沙特国王大学学报具有先验误差减少的M.S. 萨夫纳·阿西克a，萨夫纳·阿西克a，萨姆·伊曼纽尔ba计算机科学系，Nesamony纪念基督教学院，Marthandam附属于Manonmaniam Sundaranar大学，Abhishekapatti，Tirunelveli 627 012，印度新德里bP.G.部计算机科学，Nesamony纪念基督教学院，Marthandam附属于Manonmaniam Sundaranar大学，Abhishekapatti，Tirunelveli 627 012，泰米尔纳德邦，印度阿提奇莱因福奥文章历史记录：收到2019年2019年5月29日修订2019年6月25日接受在线预订2019年保留字：滤色器阵列残余去马赛克伪像减少A B S T R A C T单个传感器相机仅捕获像素中的一个强度值，称为原始/未处理图像。原始或不完整的图像被重建为一个完整的彩色图像的过程称为去马赛克。所提出的工作介绍了一个错误有效的去马赛克算法。有效的先验误差减少技术有助于获得更好的结果。去马赛克的绿色图像是残差去马赛克过程的指导。用残差去马赛克代替传统的去马赛克。在实验分析中采用标准Kodak和McMaster数据集。与传统的去马赛克算法相比，所提出的方法产生了最佳的性能，减少了误差。©2019作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍相机是从环境中获取图像数据的重要媒介之一。相机中的传感器对所有波长都敏感。多传感器数码相机在单个像素阵列中捕获所有三个颜色强度值，分别获取三个颜色强度值。在单传感器相机中，滤色器用于获取图像数据。 最常用的彩色滤光片阵列（CFA）是拜耳CFA（Bayer，1976），由奇数行的绿-红和偶数行的蓝-绿组成，如图所示。1.一、由于峰值波长，人类视觉系统对绿色强度值比红色或蓝色强度值给予更高的偏好通过单传感器相机采集的原始数据通过去马赛克过程重建为全色图像。* 通讯作者：研究学者（注册号12406），计算机科学系，Nesamony纪念基督教学院附属于Manonma-niam Sundaranar大学，Tirunelveli 627012，泰米尔纳德邦，印度。电子邮件地址：safnabenms@gmail.com（M.S.Safna Asiq），sam_nmcc.ac.in（WR Sam Emmanuel）。沙特国王大学负责同行审查电荷耦合器件（CCD）和互补金属氧化物硅（CMOS）相机使用分束器，该分束器将光强度值分散成三个，从而获得全色图像。在所有相机中使用三个传感器是昂贵的，这被数码相机中较便宜的CFA所取代。有几种类型的CFA可用于去马赛克。拜耳CFA最适合所有的去马赛克算法，它包括亮度和色度分量的强度值的基础上。去马赛克用于降低成本复杂度，并且倾向于识别每个像素位置中的缺失像素值以获得一个完整的形象。去马赛克/插值过程是图像处理流水线中的重要步骤该过程通过演示绿色强度值来启动（Gunturk等人，2005年）。绿色强度值的可用性超过剩余值，导致去马赛克过程的初始化，因为绿色强度值的良好重构有助于增加剩余两个强度值的去马赛克。两种最常见的伪影是拉链（模糊）伪影和假色伪影。拉链伪像是由边缘上的去马赛克引起的，使边缘变得模糊 由于跨边缘的插值引起的快速或异常色移而产生假色伪像（Maschal等人， 2013年）。传统的去马赛克算法对错误细节的集中程度较低。所提出的方法高度强调由于去马赛克，这是一个主要因素的性能指标下降所造成的错误新的残差去马赛克算法以及Hamilton和Adams（HA）https://doi.org/10.1016/j.jksuci.2019.06.0131319-1578/©2019作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com1192M.S. Safna Asiq，WR Sam Emmanuel/沙特国王大学学报Fig. 1. 拜耳彩色滤光片阵列的结构。梯度去马赛克算法通过减少边缘处的伪影产生了最佳结果。这三个阶段包括绿色强度值的HA梯度去马赛克、通过平滑和减少拉普拉斯能量来减少边缘处的伪影的有效滤波算法以及红色和蓝色强度值的残余去马赛克。本文的其余部分包括第2节中的相关工作，然后是第3节中的拟议工作。实验结果在第4节中说明结论在第5中解释。2. 相关工作现有的去马赛克算法进行了讨论，在相关的工作，强调需要一个改进的去马赛克算法。自相似性算法恢复丢失的样本并从小样本重新创建纹理（Buades等人，2009年）。采用非局部自相似性来减少频谱相关性中的伪影（Duran和Buades，2014）。相邻像素之间的更大相关度用于在八个方向上利用去马赛克过程，并且应用用于细化的方向加权重新对准过程以减少误差内容（Chen等人，2015年）。边缘由投票策略识别，并使用加权插值技术而不估计插值方向（Chen等人， 2014年）。最常用的CFA被多光谱滤波器阵列（MSFA）所取代，MSFA包含 用 于 估 计 欠 采 样 分 量 以 减少 混 叠 干 扰 的 高 度 相 关 的 光 谱 带（Jaiswal等人，2017年）。图像相关性与基于边缘自适应算法的支持向量机（SVM）一起被考虑，所述边缘自适应算法将马赛克图像分成两个区域：平滑区域和执行混合切换的边缘区域（Jia等人，2015年）。 边缘自适应去马赛克对区域类型进行分类，并基于空间相关性来估计边缘方向（Kang等人， 2010年）。 残差去马赛克算法与基于梯度的阈值自由结合，在残差区域中进行残差去马赛克（Kiku等人，2016，2014; Ye和Ma，2015）。四方向残差插值使用联合逆梯度权重来获得更好的去马赛克解决方案（Kim和Jeong，2016）。非迭代算法依赖于方向色差的分布来确定阈值的最佳值，并且通过对绝对方向色差分配权重来在四个方向上内插（Li等人，2017年）。简单的边缘检测器使用方向性色差来检测边缘，并通过监视颜色相关性和边缘信息来对图像进行解压缩（Lien等人，2017年）。梯度在使用无阈值去马赛克算法（Pekkucuksen和Altunbasak，2010年）在不同的尺度（Pekkucuksen和Altunbasak，2013年）。方向自由边缘强度滤波器使用消除非相关性的边缘信息，提供局部方向自由亮度过渡（Pekkucuksen和Altunbasak，2012）。在双边滤波器和方向微分（BDD）中，权重取决于一阶和二阶导数的方向微分。双边滤波器使用空间接近度和相似性（Wang等人， 2016年）。多项式插值算法具有三个贡献：i）它计算误差预测器ii）边缘分类上的色差iii）加权求和策略被隐含用于细化（Wu等人，2016年）。捕获像素间色度用于最佳去马赛克变换。用于精确估计的两种机制是：距离相关和边缘感知，通过从窗口的分量进行基于伪逆的估计（Zhang等人，2016年）。线性最小均方误差（LMMSE）技术使用水平和垂直方向的原色差进行插值（Zhang和Wu，2005）。去马赛克使用人工神经网络技术，如深度学习和优化（Tan等人， 2018年）。几种去马赛克算法主要集中在图像的边缘以消除伪影。边缘图案的 自 适 应 识 别 面 临 低 复 杂 度 的 恒 定 色 差 插 值 （ Zhanjie 和Dongdong，2013）。去马赛克算法在获得良好的峰值信噪比方面是有效的，然而在大多数去马赛克算法中边缘处的伪影仍然占主导地位。3. 拟议工作提出的新的去马赛克算法去马赛克的绿色强度值与一个有效的HA梯度去马赛克算法，然后由红色/蓝色强度值的残留去马赛克。一个额外的细化过程被添加到去马赛克，以减少残留去马赛克之前的边缘处的伪影的存在。所提出的去马赛克算法执行去马赛克的绿色强度值作为初始步骤中的去马赛克流水线。细化过程有助于改善边缘处的伪影。剩余强度值的残差demo- saicking是用去马赛克和细化的绿色作为引导图像来执行的。所提出的去马赛克过程在图1中被示出为框图。 二、3.1. 纲要整个去马赛克过程是将未处理的图像重建为去马赛克的全色图像的过程所提出的工作使用汉密尔顿和亚当斯算法（汉密尔顿和亚当斯，1997年）结合梯度来估计丢失的两个强度值代替绿色强度值。在对绿色强度值进行去马赛克之后包括额外的细化步骤以补充去马赛克过程。建议的工作分为两个阶段：预处理和后处理。预处理阶段通过使用Bayer CFA将图像转换为马赛克图像来为去马赛克过程预处理图像后处理阶段被细分为三个处理层。在第一层中，使用高效的HA梯度算法对绿色强度值进行去马赛克，然后在第二层中进行绿色强度值增强步骤。最后一层是在剩余区域内完成的，以插值红色和蓝色强度值。M.S. Safna Asiq，WR Sam Emmanuel/沙特国王大学学报119342þGC;Rc2ð- - Þ×~~~ðÞ×x;yXx;yX：GC;Rc和r2-~垂直方向为rHrx1i¼x-124亚采样绿色图像基于HAG算法的精细化步骤原始输入图像子采样红/蓝图像红色和蓝色残差去马赛克去马赛克图像3.2. 初始绿色强度值去马赛克图二. 总体框图。在薄弱地区增加额外的规模。一个有效的HA梯度算法被用来演示绿色强度值。当与拜耳CFA中的剩余两个像素值相比时，绿色强度值的量高，因为人类视觉的感知给予绿色强度值更高的优先级梯度是提取方向信息的基本手段。半比例的梯度由方程定义。（7）和（8）识别方向近似值是第一步，它涉及作为输入的子采样红色和绿色强度值。在红色位置中的绿色强度值（Gc）的水平和垂直方向上的方向近似的数学符号示于等式2中。（1）和（2）。D小时DVrGx;y1-Gx;y- 121/4Gx1;y-Gx- 1;y-Rx;y2-Rx;y- 27Rx2;y-Rx- 2;yG-cHrx;y=1Gcx;y=1G cx;y=12·Rcx;y-Rcx;y- 2-Rcx;y24ð1Þ其中DHr和DVr是方向性定义的梯度。将色差近似值合并，并通过方程进行平滑。（九）和（10），其中x是像素的权重。G-cVr=x;y=x;Gcx-1;y2~rGc;Rcx;y：f：rVr½x-1;y·x;y·x1;y]HriR2·Rcx;y-Rcx-2;y-Rcx 2;yð2ÞxHr：rGc;Rc½=xU94在绿色位置中的红色强度值（Rc）的水平和垂直近似值在等式（1）中示出。（3）和（4）。R-cHrx;yRcx;y-1R cx;y12·Gcx;y-Gcx;y- 2-Gcx;y2xU¼xHrxVr10xU是恒定色差声明的总权重，其中f= [1/4 1/2 1/4]。重量是定向的用像素值i; jx进行评估2;y2对于55个相邻窗口。目标的四个相邻像素值像素及其权重xN;xE;xW;xS 用于增强þ4ð3ÞR-cVrx;yRcx-1;yR cx1;y绿色强度值，以获得更好的去马赛克结果。色差近似值如等式2中那样更新。（11）和（12）关于方向权重。rGc;Rc=x;y=1-xGcx;y-Gcx-2;y-Rcx 2;yð4Þ½x·x-2;yxx;y-2n.[x ;y]·x4其中，x;y是像素坐标。Hr和Vr表示水平和垂直方向。方向近似值为þN rGc;RcS rGc;RcW rGc;RcXAE rG c;Rcð11Þ与局部窗口中的总绝对梯度比相结合，并与颜色动态相结合。通过找到每个像素位置的强度值与其方向近似值之间的差异来估计方向色差，如下所示：在Eqs. （5）和（6）xA¼xN xExWxS12在垂直和水平方向上对5 × 3和3 × 5等式（13）─（16）给出了四个方向上权重计算的差的和。HrGc;Rc8G-cHrx;y-Rcx;y;用于Gcð5ÞxN¼ .Xxy1-两个DVri;jð13Þ：Gc=Hr; GcHr;i<$x-4j<$y- 1VrGc;Rc8G-cVrx;y-Rcx;y;用于Gcð6ÞxE¼.Xx1002004年 DHri;j！-两个ð14ÞGc=x;y=-R c; Vr=x;y=;对于Rc在水平方向和垂直方向上的方向近似值的差异分别的图像好的分辨率应该具有最小的刻度。一个i<$x-1j<$y.X！-两个DHri;jð15Þ-R！Ryx¼RWVrGc;RcY/Y-4¼1194M.S. Safna Asiq，WR Sam Emmanuel/沙特国王大学学报XGcx;y×n¼：Rcx;y-Ga;bLGG-cx;y-Da;bpn4公司简介.Xx104y1DVri;j！-两个ð16Þ衍生物默认情况下，它为零，但在暗侧和亮侧会发生变化。该滤波器应用于方程2中的F1/4x2y2（十九）、iy-1通过对色差近似的红色（Rc）和蓝色（Bc）强度值的实际像素值求和来获得去马赛克的绿色图像。绿色强度值使用半比例的梯度被有效地去马赛克。最终的去马赛克的绿色图像通过方程获得。（17）和（18）从红色和蓝色位置G<$cx;yRcx;yr<$Gc;Rcx;y17G<$cx;y<$Bcx;yr<$Gc;Bcx;y18实用的颜色近似直接从马赛克图像中观察到。在残余去马赛克过程之前，对绿色分量进行精制拟议工作的框架在图中详细说明。3.第三章。3.3. 精细化步骤由绿色强度值去马赛克引起的失真或伪像被带到红色和蓝色强度值去马赛克，其中伪像导致差的去马赛克结果。在绿色强度值中产生的伪影通过由有效滤波器进入剩余的去马赛克过程来一个有效的过滤器被用来抑制在边缘的伪影。滤波器被应用于相对于相邻像素值的边缘。高效过滤器与降低拉普拉斯能量以获得更好的去马赛克-2n21LGGc10x;y100 - 101-F10e-F1019比例因子用于限制滤波器区域。LG滤波器消除了去马赛克的绿色强度值的假彩色伪影，从而产生精细的图像。3.4. 红蓝残差去马赛克红色和蓝色强度值使用残差去马赛克过程进行内插。残差是实用近似值和临时近似值之间的减法。 红色和蓝色强度值在残差区域中被去马赛克。通过使用引导滤波的引导上采样从去马赛克的绿色图像生成临时近似（He等人，2013年），它是一种有效的边缘增强滤波器。利用引导图像的稀疏数据来开发图像结构的局部窗口ea;b的临时近似值，系数Ga;b是增益分量，Dx;y是鉴别能力。能力成分。当量公式（20）描述了具有像素索引a ; b的红色强度值残差去马赛克。R<$cx;y<$Ga;bLGGcx;y<$Da;b;8x;y2ea;b<$20<$在引导上采样中，拉普拉斯滤波器首先进行卷积，以计算掩蔽的绿色图像和实用的红色图像。的增益分量的成本函数（CF）被最小化，如等式（1）所示。（二十一）a bX^x;y a b^M结果。这种先前的误差减少技术减少了二次去马赛克过程之前的误差。碳纤维布x;y 2ea;bRc-G;DLGG-cx;y21高斯滤波器通过平滑图像来LGM是屏蔽的绿色像素值。的成本函数并且拉普拉斯滤波器用于减少边缘之间的伪影。滤波器的组合用于伪影减少。一个离散的7 × 7的核为125，鉴别能力分量在等式（1）中示出（二十二）XM2应用于高斯拉普拉斯（LG）滤波器的相邻值的大小。它以均匀边为二阶x;y2ea;b过滤绿色图像水平色差垂直色差引导上采样语用近似去采样残差残差图像图三. 拟议方法的框架。CFDa;bð22ÞM.S. Safna Asiq，WR Sam Emmanuel/沙特国王大学学报1195..GC;RcRðÞ2n2x;yP公司简得到的R<$cx;y在每个窗口中都是不同的，最终输出如等式2所示。 式中，G<$ x;y和D<$x;y是方程中计算的连续系数。（23）和（24）4. 实验结果在当前的场景中有几个性能指标，它们是峰值信噪比（PSNR）、均方根误差（RMS）、G<$x;y2ea;bwa;bGa;bx;y 2ea;bwa;bð23Þ（RMSE）、空间扩展CIELAB（SCIELAB）（Zhang和Wandell，1997）、结构相似性指数度量（SSIM）、特征相似性-城市指数测量（FSIM）（Zhang等人， 2011），平均绝对误差Px;y2ea;bwa;bDa;b（MAE）和颜色峰值信噪比（CPSNR）。相同的一组24x;y¼Px;y2ea;bwa;bÞ图像被系统地用来仔细检查不同的传统，典型的去马赛克算法及其性能。Rcx;y 公司简介x;yLGG-cx;y þD¯ x;yð25Þ性能指标，以确定效率的亲，提出的方法是PSNR和SSIM。PSNR是最好的-剩余成本的权重计算如等式所示（二十六）SSIM是一种唯一且广泛使用的评估指标，是最近被研究人员最常用的有效指标，wa b11个CF=;26Þ最近几年PSNR是原始图像与. ea;b.和重建的图像。PSNR值由最大可能输出原始图像。电容的测量单位是其中ea;b 是aea;b局部窗口中的采样红色像素值，b是加权成本。通过引导上采样从去马赛克的绿色图像生成临时近似。如在色差去马赛克中的残差去马赛克使用双线性插值来获得去马赛克的红色图像。也以与红色强度值去马赛克相同的方式获得去马赛克的蓝色图像。将去马赛克的红色、绿色和蓝色图像汇集在一起以产生完整的去马赛克图像。所提出的方法消除了拉链和假彩色文物所造成的，由于在边缘去马赛克。所提出的工作减少了文物，以满足性能指标的期望程度。误差的减少显著地增加了图像的质量，从而导致良好质量的误差意识去马赛克图像。算法：RD-ER输入：原始输入图像I x，y。输出：去马赛克的全彩色图像。步骤1将输入图像I x，y转换为子采样的Rc x，y、Gc x，y和Bcx，y。第2步计算Gc x，y和R cx，y强度值的方向近似值为G-cH rx;y;R-cH rx;y和G-cV rx;y;R-cV rx;y。步骤3用Rcx，y和B cx，y像素值计算Gc x，y的色差插值。RHRX;Y和分贝SSI测量由图像实验室开发和视频工程来测量图像中结构信息的损失更好的性能是由高PSNR和SSIM值决定的。使用柯达伊士曼公司发布的标准柯达数据集（柯达无损真彩色图像套件，1999年）和Mc Master（McM ）数据集（Wu，2011年）分析了拟议工作的性能Kodak数据集由24张标记图像文件格式（.tif）的真彩色测试图像组成，尺寸为768x512。McMaster数据集有18张500x500尺寸的彩色图像，采用标记图像文件格式（.tif）。用于测试和分析的软件是64位MATLAB R2014a版本。Kodak和McM数据集的测试图像如图2和3所示。所提出的算法的效率在表1-4中示出。4.1. 与传统算法的用于比较分析的现有技术的常规去马赛克算法包括双线性插值（ BI ） 、 基 于 多 尺 度 插 值 （ MSG ） 的 算 法 （ Pekkucuksen 和Altunbasak，2013）、残差插值（RI）（Kiku等人，2013）、超越色差-残差插值（BCD-RI）（Kiku等人，2016）和交替投影（AP）（Lu等人，2010年）。上述算法的源代码从作者的网站下载对柯达数据集的所有24幅图像进行了分析VrGc;Rc~分别为x，y和，合并以获得和18张麦克马斯特数据集的图像详细分析了Kodak数据集的去马赛克算法，rGc;Rdx;y步骤4估计四个方向上的权重xN;xE;xW;xS并将其相加以获得合并的G-cx;y强度值步骤5使用n 1/41：25和F1/4x2=2的离散7 x 7内核用于LG滤波器中的先验误差减小。第六：利用改进的LGGc_x;y_x插值通过找出实际近似值和临时近似值之间的差异，确定剩余区域中的Rc x，y和Bc x，y强度值。步骤7通过用于红色和蓝色残差去马赛克的引导上采样来估计增益分量和鉴别能力的成本函数。步骤8使用不同的去马赛克策略获得内插的绿色、红色和蓝色强度值。第9步合并所有三个插值强度值以获得全色图像。最高峰值信噪比BI分别为23.55和34.06，MSG为42.08，RI为28.92和40.99，BCD-RI为32.56和43.18，AP为29.46和37.06所提出的工作在图像#13中具有最低的PSNR值34.87，在图像#中具有最高的43.4223. Mc主数据集的分析结果显示，BI的最低值和最高值分别为22.98和32.58，MSG的最低值和最高值分别为25.46和40.38，RI为27.46和40.07，BCD-RI为29.44和40.69，36.01 AP。拟议的工作在图像#1中有29.51，40.96分别具有最低和最高的PSNR值。与传统的去马赛克算法相比，本文提出的去马赛克算法具有最高的平均值39.80.去马赛克性能的PSNR的总体改善对于Kodak数据集为0.81 dB，对于McM数据集为0.82 dB。为了更好地理解，在图6对Kodak数据集的去马赛克算法的最高和最低SSIM值分别为BI的 0.9852 和 0.8223 ， MSG 的 0.9941 和 0.9702 ， RI 的 0.9919 和0.9699，BCD-RI为0.989，AP为0.9549拟议的工作有;¼1196M.S. Safna Asiq，WR Sam Emmanuel/沙特国王大学学报见图4。 柯达图像数据集。图五. 麦克马斯特图像数据集。表1Kodak数据集上不同去马赛克算法的峰值信噪比比较。图像BIMSGRIBCD-RIAPProp（RD-PER）126.0436.6533.8236.3633.2136.85231.9835.5528.9240.5433.0141.31333.0138.3738.4842.6634.4443.13432.7435.6935.6540.8833.6541.66526.4932.7432.5537.3430.6737.75627.4138.2636.6538.7934.9739.26732.4636.4435.7542.6733.6142.99823.5533.9532.1934.5331.2135.14931.7739.3438.9841.8934.9742.531031.6639.1537.8642.0135.3542.621128.9437.0636.6338.9034.0739.251232.2139.2634.3243.0335.2743.321323.8734.5132.3132.5632.5634.871428.7731.3032.7637.4829.4637.721530.7636.6234.4539.2033.6640.121630.5642.0840.9942.5437.0643.041731.3740.6239.7140.7335.5940.851827.6834.7534.4635.9332.7336.511927.6939.0338.1039.4833.3240.092030.2338.7535.0640.3432.5540.432128.1537.5235.9037.7533.5738.072229.9635.9635.6538.2832.8938.532334.0637.7137.0943.1833.2943.422426.2335.1034.1934.4731.4935.81Avg.29.4836.9335.5139.2333.4439.80M.S. Safna Asiq，WR Sam Emmanuel/沙特国王大学学报1197表2不同去马赛克算法在McMaster数据集图像BIMSGRIBCD-RIAP道具（RD-ER）125.1425.4627.4629.4423.3629.51228.6532.7933.9635.3830.1235.42323.9931.5731.6434.0729.0034.13422.9831.9634.2838.0227.9238.24528.0128.6931.5634.4527.0433.62629.9129.0033.4138.8627.4138.96729.2940.3838.3137.0636.0140.50828.0736.5035.1737.3233.4637.40928.2031.5233.1736.8729.0336.891030.6933.8235.3239.1430.4739.461132.5834.6036.5340.2431.2540.391229.0735.2637.7439.8631.2039.971331.0337.1440.0740.6932.5740.961432.4137.0338.8539.1333.0939.941532.2836.3536.7239.2832.7139.501627.3427.8531.6535.4625.6335.761728.4025.6228.6033.2124.0335.501826.2532.8434.6236.4629.6136.48Avg.28.5732.6934.3936.9429.6637.37表3Kodak数据集上不同去马赛克算法的SSIM比较。图像BIMSGRIBCD：RIAPProp（RD-PER）10.83770.98620.96990.98470.97010.986320.98520.99410.99010.99850.9890.99930.95730.99170.99190.99480.97340.99540.97050.99070.99120.99650.98270.99750.84860.97860.97360.99120.95820.99260.88990.98640.98210.99180.97430.99370.93410.98980.98880.99590.97640.99680.82230.97760.97020.97820.9590.98190.89820.98050.98150.96610.95840.9815100.89340.98520.9840.9830.96240.9854110.89430.97520.97590.9790.95490.98120.96140.99320.98870.99510.98520.9952130.85840.98140.9720.97820.96940.9824140.86580.97570.97350.98640.95510.987150.95560.98760.98570.98720.97670.988160.84420.98490.98110.98870.95530.99170.8940.98820.98770.97840.96980.9889180.88960.97020.97020.97030.95750.973190.89760.98570.98650.9810.95290.9866200.90520.95770.96050.93610.91640.966210.90080.98580.98340.9870.96790.988220.90970.97450.97620.9830.94520.983230.96270.99220.99170.99410.97270.995240.85030.97060.96960.97930.94120.98Avg.0.90110.98260.98020.98350.96350.9870表4不同去马赛克算法在McMaster数据集上的SSIM比较。图像BIMSGRIBCD-RIAP道具（RD-ER）10.93580.94930.96550.9700.92620.97820.93610.96750.97240.9610.94880.98130.83740.96490.96840.9630.92740.97340.81830.96500.97780.9630.90500.98450.92450.94590.96770.9730.91760.97960.91790.90330.95440.9690.87380.97170.83710.97580.96940.9450.95580.984480.87550.95270.95680.9170.93230.97390.95610.97890.98540.9900.96480.99100.96970.98320.98640.9850.97040.987110.97170.97660.98660.9890.96410.989120.97250.99490.99700.9970.98440.997130.97590.99450.99800.9970.98220.998140.97180.98710.98920.9810.97360.991150.97320.98400.98560.9830.97250.988160.95200.96310.98270.9900.95170.990170.95550.92700.96280.9830.90460.985180.93860.97370.98270.9750.96140.985Avg.0.92880.96590.97710.9730.94530.98461198M.S. Safna Asiq，WR Sam Emmanuel/沙特国王大学学报柯达数据集McMaster数据集4540353025BI MSGR I B CD：RIA P P ROP（RDER）图六、Kodak和McMaster数据集的去马赛克算法的平均PSNR值的比较分析图像#20的最低SSIM值为0.966，图像#1的最高值为0.999。McM数据集的分析结果为：BI为0.8183和0.9759，MSG为0.9033和0.9949，RI为0.917和0.997; AP为 0.8738和0.9844建议的作品在图像#6中具有最低的0.971，在图像#13中具有最高的0.998。Kodak和McM数据集的平均性能改善分别为0.0041和0.0045 平均SSIM值如图所示。7.第一次会议。味精GBTFRD ER（Prop）MLRIRIAPBI0 2 4 6 8 10 12 14Kodak和McMaster数据集的去马赛克算法的时间复杂度详见表5，并在图5中以图形方式进行了描述。8.第八条。不同的去马赛克算法具有不同的时间复杂度，这取决于测试图像和方法。所提出的去马赛克算法的平均时间为Kodak和McMaster数据集分别为6.569和5.146。它比大多数算法快，比少数算法慢。性能指标是比较高的，在使用一个有效的拉普拉斯和高斯滤波技术以及HA梯度算法和残留去马赛克算法。所提出的工作表现出最佳的性能，以减少在边缘的文物。误差机制是最不集中在现有的去马赛克算法，并克服了所提出的工作。见图8。Kodak和Mc主数据集去马赛克算法的平均时间复杂度分析。5. 结论本文提出了一种有效的减少误差的残差去马赛克算法，它利用残差进行去马赛克，而不是通常使用的色差插值，并在二次去马赛克之前增加一个额外的细化步骤，以减少边缘之间的误差。所提出的工作是有效的相比，传统的算法，通过最小化的文物。该工作可以进一步测试除拜耳滤色器阵列之外的滤色器阵列图案，0.990.980.970.960.950.940.930.920.910.90 1 2 3 4 5 6710.990.980.970.960.950.940.930.920.910.90.89图7.第一次会议。Kodak和Mc主数据集去马赛克算法的平均SSIM值的比较分析表5Kodak和Mc主数据集的时间复杂度。数据集BIAPRIMLRIGBTFMSGRD-ER（Prop）柯达0.8731.1763.5355.1469.81111.7896.569麦克马斯特1.0211.4263.2874.0769.17613.0925.146McMaster数据集柯达数据集M.S. Safna Asiq，WR Sam Emmanuel/沙特国王大学学报1199时间复杂度可以通过更少耗时的技术策略来降低。资金这项研究没有资金。伦理认可。没有人被沉迷于这项研究。现有文献中对灰狼的狩猎特征进行了描述。竞争利益作者没有利益冲突。引用Bayer，B.E，1976年。彩色成像阵列。美国专利3971065。Buades，A.，Coll，B.，Morel，J.M.，Sbert，C.，2009.自相似性驱动的颜色去马赛克。IEEE传输图像处理。18，1192-1202.陈旭，Jeon，G.，郑，J.，2014.基于投票的方向插值方法及其在静态彩色图像去马赛克中的应用。IEEE Trans. Circuits Syst. VideoTechnol.24，255-262.陈旭，他，L.，Jeon，G.，郑，J.，2015年。拜耳模式CFA去马赛克的多方向加权插值IEEE电路系统视频技术25，1271-1282。 https://doi.org/10.1109/TCSVT.2014。二三一三八九六。Duran，J.，Buades，A.，2014. 基于自相似和谱相关的自适应彩色图像去马赛克算法。IEEE传输图像处理。23，4031-4040。Gunturk，B.K.，Glotzbach，J.，Altunbasak，Y.，Schafer，R.W.，Mersereau，R.M.，2005. 去 马 赛 克 ： 彩 色 滤 光 片 阵 列 插 值 。IEEE Signal Process Mag.22 ， 44- 54.https://doi.org/10.1109/MSP.2005.1407714网站。汉密尔顿，J.F.，亚当斯，J.E.，一九九七年。单传感器彩色电子相机中的自适应彩色平面插值他，K.，孙，J.，唐，X.，2013年。引导图像滤波。IEEE Trans.模式肛门。马赫内特尔35，1397-1409。https://doi.org/10.1109/TPAMI.2012.213网站。Jaiswal，S.，芳湖，加-地Jakhetiya，V.，彭杰，Mueller，K.，区，O.C.，2017.基于频域谱相关分析的自适应多光谱去马赛克。IEEE传输图像处理。 26，953-968 。https://doi.org/10.1109/TIP.2016.2634120.Jia，X.，赵，B.，周，M.，陈志，2015.一种基于图像相关性的边缘自适应去马赛克方法。J.中南大学，22，1397-1404。https://doi.org/10.1007/s11771-015-2657-9.Kang，M.G.，哦，嗯，Kim，C.W.，Han，Y.S.，2010年。基于bayer色差空间相关性 的 边 缘 自 适 应 彩 色 EurasipJ. 图 像 视 频 处 理 。 2010 ， 1-14 。https://doi.org/10.1155/2010/874364网站。Kiku，D.，Monno，Y.，田中，M.，Okutomi，M.，2013.用于彩色图像去马赛克的残差插 值 ICIP2304-2308 。 在 ： 处 理 - 内 部 会 议 图 像 处 理 中 。https://doi.org/10.1109/TIP.2016.2518082网站。Kiku，D.，Monno，Y.，田中，M.，Okutomi，M.，2014年。彩色图像去马赛克的最小拉普拉斯在：SPIE-IST电子成像会议录。https://doi.org/10.1117/12.2038425网站。Kiku，D.，Monno，Y.，田中，M.，Okutomi，M.，2016.超越色差：彩色图像去马赛克的残差插值。IEEE传输图像处理。25，1288-1300。https://doi.org/10.1109/TIP.2016.2518082网站。Kim，Y.，郑，J.，2016.用于去马赛克的四方向残
我的内容管理
展开
