Bayer阵列图像去马赛克算法综述
Bayer阵列图像去马赛克技术是对稀疏采样的Bayer阵列图像进行RGB信息重建,图像重建质量是成像设备评价的重要因素之一,同时也对其他计算机视觉任务(如图像分割、人脸识别)产生影响.随着深度学习方法的快速发展,图像去马赛克领域提出了多种高性能算法.为了便于研究者更全面了解图像去马赛克算法的原理和研究进展,本文对该领域的经典算法和深度学习算法进行综述.首先对Bayer采样阵列原理和图像去马赛克技术进行概述.然后将现有方法分为传统方法和基于深度学习方法两类进行总结,同时根据去马赛克任务是否具有独立性,将深度学习方法分为独立去马赛克任务和联合去马赛克任务两类,分析不同方法的原理和优缺点,重点阐述基于深度学习的去马赛克方法的网络结构和重建机理,介绍去马赛克领域常用的公共数据集和性能评价指标,并对图像去马赛克相关实验进行分析对比.最后,围绕网络深度、运算效率和实用性等方面分析了现阶段图像去马赛克技术面临的挑战及未来发展方向.目前,基于深度学习的图像去马赛克方法已成为主流发展方向,但仍然存在计算成本较高、实际应用性不强等问题.因此,如何开发出重建精度高、处理时间短以及实用性强的图像去马赛克方法,是该领域未来重要的研究方向.
图像去马赛克、Bayer阵列图像、图像处理、深度学习、卷积神经网络(CNN)、综述
27
TP391(计算技术、计算机技术)
国家自然科学基金;陕西省重点研发计划;陕西省重点研发计划;中国科学院重点实验室开放基金
2022-09-27（万方平台首次上网日期，不代表论文的发表时间）
共14页
2683-2696
