日本語AIでPubMedを検索
反復誤差補正ベースアプローチを用いたRGBW CFA画像の効果的な3段デモザイク処理手法
Effective Three-Stage Demosaicking Method for RGBW CFA Images Using The Iterative Error-Compensation Based Approach.
PMID: 32674284 DOI: 10.3390/s20143908.
抄録
カラーフィルタアレイ（CFA）2.0として、CFAの各画素がR、G、B、Wのいずれか1つの色値のみを含むRGBW CFAパターンは、ベイヤーCFAパターンよりも多くの輝度情報を提供します。人間の知覚の対象画像として高品質なＲＧＢフルカラー画像を提供するためには、ＲＧＢＷ ＣＦＡ画像Ｉ Ｒ Ｇ Ｂ Ｗをデモザイク化することが必要であり、そのためには、ＲＧＢＷ ＣＦＡ画像Ｉ Ｒ Ｇ Ｂ Ｗをデモザイク化する必要がある。本レターでは，I R G B W のための 3 段階のデモザイク処理手法を提案する．第一段階では，I R G B W のカラープレーン内の欠落した色画素を補間するために，クロスシェイプベースの色差アプローチを提案する．第2段階では，繰り返し誤差補正に基づくデモザイク処理を提案し，デモザイク処理されたRGBフルカラー画像の品質を向上させる．第 3 段階では，入力画像 I R G B W を基底真実 RGBW CFA 画像とし，第 2 段階で得られた復モザイク画像の品質を向上させるために，I R G B W ベースの精緻化処理を提案する．KodakとIMAXのデータセットから収集したRGBW画像を用いた実験結果から、提案する3段階のデモザイク処理手法は、HamiltonとComptonによる前者の手法や、Kwanのパンシャープンに基づく手法、KwanとChouのディープラーニングに基づく手法と比較して、品質と知覚効果の大幅な向上を達成していることが明らかになった。
As the color filter array (CFA)2.0, the RGBW CFA pattern, in which each CFA pixel contains only one R, G, B, or W color value, provides more luminance information than the Bayer CFA pattern. Demosaicking RGBW CFA images I R G B W is necessary in order to provide high-quality RGB full-color images as the target images for human perception. In this letter, we propose a three-stage demosaicking method for I R G B W . In the first-stage, a cross shape-based color difference approach is proposed in order to interpolate the missing color pixels in the color plane of I R G B W . In the second stage, an iterative error compensation-based demosaicking process is proposed to improve the quality of the demosaiced RGB full-color image. In the third stage, taking the input image I R G B W as the ground truth RGBW CFA image, an I R G B W -based refinement process is proposed to refine the quality of the demosaiced image obtained by the second stage. Based on the testing RGBW images that were collected from the Kodak and IMAX datasets, the comprehensive experimental results illustrated that the proposed three-stage demosaicking method achieves substantial quality and perceptual effect improvement relative to the previous method by Hamilton and Compton and the two state-of-the-art methods, Kwan 's pansharpening-based method, and Kwan and Chou's deep learning-based method.