CN113658060A - 基于分布学习的联合去噪去马赛克方法及系统 - Google Patents

基于分布学习的联合去噪去马赛克方法及系统 Download PDF

Info

Publication number
CN113658060A
CN113658060A CN202110850331.4A CN202110850331A CN113658060A CN 113658060 A CN113658060 A CN 113658060A CN 202110850331 A CN202110850331 A CN 202110850331A CN 113658060 A CN113658060 A CN 113658060A
Authority
CN
China
Prior art keywords
task model
jdd
model
mosaic
image data
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
CN202110850331.4A
Other languages
English (en)
Inventor
魏学备
武斌
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.)
Zhongke Fangcun Zhiwei Nanjing Technology Co ltd
Original Assignee
Zhongke Fangcun Zhiwei Nanjing 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 Zhongke Fangcun Zhiwei Nanjing Technology Co ltd filed Critical Zhongke Fangcun Zhiwei Nanjing Technology Co ltd
Priority to CN202110850331.4A priority Critical patent/CN113658060A/zh
Publication of CN113658060A publication Critical patent/CN113658060A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Image Processing (AREA)
  • Color Image Communication Systems (AREA)

Abstract

本发明实施例提出了一种基于分布学习的联合去噪去马赛克方法及系统，其中所述方法具体包括：步骤一、建立用于去噪去马赛克的任务模型；步骤二、构建用于所述任务模型的训练数据集合；步骤三、利用所述训练数据集合训练所述任务模型，获得JDD任务模型；所述JDD任务模型为经过训练的任务模型；步骤四、将待进行处理的图像数据输入所述JDD任务模型中；步骤五、所述JDD任务模型对接收到的图像数据进行处理并输出。本发明根据训练数据宽容度的独特性，采用将监督图像松弛为多元高斯分布的操作方式，同时引入噪声估计模块对噪声进行预测，进一步提升联合去噪去马赛克模型的性能。

Description

基于分布学习的联合去噪去马赛克方法及系统
技术领域
本发明涉及一种基于分布学习的联合去噪去马赛克方法及系统，特别是涉及图像数据处理技术领域。
背景技术
相机的图像信号处理器处理流程划分为图像恢复和图像增强两个阶段，而图像去马赛克是图像信号处理器处理流程中不可或缺的组成部分，用于从单通道原始图像的彩色滤波阵列中重新建立一个三通道全分辨率RGB图像。
在传统的图像信号处理器处理流程中，去马赛克和去噪通常是独立且按顺序进行的，然而去噪是为了抛弃高频噪声，而去马赛克是为了寻找丢失的信息，尤其是例如边缘信息等高频成分。这两种相互冲突的操作很容易在图像信号处理器处理流程的最终输出中带来视觉伪影，如伪彩、拉链和摩尔纹。
现有技术中，提出联合去马赛克和去噪，即直接将有噪声的CFA送入手工制作的联合去马赛克和去噪模型，并输出全尺寸的RGB图像。然而，这些传统技术受到手工设计的特征的极大限制。另一方面，对于数据驱动的方法，设计神经网络并以回归的方式训练，然而，注意力均主要集中在设计联合去马赛克和去噪模型，忽略训练数据的重要性，导致联合去马赛克和去噪模型性能不足。
发明内容
发明目的：提出一种基于分布学习的联合去噪去马赛克方法及系统，通过采用将监督图像松弛为多元高斯分布的措施，以解决现有技术存在的上述问题。
技术方案：第一方面，提出了一种基于分布学习的联合去噪去马赛克方法，该方法具体包括以下步骤：
步骤一、建立用于去噪去马赛克的任务模型；
步骤二、构建用于所述任务模型的训练数据集合；
步骤三、利用所述训练数据集合训练所述任务模型，获得JDD任务模型；所述JDD任务模型为经过训练的任务模型；
步骤四、将待进行处理的图像数据输入所述JDD任务模型中；
步骤五、所述JDD任务模型对接收到的图像数据进行处理并输出。
在第一方面的一些可实现方式中，建立步骤一中所述任务模型的过程进一步为：
步骤1.1、建立基础模型，其表达式为：
y＝M(x+n)
式中，y表示带噪声的彩色滤波阵列；M表示马赛克操作；x表示线性RGB图像；n表示噪声；
步骤1.2、采用单个像素的对基础模型进行修正，其表达式为：
yi＝Mi(xi+ni)
式中，i表示像素的下标；
步骤1.3、引入中间变量并采用高斯分布对其进行建模，所述中间变量表达式为：
Figure BDA0003182206880000021
引入高斯分布后的建模表达式为：
Figure BDA0003182206880000022
式中，
Figure BDA0003182206880000023
表示与信号相关的方差；
步骤1.4、采用松弛监督将原始真值xi松弛为高斯分布，并将建模表达式转换如下所示：
Figure BDA0003182206880000024
式中，
Figure BDA0003182206880000025
Figure BDA0003182206880000026
是手动调整的超参数。
步骤1.5、利用变分推断技术导出闭合解并将其作为JDD任务模型的损失函数，其表达式为：
Figure BDA0003182206880000027
式中，μ表示JDD模型预测的均值；Σ2表示JDD模型预测的方差；
Figure BDA0003182206880000028
是噪声估计模块预测的噪声；w表示输入图像的宽；h表示输入图像的高。
在第一方面的一些可实现方式中，JDD任务模型输出通道为6通道，前三个通道为均值μ，后三个通道为方差∑2。
JDD任务模型中还包括一个噪声估计网络，用于预测噪声，所述噪声估计网络为预设层数的全卷积神经网络，采用LeakyReLU作为激活函数，且无归一化层。
将待进行处理的图像数据输入JDD任务模型中时，原始的待进行处理的图像数据进入噪声估计网络中进行噪声预测，并输出预测结果
Figure BDA0003182206880000029
拼接待进行处理的图像数据与噪声估计网络的预测结果，并一同输入JDD任务模型，利用步骤1.5中的损失函数进行训练。其中，
Figure BDA0003182206880000031
式中，
Figure BDA0003182206880000032
是手动调整的超参数。
在第一方面的一些可实现方式中，在训练步骤三中的任务模型时，采用分布学习将真值松弛为高斯多元分布。
第二方面，提出一种基于分布学习的联合去噪去马赛克系统，该系统具体包括：
用于建立去噪去马赛克任务模型的第一模块；
用于构建所述任务模型训练数据集合的第二模块；
用于获得JDD任务模型的第三模块；
用于输入待进行处理的图像数据至所述JDD任务模型中的第四模块；
用于对接收到的图像数据进行处理并输出的第五模块。
在第二方面的一些可实现方式中，所述JDD任务模型为经过训练的任务模型；该模型输出通道为6通道，并对半划分，一半被设置为输出均值，另一半被设置为输出方差。所述JDD任务模型中还包括噪声估计模块；所述噪声估计模块被设置为预计噪声并输出。
有益效果：本发明提出了一种基于分布学习的联合去噪去马赛克方法及系统，针对现有技术中的不足，本发明根据训练数据宽容度的独特性，采用将监督图像松弛为多元高斯分布的操作方式，同时引入噪声估计模块对噪声进行预测，进一步提升联合去噪去马赛克模型的性能。
附图说明
图1为现有技术中图像信号处理器简易数据处理示意图。
图2为本发明实施例方法流程图。
图3为本发明实施例的噪声估计网络示意图。
图4为本发明实施例的JDD任务模型输出通道的示意图。
图5为本发明实施例实验数据对比图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
相机图像信号处理器流程可大致分为两个流程：图像恢复与图像增强，如图1所示。第一个阶段的图像恢复是为了恢复有噪声的彩色滤波阵列，并输出具有高动态范围的RGB图像，即线性RGB图像。联合去噪去马赛克(JDD)任务就在这个阶段。第二个的图像增强阶段是为了让上一阶段的输出图像更具美感，从而进行细节的增强及色彩调整等操作。经过上述两阶段处理后，图像信号处理器输出最终sRGB图像。
实施例一
申请人认为在传统的图像信号处理器流程中，去马赛克和去噪通常是独立且按顺序进行的。但是，去噪是为了抛弃高频噪声，而去马赛克是为了寻找丢失的信息，尤其是如边缘等高频成分。这两种相互冲突的操作很容易在图像信号处理器的最终输出中带来视觉伪影，如伪彩、拉链和摩尔纹。因此，提出联合去马赛克和去噪，即直接将有噪声的彩色滤波阵列送入手工制作的去噪去马赛克模型，并输出全尺寸的RGB图像。然而，这些传统技术受到手工设计的特征的极大限制。近期，基于深度学习的方法在联合去马赛克和去噪方面显示出其出色的性能。对于这些数据驱动的方法，他们设计了神经网络，并以回归的方式训练它们。然而，现有技术中的方法主要集中在设计去噪去马赛克模型，而忽略了训练数据的重要性。针对现有技术中的问题，本发明提出一种基于分布学习的联合去噪去马赛克方法及系统，利用训练数据的独特属性，即“宽容度”，提出将监督图像松弛为多元高斯分布，进一步提升现有JDD模型的性能。
在一个实施例中，提出一种基于分布学习的联合去噪去马赛克方法，如图2所示，该方法具体包括以下步骤：
步骤一、建立用于去噪去马赛克的任务模型；
步骤二、构建用于所述任务模型的训练数据集合；
步骤三、利用所述训练数据集合训练所述任务模型，获得JDD任务模型；所述JDD任务模型为经过训练的任务模型；
步骤四、将待进行处理的图像数据输入所述JDD任务模型中；
步骤五、所述JDD任务模型对接收到的图像数据进行处理并输出。
实施例二
在实施例一基础上的进一步的实施例中，为了实现任务模型性能的提升，建立步骤一中任务模型的过程进一步为：首先，建立基础模型；其次，采用单个像素的对基础模型进行修正；再次，引入中间变量并采用高斯分布对其进行建模，并引入高斯分布从次，采用松弛监督将原始真值松弛为高斯分布；最后，利用变分推断技术导出闭合解并将其作为JDD任务模型的损失函数。
通过重视训练数据宽容度的独特属性，提出将监督图像松弛为多元高斯分布，进一步提升了现有JDD模型的性能。
具体的，在进一步的实施例中，建立步骤一中任务模型的过程具体如下：
步骤1.1、建立基础模型，其表达式为：
y＝M(x+n)
式中，y表示带噪声的彩色滤波阵列；M表示马赛克操作；x表示线性RGB图像；n表示噪声。优选实施例中，针对特定的彩色滤波阵列，M可具体表示为二值掩码；其中特定的彩色滤波阵列指市面上现有的RGGB、BGGR、GRBG、GBRG阵列。由于本申请提出的联合去噪去马赛克方法并不受限于彩色滤波阵列，所以适用于当前市面上所能涉及到的多种彩色滤波阵列。
步骤1.2、为了更好的描述单个像素之间模型建立过程，采用单个像素的对基础模型进行修正，其表达式为：
yi＝Mi(xi+ni)
式中，i表示像素的下标；
步骤1.3、由于马赛克操作的存在，对于yi的分布无法显示建模。但对于特定的彩色滤波阵列，其M是固定的，即p(Mi)＝1，因此引入中间变量并采用高斯分布对其进行建模，其中，中间变量表达式为：
Figure BDA0003182206880000051
引入高斯分布后的建模表达式为：
Figure BDA0003182206880000052
式中，
Figure BDA0003182206880000053
表示与信号相关的方差；
步骤1.4、完成单个像素建模后，采用松弛监督将原始真值xi松弛为高斯分布，即：
Figure BDA0003182206880000054
并将单个像素建模表达式转换如下所示：
Figure BDA0003182206880000055
式中，
Figure BDA0003182206880000056
是手动调整的超参数。
步骤1.5、利用变分推断技术导出闭合解并将其作为JDD任务模型的损失函数，其表达式为：
Figure BDA0003182206880000061
式中，μ表示JDD模型预测的均值；Σ2表示JDD模型预测的方差；
Figure BDA0003182206880000062
是噪声估计模块预测的噪声；w表示输入图像的宽；h表示输入图像的高。利用该损失函数对JDD任务模型进行优化，从而提高JDD任务模型的性能。
实施例三
在实施例一基础上的进一步的实施例中，JDD任务模型输出通道为6通道，前三个通道输出为均值μ，后三个通道输出为方差Σ2，输出值用于作为本申请中损失函数的优化参数。
为了提升JDD任务模型的性能，本事实例JDD任务模型中还包括一个噪声估计网络G，用于预测噪声，所述噪声估计网络为预设层数的全卷积神经网络，采用LeakyReLU作为激活函数，且无归一化层。其具体结构如图3所示，即：
Figure BDA0003182206880000063
式中，
Figure BDA0003182206880000064
表示噪声估计模块预测的噪声。
如图4所示，为本实施例JDD任务模型输出通道的示意图，输出通道对半划分为输出均值和方差。
将待进行处理的图像数据输入JDD任务模型中时，原始的待进行处理的图像数据进入噪声估计网络中进行噪声预测，并输出预测结果
Figure BDA0003182206880000065
拼接待进行处理的图像数据与噪声估计网络的预测结果，并一同输入JDD任务模型，利用步骤1.5中的损失函数进行训练。其中，
Figure BDA0003182206880000066
式中，
Figure BDA0003182206880000067
是手动调整的超参数。
实施例四
在实施例一基础上的进一步的实施例中，训练步骤三中的任务模型时，采用分布学习将真值松弛为高斯多元分布。分布学习仅是在训练时将真值松弛为高斯多元分布，其方差
Figure BDA0003182206880000068
应用提出的损失函数式代替传统的L2loss损失函数。另一方面，在推理阶段，仅需训练后的网络输出μ作为结果。
应用本申请提出的损失函数在MIT morie和MIT vdp数据集上的增益如图5所示，其中，Method为主流的去噪去马赛克模型，Regress GT为L2 loss损失函数直接训练的结果，Regress RS为应用本申请损失函数的结果，小括号内为具体增益值。
实施例五
在一个实施例中，提出一种基于分布学习的联合去噪去马赛克系统，该系统具体包括：
用于建立去噪去马赛克任务模型的第一模块；
用于构建所述任务模型训练数据集合的第二模块；
用于获得JDD任务模型的第三模块；
用于输入待进行处理的图像数据至所述JDD任务模型中的第四模块；
用于对接收到的图像数据进行处理并输出的第五模块。
在进一步的实施例中，所述JDD任务模型为经过训练的任务模型；该模型输出通道为6通道，并对半划分，一半被设置为输出均值，另一半被设置为输出方差。所述JDD任务模型中还包括噪声估计模块；所述噪声估计模块被设置为预计噪声并输出。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。

Claims (10)

1.一种基于分布学习的联合去噪去马赛克方法，其特征在于，具体包括以下步骤：
步骤一、建立用于去噪去马赛克的任务模型；
步骤二、构建用于所述任务模型的训练数据集合；
步骤三、利用所述训练数据集合训练所述任务模型，获得JDD任务模型；所述JDD任务模型为经过训练的任务模型；
步骤四、将待进行处理的图像数据输入所述JDD任务模型中；
步骤五、所述JDD任务模型对接收到的图像数据进行处理并输出。
2.根据权利要求1所述的一种基于分布学习的联合去噪去马赛克方法，其特征在于，建立步骤一中所述任务模型的过程进一步为：
步骤1.1、建立基础模型，其表达式为：
y＝M(x+n)
式中，y表示带噪声的彩色滤波阵列；M表示马赛克操作；x表示线性RGB图像；n表示噪声；
步骤1.2、采用单个像素的对基础模型进行修正，其表达式为：
yi＝Mi(xi+ni)
式中，i表示像素的下标；
步骤1.3、引入中间变量并采用高斯分布对其进行建模，所述中间变量表达式为：
Figure FDA0003182206870000011
引入高斯分布后的建模表达式为：
Figure FDA0003182206870000012
式中，
Figure FDA0003182206870000013
表示与信号相关的方差；
步骤1.4、采用松弛监督将原始真值xi松弛为高斯分布，并将建模表达式转换如下所示：
Figure FDA0003182206870000014
式中，
Figure FDA0003182206870000015
Figure FDA0003182206870000016
是手动调整的超参数；
步骤1.5、利用变分推断技术导出闭合解并将其作为JDD任务模型的损失函数，其表达式为：
Figure FDA0003182206870000017
式中，μ表示JDD模型预测的均值；Σ2表示JDD模型预测的方差；
Figure FDA0003182206870000024
是噪声估计模块预测的噪声w表示输入图像的宽；h表示输入图像的高。
3.根据权利要求2所述的一种基于分布学习的联合去噪去马赛克方法，其特征在于，JDD任务模型输出通道为6通道，前三个通道为均值μ，后三个通道为方差∑2。
4.根据权利要求1所述的一种基于分布学习的联合去噪去马赛克方法，其特征在于，JDD任务模型中还包括一个噪声估计网络，用于预测噪声，所述噪声估计网络为预设层数的全卷积神经网络，采用LeakyReLU作为激活函数，且无归一化层。
5.根据权利要求4所述的一种基于分布学习的联合去噪去马赛克方法，其特征在于，
将待进行处理的图像数据输入JDD任务模型中时，原始的待进行处理的图像数据进入噪声估计网络中进行噪声预测，并输出预测结果
Figure FDA0003182206870000023
6.根据权利要求4所述的一种基于分布学习的联合去噪去马赛克方法，其特征在于，
拼接待进行处理的图像数据与噪声估计网络的预测结果，并一同输入JDD任务模型，利用步骤1.5中的损失函数进行训练；其中，
Figure FDA0003182206870000021
式中，
Figure FDA0003182206870000022
是手动调整的超参数。
7.根据权利要求1所述的一种基于分布学习的联合去噪去马赛克方法，其特征在于，在训练步骤三中的任务模型时，采用分布学习将真值松弛为高斯多元分布。
8.一种基于分布学习的联合去噪去马赛克系统，用于实现权利要求1～7任意一项方法，其特征在于，包括：
用于建立去噪去马赛克任务模型的第一模块；
用于构建所述任务模型训练数据集合的第二模块；
用于获得JDD任务模型的第三模块；
用于输入待进行处理的图像数据至所述JDD任务模型中的第四模块；
用于对接收到的图像数据进行处理并输出的第五模块。
9.根据权利要求8所述的一种基于分布学习的联合去噪去马赛克系统，其特征在于，
所述JDD任务模型为经过训练的任务模型；该模型输出通道为6通道，并对半划分，一半被设置为输出均值，另一半被设置为输出方差。
10.根据权利要求8所述的一种基于分布学习的联合去噪去马赛克系统，其特征在于，
所述JDD任务模型中还包括噪声估计模块；
所述噪声估计模块被设置为预计噪声并输出。
CN202110850331.4A 2021-07-27 2021-07-27 基于分布学习的联合去噪去马赛克方法及系统 Pending CN113658060A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110850331.4A CN113658060A (zh) 2021-07-27 2021-07-27 基于分布学习的联合去噪去马赛克方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110850331.4A CN113658060A (zh) 2021-07-27 2021-07-27 基于分布学习的联合去噪去马赛克方法及系统

Publications (1)

Publication Number Publication Date
CN113658060A true CN113658060A (zh) 2021-11-16

Family

ID=78478755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110850331.4A Pending CN113658060A (zh) 2021-07-27 2021-07-27 基于分布学习的联合去噪去马赛克方法及系统

Country Status (1)

Country Link
CN (1) CN113658060A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023231535A1 (zh) * 2023-03-21 2023-12-07 浙江大学 一种黑白图像引导的彩色raw图像联合去噪去马赛克方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008067479A1 (en) * 2006-11-29 2008-06-05 President And Fellows Of Harvard College A framework for wavelet-based analysis and processing of color filter array images with applications to denoising and demosaicing
US20090324117A1 (en) * 2008-06-27 2009-12-31 Microsoft Corporation Image denoising techniques
US20120207396A1 (en) * 2011-02-15 2012-08-16 Sony Corporation Method to measure local image similarity and its application in image processing
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
WO2015143624A1 (en) * 2014-03-25 2015-10-01 Spreadtrum Communications(Shanghai) Co., Ltd. Methods and systems for denoising images
US20170278224A1 (en) * 2016-03-22 2017-09-28 Algolux Inc. Method and system for denoising and demosaicing artifact suppression in digital images
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
US20190005360A1 (en) * 2017-07-01 2019-01-03 Algolux Inc. Method and apparatus for joint image processing and perception
CN110738616A (zh) * 2019-10-12 2020-01-31 成都考拉悠然科技有限公司 一种具有细节信息学习能力的图像去噪方法
US20200092453A1 (en) * 2018-09-13 2020-03-19 Spectrum Optix Inc. Photographic Underexposure Correction Using A Neural Network
CN111402146A (zh) * 2020-02-21 2020-07-10 华为技术有限公司 图像处理方法以及图像处理装置
US20200234402A1 (en) * 2019-01-18 2020-07-23 Ramot At Tel-Aviv University Ltd. Method and system for end-to-end image processing
CN111539893A (zh) * 2020-04-28 2020-08-14 南京图格医疗科技有限公司 一种基于导向滤波的Bayer图像联合去马赛克去噪方法
CN111583144A (zh) * 2020-04-30 2020-08-25 深圳市商汤智能传感科技有限公司 图像降噪方法及装置、电子设备和存储介质
CN112085664A (zh) * 2019-06-12 2020-12-15 英特尔公司 用于对高动态范围图像进行色调映射以用于基于高质量深度学习的处理的系统和方法
WO2021106853A1 (ja) * 2019-11-29 2021-06-03 キヤノン株式会社 画像処理装置、画像処理方法、学習装置、学習方法、撮像装置、及びプログラム
US20220301114A1 (en) * 2019-12-04 2022-09-22 Huawei Technologies Co., Ltd. Noise Reconstruction For Image Denoising

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008067479A1 (en) * 2006-11-29 2008-06-05 President And Fellows Of Harvard College A framework for wavelet-based analysis and processing of color filter array images with applications to denoising and demosaicing
US20090324117A1 (en) * 2008-06-27 2009-12-31 Microsoft Corporation Image denoising techniques
US20120207396A1 (en) * 2011-02-15 2012-08-16 Sony Corporation Method to measure local image similarity and its application in image processing
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
WO2015143624A1 (en) * 2014-03-25 2015-10-01 Spreadtrum Communications(Shanghai) Co., Ltd. Methods and systems for denoising images
US20170278224A1 (en) * 2016-03-22 2017-09-28 Algolux Inc. Method and system for denoising and demosaicing artifact suppression in digital images
US20190005360A1 (en) * 2017-07-01 2019-01-03 Algolux Inc. Method and apparatus for joint image processing and perception
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
US20200092453A1 (en) * 2018-09-13 2020-03-19 Spectrum Optix Inc. Photographic Underexposure Correction Using A Neural Network
US20200234402A1 (en) * 2019-01-18 2020-07-23 Ramot At Tel-Aviv University Ltd. Method and system for end-to-end image processing
CN112085664A (zh) * 2019-06-12 2020-12-15 英特尔公司 用于对高动态范围图像进行色调映射以用于基于高质量深度学习的处理的系统和方法
CN110738616A (zh) * 2019-10-12 2020-01-31 成都考拉悠然科技有限公司 一种具有细节信息学习能力的图像去噪方法
WO2021106853A1 (ja) * 2019-11-29 2021-06-03 キヤノン株式会社 画像処理装置、画像処理方法、学習装置、学習方法、撮像装置、及びプログラム
US20220301114A1 (en) * 2019-12-04 2022-09-22 Huawei Technologies Co., Ltd. Noise Reconstruction For Image Denoising
CN111402146A (zh) * 2020-02-21 2020-07-10 华为技术有限公司 图像处理方法以及图像处理装置
CN111539893A (zh) * 2020-04-28 2020-08-14 南京图格医疗科技有限公司 一种基于导向滤波的Bayer图像联合去马赛克去噪方法
CN111583144A (zh) * 2020-04-30 2020-08-25 深圳市商汤智能传感科技有限公司 图像降噪方法及装置、电子设备和存储介质

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
B. GOOSSENS 等: "Complex wavelet joint denoising and demosaicing using Gaussian scale mixtures", 2013 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING, MELBOURNE, 13 February 2014 (2014-02-13), pages 445 - 448 *
CHEN, JIERUN 等: "Joint Demosaicking and Denoising in the Wild: The Case of Training Under Ground Truth Uncertainty", ARXIV:2101.04442V1 [CS.CV], 12 January 2021 (2021-01-12), pages 1 - 10 *
GUOCHENG QIAN, 等: "Trinity of Pixel Enhancement: a Joint Solution for Demosaicking, Denoising and Super-Resolution", ARXIV:1905.02538V1, 7 May 2019 (2019-05-07), pages 1 - 10 *
KEIGO HIRAKAWA 等: "Joint demosaicing and denoising", COMPUTER SCIENCE, ENGINEERING, 1 August 2006 (2006-08-01), pages 1 - 4 *
L. CONDAT 等: "Joint demosaicking and denoising by total variation minimization", IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING, 21 February 2012 (2012-02-21), pages 2781 - 2784 *
L. LIU 等: "Joint Demosaicing and Denoising With Self Guidance", 2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), 5 August 2020 (2020-08-05), pages 2237 - 2246 *
任娟 等: "联合去马赛克和去噪", 太原科技大学学报, vol. 39, no. 03, 22 May 2018 (2018-05-22), pages 184 - 188 *
朱宇: "基于大卷积核设计与松弛监督的联合图像去噪去马赛克方法研究", 万方, 8 October 2022 (2022-10-08), pages 1 - 72 *
江波 等: "海上微波传输系统的组网方法研究", 无线通信技术, vol. 22, no. 2, 15 May 2013 (2013-05-15), pages 38 - 41 *
郑思凡 等: "双粒度光流流形学习的刮刷总成摆杆摆幅检测", 华南理工大学学报(自然科学版), vol. 48, no. 1, 15 January 2020 (2020-01-15), pages 123 - 132 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023231535A1 (zh) * 2023-03-21 2023-12-07 浙江大学 一种黑白图像引导的彩色raw图像联合去噪去马赛克方法

Similar Documents

Publication Publication Date Title
DE112018002228T5 (de) Konfigurierbare faltungsmaschine für verschachtelte kanaldaten
US20090092337A1 (en) Image processing apparatus, image processing method, and computer program
US7418130B2 (en) Edge-sensitive denoising and color interpolation of digital images
US8594452B2 (en) System and method for processing an image edge
TWI387312B (zh) 影像雜訊消除方法以及影像處理裝置
CN105765607A (zh) 用于图像反卷积的多阶段方法
JP7353803B2 (ja) 画像処理装置、画像処理方法、及びプログラム
KR20140145801A (ko) 신경망을 이용한 영상의 화질 개선 시스템 및 방법
CN111539893A (zh) 一种基于导向滤波的Bayer图像联合去马赛克去噪方法
Li et al. Automatic design of high-sensitivity color filter arrays with panchromatic pixels
CN113191972A (zh) 一种轻量真实图像去噪的神经网络设计及训练方法
CN113658060A (zh) 基于分布学习的联合去噪去马赛克方法及系统
US9002133B2 (en) Multi layered image enhancement technique
CN111598790A (zh) 基于对偶深度神经网络的高光谱遥感图像去噪方法
CN110728643A (zh) 一种基于卷积神经网络的低照度带噪声图像优化方法
CN117670733A (zh) 一种基于小波谱学习的低光照图像增强方法
CN112019704B (zh) 一种基于先验信息和卷积神经网络的视频去噪方法
CN113273180A (zh) 图像处理装置和方法
CN115345801B (zh) 一种基于图像去噪思想的图像压缩及滤镜去除方法及系统
CN116823662A (zh) 一种融合原生特征的图像去噪去模糊方法
JP2007026334A (ja) 画像処理装置
CN113837963B (zh) 基于深度网络在lab颜色空间下的水下图像增强方法
US11645739B2 (en) Image processing method and image processing system
Oh et al. Residual dilated u-net with spatially adaptive normalization for the restoration of under display camera images
Zhu et al. LLISP: Low-light image signal processing net via two-stage network

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