Low Cost Edge Sensing for High Quality Demosaicking
Low Cost Edge Sensing for High Quality Demosaicking
复制标题
用于高质量去马赛克的低成本边缘传感
DOI：
10.1109/tip.2018.2883815
复制
发表时间：
2018-06
影响因子：
10.6
通讯作者：
牛砚
中科院分区：
文献类型：
--
作者：
牛砚
使用彩色滤光片阵列（CFA）的数码相机需要去马赛克过程来形成完整的RGB图像。对于数码相机行业来说，去马赛克的速度与去马赛克的准确性同样重要，因为相机用户已经习惯于即时查看拍摄的照片。此外，与去马赛克相关的成本不应超过使用CFA节省的成本。为此，我们重新审视经典的汉密尔顿-亚当斯（HA）算法，它优于许多复杂的技术在速度和精度。我们的分析表明，HA管道是非常有效的利用原始捕获的数据，但其过于简化的通道间和通道内的平滑制定阻碍了其准确性。因此，我们提出了一个非常低成本的边缘检测方案，它引导去马赛克的逻辑功能的方向变化之间的差异。我们广泛比较我们的算法与27去马赛克算法，通过运行他们的开源代码的基准数据集。与类似计算成本的方法相比，我们的方法实现了更高的精度;而与类似精度的方法相比，我们的方法具有显着更低的成本。在目前流行的分辨率的测试图像上，我们的算法的质量与顶级执行者相当，但我们的速度要快几十倍。这项工作的源代码将与纸质出版物一起发布。
Digital cameras that use Color Filter Arrays (CFA) entail a demosaicking procedure to form full RGB images. To digital camera industry, demosaicking speed is as important as demosaicking accuracy, because camera users have been accustomed to viewing captured photos instantly. Moreover, the cost associated with demosaicking should not go beyond the cost saved by using CFA. For this purpose, we revisit the classical Hamilton-Adams (HA) algorithm, which outperforms many sophisticated techniques in both speed and accuracy. Our analysis shows that the HA pipeline is highly efficient to exploit the originally captured data, but its oversimplified inter- and intra-channel smoothness formulation hinders its accuracy. We therefore propose a very low cost edge sensing scheme, which guides demosaicking by a logistic functional of the difference between directional variations. We extensively compare our algorithm with 27 demosaicking algorithms by running their open source codes on benchmark datasets. Compared to methods of similar computational cost, our method achieves substantially higher accuracy; Whereas compared to methods of similar accuracy, our method has significantly lower cost. On test images of currently popular resolution, the quality of our algorithm is comparable to top performers, yet our speed is tens of times faster. Source code for this work will be released with paper publication.
登录
查看更多内容
DOI：
--
发表时间：
2017
期刊：
--
影响因子：
--
作者：
Run-xu Tan;K. Zhang;W. Zuo;Lei Zhang
通讯作者：
Run-xu Tan;K. Zhang;W. Zuo;Lei Zhang
DOI：
10.1109/icip.2014.7025358
发表时间：
2014-10
期刊：
2014 IEEE International Conference on Image Processing (ICIP)
影响因子：
--
作者：
Mattia Rossi;G. Calvagno
通讯作者：
Mattia Rossi;G. Calvagno
影响因子：
10.6
作者：
Hirakawa, K;Parks, TW
通讯作者：
Parks, TW
影响因子：
4.3
作者：
Chung-Yen Su
通讯作者：
Chung-Yen Su
DOI：
10.1109/tcsvt.2014.2313896
发表时间：
2015-08
影响因子：
8.4
作者：
Xiangdong Chen;Liwen He;Gwanggil Jeon;Jechang Jeong
通讯作者：
Xiangdong Chen;Liwen He;Gwanggil Jeon;Jechang Jeong