彩色图像去马赛克的非局部稀疏表示方法

目前,大部分彩色去马赛克(Color DeMosaicking,CDM)算法仅利用了局部的空间和光谱相关性,容易导致CDM复原图像边缘模糊以及细小结构丢失.当图像中出现周期性细小结构时,这些局部方法容易产生诸如锯齿、栅格等失真现象.针对这些问题,我们将字典学习和稀疏编码统一到一个变分框架中,提出了非局部自适应稀疏表示模型.通过非局部相似块聚类自适应地在线学习字典.利用局部和非局部的冗余信息对稀疏编码进行约束,强制稀疏编码靠近其非局部均值以减少编码误差.为了有效抑制服从重尾分布的CDM误差,设计了基于l1范数的数据项.最后,联合交替最小化方法和算子分裂技巧对模型进行有效求解.实验结果验证了本文模型与数值算法的有效性.

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。

应用通道间相关性及增强信息蒸馏的彩色图像去马赛克网络

在商用数码相机中,由于CMOS传感器的限制,在采样得到的图像中的每个像素位置仅有一个色彩通道的信息,因此,需要采用彩色图像去马赛克(CDM)算法来恢复全彩图像。然而,现有的基于卷积神经网络(CNN)的CDM算法不能以较低的计算复杂度和网络参数量取得令人满意的性能。针对这个问题,提出一种应用通道间相关性和增强信息蒸馏(ICEID)的彩色图像去马赛克网络。首先,为了充分利用彩色图像的通道间相关性,提出了一种通道间的引导重建结构来生成初始CDM结果;其次,提出一种增强信息蒸馏模块(EIDM)来以相对较低的参数量有效地提取和精炼图像特征,从而高效地优化重建的全彩图像。实验结果表明,与主流CDM算法相比,所提算法不仅在客观质量与主观质量上均获得了明显提升,而且具有较低的计算复杂度和网络参数量。