A (zh) 图像处理方法、图像处理装置、存储介质与终端设备
US20210398247A1 (en) Image processing apparatus, image processing method, and storage medium
CN110958363B (zh) 图像处理方法及装置、计算机可读介质和电子设备
CN113962859A (zh) 一种全景图生成方法、装置、设备及介质
CN110929615B (zh) 图像处理方法、图像处理装置、存储介质与终端设备
CN115115516A (zh) 基于Raw域的真实世界视频超分辨率算法
WO2022247232A1 (zh) 一种图像增强方法、装置、终端设备及存储介质
Rafinazari et al. Demosaicking algorithm for the Kodak-RGBW color filter array
WO2023279920A1 (zh) 基于显微镜的超分辨率方法、装置、设备及介质
US9165343B2 (en) Image processing apparatus and image processing method
CN116208812A (zh) 一种基于立体事件和强度相机的视频插帧方法及系统
CN115278189A (zh) 图像色调映射方法及装置、计算机可读介质和电子设备
CN115471435A (zh) 图像融合方法及装置、计算机可读介质和电子设备
CN115187488A (zh) 图像处理方法及装置、电子设备、存储介质
CN113658128A (zh) 图像模糊程度确定方法、数据集构建方法与去模糊方法
Duan et al. EventAid: Benchmarking Event-aided Image/Video Enhancement Algorithms with Real-captured Hybrid Dataset
CN112991188B (zh) 图像处理方法及装置、存储介质、电子设备

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