Bayer阵列图像去马赛克算法综述

Bayer阵列图像去马赛克技术是对稀疏采样的Bayer阵列图像进行RGB信息重建,图像重建质量是成像设备评价的重要因素之一,同时也对其他计算机视觉任务(如图像分割、人脸识别)产生影响。随着深度学习方法的快速发展,图像去马赛克领域提出了多种高性能算法。为了便于研究者更全面了解图像去马赛克算法的原理和研究进展,本文对该领域的经典算法和深度学习算法进行综述。首先对Bayer采样阵列原理和图像去马赛克技术进行概述。然后将现有方法分为传统方法和基于深度学习方法两类进行总结,同时根据去马赛克任务是否具有独立性,将深度学习方法分为独立去马赛克任务和联合去马赛克任务两类,分析不同方法的原理和优缺点,重点阐述基于深度学习的去马赛克方法的网络结构和重建机理,介绍去马赛克领域常用的公共数据集和性能评价指标,并对图像去马赛克相关实验进行分析对比。最后,围绕网络深度、运算效率和实用性等方面分析了现阶段图像去马赛克技术面临的挑战及未来发展方向。目前,基于深度学习的图像去马赛克方法已成为主流发展方向,但仍然存在计算成本较高、实际应用性不强等问题。因此,如何开发出重建精度高、处理时间短以及实用性强的图像去马赛克方法,是该领域未来重要的研究方向。

一种适用于无线传感网图像节点单元的彩色图像压缩方法

针对无线传感器网络节点单元的特点,提出了一种适合这种节点单元的高效、低复杂度彩色有损压缩方法,对从图像传感器采集的原始BAYER彩色阵列图像数据进行低通滤波与降采样后,再把数据从RGB空间转换到YCbCr空间,最后利用JPEG算法对该数据进行压缩。试验结果表明该压缩方法与常规先插值后压缩方法以及类似先压缩后插值的压缩方法相比,在低码率条件下有更高的压缩性能和更低的实现复杂度。

用于无线内窥镜系统的高效、低复杂度的准无损和无损压缩算法

为了降低无线内窥镜系统中无线通信的带宽以及无线发射的功耗,该文提出了一种高效、低复杂度的基于类似BAYER彩色图像阵列的数字图像无损和准无损压缩/解压缩算法。通过对标准图像库中的7幅图像进行压缩的结果表明,该文提出的压缩算法比常规先插值后压缩的算法以及先压缩后插值的算法均具有更高的压缩性能和更低的复杂度;可实现对指定ROI区域实现无损压缩,其它区域实现准无损压缩。算法对无线内窥镜图像进行压缩时,可以获得平均图像压缩码率2.18bit/pixel,且PSNR大于47.57dB。