基于深度学习的彩色图像去马赛克

在Bayer型CFA(color filter array)彩色图像去马赛克问题中,基于传统的方法往往会产生拉链伪影和模糊等问题。基于此提出了一种基于深度卷积神经网络的端对端的方法。将马赛克图像中的G分量单独提取出来应用最近邻插值算法作插值处理,插值后的G分量与马赛克图像的R、B分量结合成R、G、B三通道的彩色图像,然后输入到深度卷积神经网络后得到重建后的彩色图像。实验结果表明,对比其他算法有更好的结果。

双分支残差去马赛克网络

为了缓解传统拜耳型去马赛算法中常出现的拉链和伪影等问题,提出一个新颖的基于深度学习的去马赛克算法。所提算法首先对马赛克图像中的红色、绿色及蓝色通道中的像素进行分解、剔除及组合等操作得到两幅彩色图像,然后将这两幅彩色图像输入到设计的卷积神经网络中,以重建出完整的彩色图像,该网络能充分地利用卷积层所生成的特征信息。实验结果表明,所提算法重建出的完整彩色图像的质量相对较高,并且在一定程度上缓解了拉链和伪影等问题,其客观指标和主观评价都优于对比算法。