基于結(jié)構(gòu)保持的去馬賽克算法研究.pdf

1、由于成本和物理結(jié)構(gòu)復雜的限制，大部分成像設備使用單片CCD作為接收圖像的傳感器，并在其表面覆蓋一層彩色濾波陣列。該陣列只測量RGB三基色中的一種顏色分量。為了估計另外兩種缺失的顏色分量，得到全彩圖像，必須進行插值，這個過程就叫做去馬賽克或CFA插值。CFA插值是圖像識別、圖像分割等后續(xù)處理的前提，因此研究有效的CFA插值算法具有重要的應用價值。
　　本文在介紹現(xiàn)有CFA插值的基礎上，針對Bayer模式的馬賽克圖像，提出了基于結(jié)構(gòu)保

2、持的CFA插值。本文的主要工作包括：
　　1:針對現(xiàn)有CFA插值重構(gòu)圖像的紋理細節(jié)丟失問題，提出了一種基于殘差平面超分辨重建的CFA插值方法。該方法將圖像去馬賽克問題轉(zhuǎn)化為圖像超分辨問題，首先對圖像G分量的特征平面以及G分量的殘差平面進行字典學習，得到了刻畫圖像高低頻細節(jié)的一對高低分辨率字典，進而通過稀疏表示以及超分辨技術(shù)，重構(gòu)殘差平面，并回加到低分辨率圖像中，得到了具有豐富細節(jié)信息的高分辨率去馬賽克圖像，有效的保持了圖像中的紋理

3、和邊緣信息。
　　2:針對R/B分量插值，運用了一種改進的方向權(quán)重方法，該方法以方向插值為基礎，計算未知像素四個方向上的梯度絕對值和平方，以此對殘差的估計值進行加權(quán)估計。
　　3:對現(xiàn)有去馬賽克精細化方法的比較，分析各算法的優(yōu)缺點，提出了回歸判斷函數(shù)的精細化算法。該算法通過對實驗圖像的邊緣圖進行分析，定義了邊緣相似性度量，同時結(jié)合色差平面梯度等信息，使用了一個線性回歸函數(shù)的學習器，并以此學習器作為集成決策準則，實現(xiàn)了針對不同