出于對設(shè)計成本和經(jīng)濟成本的考慮,大多數(shù)現(xiàn)代彩色數(shù)碼相機都配備了一個單一的傳感器來獲取圖像。單傳感器獲取的Bayer圖像每個像素處只有紅綠藍三種顏色的一種。要得到一副完整的彩色圖像,需要估計每個像素處缺失的顏色分量值。上述過程通常被稱為Bayer圖像去馬賽克。去馬賽克算法的結(jié)果直接關(guān)系到彩色數(shù)碼相機獲取彩色圖像的質(zhì)量好壞,同時也是物體檢測、圖像識別等高級圖像處理技術(shù)的前提,所以研究高效的去馬賽克算法,仍具有重要的實用價值。本文針對當前去馬賽克算法在時間和精度方面存在的不足,提出了兩種去馬賽克算法。1.針對時間嚴苛的場景,提出了一種新的融合梯度權(quán)值的高質(zhì)量低成本去馬賽克算法。隨著近些年中央處理器（CPU）和圖形處理器（GPU）等設(shè)備運算能力的提升,經(jīng)典的應(yīng)用廣泛的低成本去馬賽克算法生成的圖像質(zhì)量漸漸不能滿足人們視覺需要。Malvar等人的經(jīng)典的高質(zhì)量線性插值算法（High Quality Linear Interpolation,HQLI）是實際應(yīng)用中使用最廣泛的一種,被廣泛應(yīng)用在時間嚴苛的場景或者作為復(fù)雜去馬賽克算法的初始化輸入,但該算法在邊緣處容易出現(xiàn)偽影,視覺效果不盡人意。在深入研究... 

【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 數(shù)碼相機
    1.3 濾色器陣列
    1.4 去馬賽克算法的研究現(xiàn)狀
    1.5 論文的主要內(nèi)容和結(jié)構(gòu)安排
第2章 Bayer圖像去馬賽克的相關(guān)基礎(chǔ)知識
    2.1 去馬賽克算法的設(shè)計準則
        2.1.1 顏色相關(guān)性
        2.1.2 空間相關(guān)性
    2.2 去馬賽克算法常見的人工痕跡
        2.2.1 模糊
        2.2.2 拉鏈效應(yīng)
        2.2.3 偽影
    2.3 去馬賽克算法的評價指標
        2.3.1 客觀評價指標
        2.3.2 主觀視覺評價
    2.4 本章小結(jié)
第3章 融合梯度權(quán)值的高質(zhì)量低成本去馬賽克算法
    3.1 引言
    3.2 經(jīng)典的高質(zhì)量低成本去馬賽克算法(HQLI)
    3.3 改進的融合梯度權(quán)值的高質(zhì)量低成本去馬賽克算法
        3.3.1 計算每個采樣點水平和垂直方向上的梯度和權(quán)值
        3.3.2 插值過程
    3.4 實驗設(shè)計
    3.5 實驗結(jié)果與分析
        3.5.1 客觀評價結(jié)果
        3.5.2 主觀評價結(jié)果
    3.6 本章小結(jié)
第4章 基于殘差學習的卷積神經(jīng)網(wǎng)絡(luò)去馬賽克圖像質(zhì)量提升算法
    4.1 引言
    4.2 卷積神經(jīng)網(wǎng)絡(luò)模型
        4.2.1 神經(jīng)網(wǎng)絡(luò)
        4.2.2 卷積神經(jīng)網(wǎng)絡(luò)
        4.2.3 殘差學習的卷積神經(jīng)網(wǎng)絡(luò)
    4.3 基于殘差學習的卷積神經(jīng)網(wǎng)絡(luò)去馬賽克圖像質(zhì)量提升算法
        4.3.1 卷積神經(jīng)網(wǎng)絡(luò)模型的設(shè)計
        4.3.2 損失函數(shù)的設(shè)計
        4.3.3 實驗設(shè)計
    4.4 實驗結(jié)果與分析
        4.4.1 客觀評價結(jié)果
        4.4.2 主觀評價結(jié)果
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
作者簡介
致謝



本文編號：3175193