ISP图像处理之Demosaic算法及相关

CFA及Demosaic介绍

1.Bayer(拜耳滤波器得到彩色)

图像在将实际的景物转换为图像数据时, 通常是将传感器分别接收红、 绿、 蓝三个分量的信息, 然后将红、 绿、 蓝三个分量的信息合成彩色图像。 该方案需要三块滤镜, 这样价格昂贵,且不好制造, 因为三块滤镜都必须保证每一个像素点都对齐。


(光线透过镜头然后通过颜色分离片分离 R G B信息,示意图来自《颜色插值算法改进及其电路设计》)

通过在黑白 cmos 图像传感器的基础上, 增加彩色滤波结构和彩色信息处理模块就可以获得图像的彩色信息, 再对该彩色信息进行处理, 就可以获得色彩逼真的彩色图像。通常把彩色图像传感器表面覆盖的滤波称为彩色滤波阵列(Color Filter Arrays,CFA)。

目前最常用的滤镜阵列是棋盘格式的, 已经有很多种类的, 其中绝大多数的摄像产品采用的是原色贝尔模板彩色滤波阵列(Bayer Pattern CFA)。R、G、B 分别表示透红色、透绿色和透蓝色的滤镜阵列单元。由于人的视觉对绿色最为敏感,所以在 Bayer CFA 中G分量是 R和B 的二倍,在每个像素点上只能获取一种色彩分量的信息,然后根据该色彩分量的信息通过插值算法得到全色彩图像。

2.Demosaic颜色插值 (去马赛克)

当光线通过 Bayer型 CFA(Color Filter Arrays) 阵列之后, 单色光线打在传感器上,每个像素都为单色光,理想的Bayer 图是一个较为昏暗的马赛克图。(见感光元件成像示意图(2))。

根据sensor上感知的光线强度,再结合对应滤光片颜色排列就可以估计出 sensor输出的彩色图像(见bayer滤镜输出图像示意图(3))

首先需要说明的就是demosaiced并不是和字面的意思一样是为了去除电影中的一些打马赛克的图像,而是数字图像处理中用来从不完整的color samples插值生成完整的color samples的方法(因为bayer pattern看起来像一个个马赛克,因此称为去马赛克)。在sensor端通常需要使用CFA滤镜来得到Bayer pattern,而在后面的处理中需要把bayer pattern变成完整的RGB444(真彩色)图像。在ISP中需要有这么一个模块来做。

插值算法

在传统的ISP中有很多算法可以来做这个插值,包括最近邻域法,bilinear 插值,cubic 插值等。

最近邻域法

最近邻插值算法是将目标图像中的点,对应到原图像中后,找到最相邻的整数坐标点的像素值,作为该点的像素值输出。图像会出现明显的块状效应,会在一定程度上损失空间对称性(Alignment)。最近邻法速度最快,没有考虑像素之间的空间关系、色彩关系,效果肯定不佳。

选择最近邻插值算法在图像放大的应用,在demosaic应用距离都相等,选择任意一个或者只选择一侧的像素数值作为插值数值,该方法没有考虑到附近的几个像素点按权重分配。

双线性插值算法

sensor输出一幅Bayer时,每个像素只有R,G,B三个通道中的一个通道的像素,通过插值算法把缺失的像素估计出来,m*n的二维数组插值为m*n*3的3个二维数组

举例说明一下双线性插值,以下图的GRBG bayer矩阵为例

1、以$G_{3,3}$ 这个点为例,我们需要求出$G_{3,3}$点处的RB像素数值,$G_{3,3}$的R 像素数值可以根据$G_{3,3}$ 左、右两个R 插值得到:

$$R_{G_{3,3}} = (R_{3,2} + R_{3,4})/2$$

则$G_{3,3}$的B像素数值可以根据$G_{3,3}$ 上、下两个B 插值得到:

$$B_{G_{3,3}} = (B_{2,3} + B_{4,3})/2$$

其他的G像素插值RB数值都是这样。

2、以$R_{3,4}$ 这个点为例,我们需要求出$R_{3,4}$点处的GB像素数值,则$R_{3,4}$的G 像素数值可以根据$R_{3,4}斜角四个G 像素数值插值得到:

$$G_{R_{3,4}} = (G_{2,4} + R_{3,3} + G_{3,5} + G_{4,4})/4$$

$R_{3,4}$的B 像素数值可以根据$R_{3,4}$上下左右四个B 像素数值插值得到:

$$B_{R_{3,4}} = (B_{2,3} + B_{3,5} + B_{4,3} + B_{4,5})/4$$

同理,在当前点是BR 像素时,插值办法类似之上。

根据同样的原理,我们可以对Bayer图像中的每一个点都进行插值,然后得到插值结果:

颜色相关性原理(色差恒定理论)

色差恒定准则与色比恒定准则都是基于颜色通道之间的相关性,目的都是把颜色通道之间的相关性信息引入颜色插值算法,提高插值的准确性。色差相比于色比有两点优势:

第一,色差的运算简单,更容易实现。第二, 色比在G通道接近0时误差较大,色差不存在这类问题。因此,绝大多数颜色插值算法中使用了色差。

以下图的GRBG bayer矩阵为例

一种基于色差恒定准则的颜色插值算法,定义$Kr$、$Kb$

$Kr = G - R$

$kB = G - B$

以$Kr$举例,对没有R像素数值的像素,需要$K_r$附近的像素进行数值估计,

$$Kr_{3,3} = G_{3,3} - R_{3,3} = G_{3,3}-(R_{3,2}+R_{3,4})/2$$

$$Kr_{2,4} = G_{2,4} - R_{2,4} = G9_{2,4}-(R_{1,4}+R_{3,4})/2$$

插值的过程也是先对绿色通道插值,得到所有的G,然后再计算R
和B。

(1)绿色G通道的R、B像素插值:

在计算G值之前,需要计算好周围的Kr或者Kb,以R点处的G值为例

$$ R_{G_{3,2}} =R_{3,2} + (K_{R_{2,2}} +K_{R_{3,1}}+ K_{R_{3,3}}+ K_{R_{4,2}})$$

B点处的G值类似。

(2)红、蓝通道的插值;

以红色为例,有两种情况,分别是G(3,3)点处的R值($ R_{G_{3,3}}$)和B(2,3)点处的R值(($ R_{B_{2,3}}$))。

$$ R_{G_{3,3}} =R_{3,3} + (K_{R_{1,3}} +K_{R_{3,2}}+ K_{R_{3,4}}+ K_{R_{4,3}})$$

$$ R_{B_{2,3}} =G_{B_{2,3}} + (K_{R_{2,3}} +K_{R_{3,2}}+ K_{R_{3,4}}+ K_{R_{4,3}})$$

自适应插值算法

双线性插值忽视了各通道间的相关性,插值结果往往带有比较严重的伪彩色。

Hamilton and Adams 考虑到了各颜色通道之间的关系,利用梯度变化即两个通道之差,通常是用G通道分别减去R和B通道来增加通道之间的相关性,再用相减得到的结果进行插值。这种方法考虑了各通道间的关联,因此插值结果伪彩色大大减少

其计算水平梯度和竖直梯度,在计算梯度时综合了亮度分量梯度和使用的拉普拉斯二阶微分算子

插值缺失的绿色

在计算绿色像素值时,不仅使用了边缘方向的像素值进行平均,还使用了色差对平均值进行修正。

1、 计算水平梯度和竖直梯度(以$B_{2,3}$举例)

$$\nabla{H} = {丨G_{2,2}-G_{2,4}丨} + 丨2*B_{2,3}-B_{2,1}-B_{2,5}丨$$

$$\nabla{V} = {丨G_{1,3}-G_{3,3}丨} + 丨2*B_{2,3}-B_{-1,3}-B_{4,3}丨$$

2、分析梯度数值大小,计算插值的G值(梯度数值小,色彩差异小,选择梯度小的方向作为插值方向)

当$\nabla{H} < \nabla{V}$时,

$$G_{B_{2,3}} = ( G_{2,2} + G_{2,4} )/2 + (2*B_{2,3}-B_{2,1}-B_{2,5})/4$$

当$\nabla{H} > \nabla{V}$时,

$$G_{B_{2,3}} = (G_{1,3} + G_{3,3} )/2 + (2*B_{2,3}-B_{-1,3}-B_{4,3})/4$$

当$\nabla{H} = \nabla{V}$时,

$$G_{B_{2,3}} = (G_{1,3} + G_{2,2} + G_{3,3} + G_{2,4} )/4 + (4*B_{2,3}-B_{-1,3}-B_{4,3}-B_{2,1}-B_{2,5})/4$$

插值绿色通道缺失的 红、蓝数值

1、插值红像素数值,寻找附近一列或者一行存在红色像素进行权重插值

举例$G_{3,3}$

$$R_{G_{3,3}} = ( R_{3,2} + R_{3,4} )/2 + (2*G_{3,3}-G_{3,1}-G_{3,5})/4$$

蓝色插值同上

插值红(蓝)通道缺失的 蓝(红)数值

已知的红色像素值在两条对角线上,算法的思想是计算两条对角线对应的梯度,选择梯度较小的方向插值。

举例以$B_{2,3}$举例

定义倾斜梯度$\nabla{N}$、$\nabla{P}$:

$$\nabla{N} = 丨R_{1,2}-R_{3,4}丨 + 丨2*G_{2,3}-G_{1,2}-G_{3,4}丨$$

$$\nabla{P} = 丨R_{1,4}-R_{3,2}丨 + 丨2*G_{2,3}-G_{1,4}-G_{3,2}丨$$

根据倾斜梯度,选择插值方向:
当$\nabla{N} < \nabla{P}$时,

$$G_{B_{2,3}} = ( R_{1,2} + R_{3,4} )/2 + (2*G_{2,3}-G_{1,2}-G_{3,4})/4$$

当$\nabla{N} > \nabla{P}$时,

$$G_{B_{2,3}} = (R_{1,4} + R_{3,2} )/2 + (2*G_{2,3}-G_{1,4}-G_{3,2})/4$$

当$\nabla{N} = \nabla{P}$时,

$$G_{B_{2,3}} = (R_{1,2} + R_{3,4} + R_{1,4} + R_{3,2} )/4 + (4*B_{2,3}-G_{1,2}-G_{3,4}-G_{1,4}-G_{3,2})/4$$

测试图像
图、kodim19测试图像


图、双线性插值图像


图、自适应插值算法图像


图、双线性插值、自适应插值算法图像对比

双线性插值法使图片变模糊,在图片中栅栏区域有大量的拉链效应和伪彩色失真;自适应插值算法拉链效应会好很多,还是有一点异常需要优化

感兴趣的可以去我的github 跑跑程序

https://github.com/AomanHao/ISP_Demosiac

我的个人博客主页,欢迎访问

我的CSDN主页,欢迎访问

我的GitHub主页,欢迎访问

最后修改:2020 年 09 月 26 日 10 : 21 PM
如果觉得我的文章对你有用,请随意赞赏