图像处理

图像JPEG格式介绍

JPEG (Joint PhotographicExperts GROUP)是由国际标准组织和国际电话电报咨询委员会为静态图像所建立的第一个国际数字图像压缩标准,也是至今一直在使用的、应用最广的图像压缩标准。JPEG由于可以提供有损压缩,因此压缩比可以达到其他传统压缩算法无法比拟的程度。

浅析视频图像中模糊图像的处理方法

由于视频图像极易受到天气、照明环境、拍摄镜头质量、拍摄目标位置以及硬盘压缩程度等的影响,导致许多的视频图像不能满足用户的微观信息观察的需求。因此对于模糊图像的清晰化处理这一操作就显得特别重要。

图像处理之中值滤波介绍及C实现

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号平滑处理技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。

图像处理中滤波与卷积的区别

图像处理中滤波和卷积是常用到的操作。两者在原理上相似,但是在实现的细节上存在一些区别。这篇博文主要叙述这两者之间的区别。

滤波

简单来说,滤波操作就是图像对应像素与掩膜(mask)的乘积之和。比如有一张图片和一个掩膜,如下图:

图像处理中滤波与卷积的区别

那么像素( i , j )的滤波后结果可以根据以下公式计算:
图像处理中滤波与卷积的区别

其中G ( i , j )是图片中 ( i , j )位置像素经过滤波后的像素值。

当掩膜中心m5位置移动到图像( i , j )像素位置时,图像( i , j )位置像素称为锚点。

滤波步骤:

图像处理之动态范围扩展

1、动态范围扩展定义

动态范围(Dynamic Range)是物理学中常见的概念,表示某一物理量最大值与最小值的比率,通常以对数表示,单位为dB。对于真实场景,它指场景中最明亮处与最黑暗处的亮度之比。自然景观的亮度范围覆盖非常之广,最大动态范围能达到160db,而人眼可以感知的亮度范围高达10个数量级。

现实中8比特量化的数字相机输出的图像只能记录有限范围的灰阶与颜色数,其动态范围只有两个数量级,远远小于常见的自然场景的动态范围及人眼所能感知的动态范围,数码相机动态范围不足的问题对其应用造成了较大的影响。鉴于该问题,需要我们进行动态范围扩展,从而让电子显示设备能够输出更宽动态范围的图像。

扩展数字成像系统的动态范围,即高动态范围成像技术(HDR),指利用硬件或者软件的方法,使系统输出的图像包涵尽可能大的场景亮度范围,并准确地再现场景真实的细节信息。目前实现该技术的主要方法:软件扩展方法和硬件扩展方法。其中软件扩展方法主要分为辐照度重建法和直接融合法。

2、动态范围扩展方法

2.1 硬件扩展方法

智能图像处理如何实现机器视觉及其应用的高效智能?

机器视觉(Machine Vision)是人工智能领域中发展迅速的一个重要分支,目前正处于不断突破、走向成熟的阶段。一般认为机器视觉“是通过光学装置和非接触传感器自动地接受和处理一个真实场景的图像,通过分析图像获得所需信息或用于控制机器运动的装置”,可以看出智能图像处理技术在机器视觉中占有举足轻重的位置。

智能图像处理是指一类基于计算机的自适应于各种应用场合的图像处理和分析技术,本身是一个独立的理论和技术领域,但同时又是机器视觉中的一项十分重要的技术支撑。人工智能、机器视觉和智能图像处理技术之间的关系如图所示。

智能图像处理如何实现机器视觉及其应用的高效智能?
图:智能图像处理的支撑作用

具有智能图像处理功能的机器视觉,相当于人们在赋予机器智能的同时为机器按上了眼睛,使机器能够“看得见”、“看得准”,可替代甚至胜过人眼做测量和判断,使得机器视觉系统可以实现高分辨率和高速度的控制。而且,机器视觉系统与被检测对象无接触,安全可靠。

图像处理之边缘自适应的插值算法

1、边缘自适应插值算法介绍

在Bayer CFA中,由于绿色像素点的数量是红色和蓝色像素数量的两倍,故其包含更多的原始图像的边缘信息。因此,亚当斯和汉密尔顿根据该思想在1997年提出了一种边缘自适应的插值算法。

边缘自适应插值算法:首先提出从水平和垂直两个方向对绿色分量进行插值重建,先设计由亮度信号的梯度和色度信号的二阶微分构成的边缘检测算子,由边缘检测算子指示沿正确的方向进行绿色分量的插值。红色和蓝色分量的重建使用已经重建好的绿色分量,采用红绿色差空间或蓝色色差空间的线性插值来完成。常见Bayer域R/G/B分布模型如下,后续插值算法使用:

图像处理之边缘自适应的插值算法

2、边缘自适应插值算法步骤

边缘自适应的插值算法具体实现步骤如下:

图像处理之基于色比色差定律的插值算法

在前面的博客《图像bayer格式介绍以及bayer插值原理CFA》中,简单介绍了Bayer域插值原理以及早期常用的双线性插值算法。双线性插值算法的优点是原理简单,实现相对容易,性能较高,占用硬件资源较少,但是在图像RGB恢复过程中会造成边缘信息的丢失和模糊,另外由于没有考虑颜色通道之间相关性,因此图像恢复主观视觉效果差,容易产生锯齿效应。鉴于双线性插值算法的缺点,优化锯齿效应,新的算法需要考虑RGB通道色彩相关性。

图像处理之动态范围压缩

1、动态范围压缩介绍

自然界中真实场景能够表现比较广泛的颜色亮度区间,比如从很暗(10^-5 cd/m2)的黑夜到明亮(10^5 cd/m2)的太阳光,有将近10个数量级的动态方位。而传统显示设备所能显示的场景、视频和图像通常受限于硬件设备,通常只能表达出很小一部分的亮度范围,比如如常见的8比特图像显示0到255的整数范围,因此为了能够显示高动态范围的影响,需要实现从高动态范围图像(HDR)到低动态范围图像(LDR)的映射,并且不同显示设备的出现,需要实现HDR和之间的相互转换 ,即动态范围压缩(DRC,Dynamic Range Compression)。

动态范围压缩算法常见的分为全局映射和局部映射。全局映射:像素的一对一映射,降低一致的分辨率,这样得到的LDR图像的对比度大大地减少,容易丢失细节部分的信息 。局部映射:考虑像素和像素之间的关系,能够适当增强局部范围的亮度对比度,它保留了一定的细节,但是某些区域会出现失真的现象,并且它的复杂度较高 。鉴于这个原因,我们希望有一个理想算法:既要能保持像素的整体变化,又要能保存一部分细节特征,使得亮度效果能够达到人眼可以接受的接近现实的场景。

图像处理之坏点校正及源码实现

1、坏点介绍

图像坏点(Bad pixel) : 图像传感器上光线采集点(像素点)所形成的阵列存在工艺上的缺陷,或光信号进行转化为电信号的过程中出现错误,从而会造成图像上像素信息错误,导致图像中的像素值不准确,这些有缺陷的像素即为图像坏点。

由于来自不同工艺技术和传感器制造商,尤其对一些低成本、消费品的sensor来说,坏点数会有很多。另外,sensor在长时间、高温环境下坏点也会越来越多,从而破坏了图像的清晰度和完整性。坏点校正的目的就是修复这类问题,通常坏点分为一下两种:

(1) 静态坏点:分为静态亮点和静态暗点。

静态亮点:一般来说像素点的亮度值是正比于入射光的,而亮点的亮度值明显大于入射光乘以相应比例,并且随着曝光时间的增加,该点的亮度会显著增加;

静态坏点:无论在什么入射光下,该点的值接近于0;

(2) 动态坏点:在一定像素范围内,该点表现正常,而超过这一范围,该点表现的比周围像素要亮。与sensor 温度、增益有关,sensor 温度升高或者gain 值增大时,动态坏点会变的更加明 显;

同步内容
--电子创新网--
粤ICP备12070055号