基于深度学习的联合去马赛克去噪方法

发布时间：2021-06-21 04:43

　　目前大多数数码相机都只采用单传感器相机系统来捕捉图像,以达到减小体积和成本的目的,但是单传感器相机系统只能获得每一个像素点中的某一个色彩分量。为了获得人眼能够接受的彩色图像,必须利用相应的方法恢复丢失的色彩信息,这类方法被称为CFA插值,也被称为CFA图像去马赛克。另外,由于电磁效应和热效应的影响,CFA图像的获取过程中通常会引入一定量的噪声,因此,去马赛克去噪是数码相机获得高质量彩色图像的重要环节。研究更为高效的去马赛克去噪方法不仅能够进一步满足视觉需求,而且能够为后续高级图像处理任务奠定良好基础。传统的联合去马赛克去噪方法主要是利用CFA图像的退化模型和某种先验信息得出彩色图像的估计值,但这类方法对图像中纹理较多的区域处理效果并不好,主要表现为虚假色、锯齿效应、伪影等。近几年提出的基于深度学习的联合去马赛克去噪方法解决了传统方法中先验信息的引入难题,较大程度的改善了彩色图像的质量,但是深度学习中的浅层卷积神经网络仍然不能充分挖掘图像中的细节信息,进而不能重构出更高质量的彩色图像。本文在上述研究的基础上,针对基于深度学习的CFA图像联合去马赛克去噪问题展开研究,主要工作和贡献点如下:... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

单传感器相机系统

更为高效的图像去马赛克去噪方法仍然具有较高的现实意义。（a）Bayer 模式 （b）Mosaic 模式 （c）Stripe 模式 （d）Xtrans 模式图1.3 常见的几种彩色滤波阵列排列方式= + +（a）原图 （b）Bayer pattern （c）CFA 图像 （d）R 通道 （e）B 通道 （f）G 通道图1.4 CFA 图像的形成另外，为满足特定场合下的人类视觉需求以及实现机器自动化处理，数码相机拍摄的彩色图像通常被保存下来，然后利用计算机对其进行大量后续处理。由此看来，去马赛克去噪方法的好坏直接影响后续图像处理操作的结果即数码相机去马赛克去噪技术是高级图像处理技术的基本前提，而高级图像处理具有非常高的应用价值如医学诊断、车牌识别、人脸识别等，因此进一步研究高效的数码相机去马赛克去噪技术，以保证获得纹理更为清楚的彩色图像，依然具备着很高的实用价值和商业价值。1.2 去马赛克去噪方法的研究现状自数码相机出现后，CFA 图像去马赛克去噪一直是研究的热点，因为它不仅影响着人眼的直观感受

号以增加重构的保真度，因此在数码相机特性改变的情况下，相比现有的方法，它更不稳健。图2.1 基于序列能量最小化的联合去马赛克去噪方法框图[26]近年来，Klatzer 等人[26]又提出了一种基于序列能量最小化的联合去马赛克去噪方法，该方法通过将含噪 CFA 图像与学习到的一系列能量函数进行卷积以重构彩色图像，整个方法的框图如图 2.1，其中的1 2, , ,SQ Q Q表示一系列已经优化好的二次能量函数，0u 表示含噪的 CFA 图像，Su 表示重构出的彩色图像， 到S1u 表示重构过程中的中间结果


本文编号：3240002