基于贝尔模板图像传感器的静态图像重构和压缩

摘要

论文研究了基于贝尔模板的单CCD原始数据的图像重构及其压缩算法。这些算法在当今的数字摄像(相机)产品中属于核心技术。图像重构算法可分为两个统计独立的阶段，首先是插值算法，之后是图像增强，主要指伪彩抑制与边缘增强。插值算法基于像素空间的相关性及其色谱的相关性；由于贝尔模板对红蓝两种颜色的空间采样频率较低，使得这两个通道在重构时容易发生混淆失真。而绿色是红(蓝)采样频率的两倍可以较精确的重构。另外，在图像的高频部分，各通道之间的相关性较强。所以我们直接用绿色的高频分量来取代红(蓝)的高频。本论文提出的插值算法采用自适应的Sobel边缘检测算子计算加权平均的系数恢复出绿色通道，然后再采用通道分解的方法利用绿色通道的高频信息恢复出红色和蓝色，实验表明该算法取得了较好的效果。但是无论再好的插值算法都会带来一些失真。这些失真主要有两种：伪彩色和边缘模糊。而这种模糊主要发生在图像的边界区域。本文提出了改进的中值滤波算法来消除这种失真。对图像的中值滤波操作限定在边界区域，这样做的好处是既去掉了彩色噪声又保留了良好的细节。 在国际上，基于原始数据的图像压缩算法是近四五年才开始的，而且只有少数学者进行研究。国内目前很少有文献报道针对贝尔模板数据进行图像压缩研究成果。所以贝尔模板数据直接压缩研究具有重要的意义。 在进行贝尔模板数据直接压缩算法中，研究思路的出发点是对一般图像压缩方法进行改进以适应CFA图像编码问题。由于贝尔模板的特殊性，传统全彩图像编码技术并不能提供令人满意的表现。在设计压缩算法时，要尽量做到无损压缩，至少也应该是视觉无损。本文提出了两种针对贝尔模板直接数据的视觉无损压缩算法。第一种是基于传统JPEG的。但不同的是本文把整个CFA图像都作为亮度通道。这样既避免了色空间转换带来的数据损失，同时由于只采用了亮度通道的量化表使图像得到了较细的量化。第二种压缩算法是基于矢量量化的。算法根据人类视觉特性对图像的不同区域采用不同的量化步长，较好的去掉了视觉冗余。实验分析的结果证明，本文的两种算法都取得了较令人满意的结果。除了以上两种算法，本文还给出了两种基于小波变换和整数小波变换的压缩算法设计思路。

目录

文摘

英文文摘

独创性声明及关于论文使用授权的说明

第一章绪论

1.1研究背景

1.2课题意义

1.3主要创新点

1.4论文的组织

第二章静态图像重构和压缩理论基础

2.1基于贝尔模板图像传感器

2.1.1图像传感器工作原理

2.1.2 CCD和CMOS的比较

2.1.3单CCD和3CCD

2.1.4 CFA阵列结构与Bayer模板

2.1.5原始数据的含义

2.2原始数据处理流程

2.3 CFA插值算法概述

2.3.1 CFA图像获取的数学模型

2.3.2传统插值算法

2.3.3插值算法分类

2.4插值后图像增强算法

2.4.1常见人工失真分析

2.4.2伪彩抑制

2.4.3边缘增强

2.5图像压缩基础与静态图像压缩标准

2.5.1一般图像压缩算法

2.5.2无损和近无损图像压缩

2.5.3 JPEG，JPEG2000与JPEG-LS标准

2.6本章小结

第三章高质量与高效率的CFA图像重构算法

3.1基于YUV色彩空间的插值算法

3.2基于图像分解的插值算法

3.2.1算法的形成思路

3.2.2算法描述

3.3用改进的中值滤波进行伪彩抑制

3.3.1算法形成思路

3.3.2算法描述

3.4边缘增强

3.5 CFA重构图像质量评价

3.5.1对边界区域和平滑区域分别进行评价

3.5.2计算拉练效应百分比

3.6 CFA图像重构算法实验

3.6.1基于YUV空间插值算法实验

3.6.2基于通道分解的插值方法实验

3.7本章小结

第四章原始数据压缩

4.1对原始数据直接存储和压缩的意义及国内外发展现状

4.1.1对原始数据直接存储的意义及优缺点

4.1.2压缩原始数据的意义及国内外发展状况

4.2原始数据的图像压缩算法框架设计

4.2.1基于JPEG的压缩方法

4.2.2基于矢量量化的视觉无损压缩算法框架

4.3针对原始数据压缩的评价办法

4.4压缩实验

4.4.1原始数据压缩算法质量评价

4.4.2对解压后的原始数据插值后质量评价

4.5原始数据压缩算法的展望

4.6本章小结

第五章结论和展望

参考文献

附录

致谢

硕士期间论文发表情况