CrazyBingo

Bayer3*3梯度导向恢复算法

0
阅读(3427) 评论(0)

Bayer模板3x3矩阵插值/双线性插值算法

彩色复原/去马赛克:通过CFA插值获得全彩色图像的过程。

1) G在中间,上下B,左右R

2) G在中间,上下R,左右B

image

3) R在中间,四边G,四角B

image

image

4)  B在中间,四边G,四角R

image

image

从整个领域插值算法的过程来看,恢复缺失像素时没有考虑图像边缘的变化,只是简单地利用了中心像素的领域通道的分量值进行了加权平均,相当于对要恢复的分量使用了均值滤波器,这样虽然会得到平滑的图像,但也造成了图像的边缘和细节模糊。

可以看出, 双线性算法实现非常简单, 在平滑区域可以预见得到比较好的效果; 但在边缘区域, 因为像素的取值具有方向性, 不能简单地由周围的像素计算平均值得出(详见基于梯度的算法)。因此, 对边缘区域采用双线性插值将产生极大的误差, 呈现锯齿状, 称为拉链效应。

Bayer模板3x3/5x5边缘导向算法

为了克服领域线性插值算法带来的边缘模糊的问题,Laroche和Prescott提出了一种基于梯度的边缘导向(edge2 directed)插值算法。插值过程中,首先比较水平方向和垂直方向上的梯度大小,取梯度较小的方向上的像素点作为估计点计算当前缺失像素,可以避免跨边缘彩色插值导致的边缘模糊。

而由于人眼对绿色较为敏感,为了尽量减少算法的复杂度,该算法主要对恢复缺失的G分量的两种排列方式时(上述情况(3)、(4),(1)、(2)不变),使用了边缘导向算法(恢复缺失的R或B分量,则采用对角线梯度来修正实现)。

相比于Bayer模板3x3矩阵插值运算而言,边缘导向算法采用了3x3或者5x5模板(研究结果如下所示,具体性能有待考证),同时在计算中R、G时还采用了G分量的信息,虽然损失速度和资源,但大大的提升了图像的质量,物超所值。

3x3的边缘导向算法:

原有的3x3模板不变,无需使用不同像素的通道信息,考虑G分量的水平、竖直梯度,以及R/B的对角线梯度,进一步保留图像的边缘信息:

1) R在中间,四边G,四角B

image

image

2) B在中间,四边G,四角R

image

image

由于在处理过程中边界行列的舍取,相对于5x5而言,3x3更多的减少了边界效应。3x3如下图所示,采用一般的3x3领域插值算法,与采用边缘导向算法,处理后的得到图像,进行边沿提取进行对比,可见边缘导向算法后边缘和细节更加完整,同时,由于在改进型插值方案中,采取了对角线梯度法,红色和蓝色分量也更加接近真实。

wps_clip_image-11642