TW201419853A - 影像處理器及其影像壞點偵測方法 - Google Patents
影像處理器及其影像壞點偵測方法 Download PDFInfo
- Publication number
- TW201419853A TW201419853A TW101141893A TW101141893A TW201419853A TW 201419853 A TW201419853 A TW 201419853A TW 101141893 A TW101141893 A TW 101141893A TW 101141893 A TW101141893 A TW 101141893A TW 201419853 A TW201419853 A TW 201419853A
- Authority
- TW
- Taiwan
- Prior art keywords
- pixel
- image
- local
- tested
- global
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims description 39
- 238000001914 filtration Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 16
- 238000009826 distribution Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 3
- 206010010356 Congenital anomaly Diseases 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
- H04N25/60—Noise processing, e.g. detecting, correcting, reducing or removing noise
- H04N25/68—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to defects
- H04N25/683—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to defects by defect estimation performed on the scene signal, e.g. real time or on the fly detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
一種影像處理器可執行一影像壞點偵測方法,以偵測輸入影像中的至少一壞點。影像壞點偵測方法包括以下步驟。經高通濾波處理輸入影像,得到濾波影像。依據濾波影像得到全域均值以及全域標準差。選取濾波影像中的一個待測像素。依據待測像素與多個鄰近像素得到局域均值、局域標準差、全域均值及局域均值差。判斷全域均值差與全域標準差滿足第一條件,且局域均值差與局域標準差滿足第二條件時,待測像素為壞點。
Description
本揭露係關於一種影像處理器及其偵測方法,特別是一種影像處理器及其影像壞點偵測方法。
隨著科技進步與發展,電荷耦合元件(Charge Coupled Device,CCD)或互補式金氧半場效電晶體(Complementary Metal-Oxide-Semiconductor,CMOS)等影像感測器在科學、工業、國防、航空、通訊、醫學等各領域上的應用已經越來越當廣泛。數位影像的應用同樣也蓬勃發展,例如車道辨識、物件追蹤或人臉辨識等,而保有輸入之影像資料的正確性更是確保各種應用的演算法達到最大效能的先決條件之一。
然而實際上,影像感測器相當容易產生雜訊。影像感測器在生產時可能因為封裝中掉入微粒灰塵(particle)而產生先天性的壞點(dead pixel),也可能因出廠時間及使用次數增長損耗影像感測器而產生壞點。除此之外,特別是在低光源或慢速快門的情形下,若感光度設定越高,所產生的雜訊也越多。而長時間曝光攝影時,會影像感測器發熱產生暗電流(black level),使得影像感測器不當曝光而產生熱噪點(hot pixel)。因此在許多需要長時間曝光的攝影應用上,例如天文攝影等,更會產生許多嚴重的雜點。
目前有些高階的數位相機有長曝光雜訊消除(long
exposure noise reduction)的功能,可定時關閉影像感測器以令其冷卻,來嘗試消除長時間曝光拍攝所產生的雜訊。但這種做法卻會大幅拉長拍攝時間,通常需要原先所需拍攝時間的兩三倍。因此對於原先曝光時間就需要數小時的天文影像而言,會嚴重增加拍攝所需的時間成本。
目前也有人嘗試參考鄰近像素的相關性,以事先設定的門檻值等判斷條件偵測並判斷一個像素是否為壞點。但是拍攝的場景不同可能會產生差異極大的影像內容,例如對於在白天與黑夜所拍攝的影像如果使用相同判斷條件,或有極大的誤差而無法精確的偵測出壞點,進而進行錯誤的補償。但對於醫療影像,若是錯誤的補償很可能會造成醫生誤判病情,而造成嚴重後果。
為了解決以上問題,本揭露提出一種影像處理器及其影像壞點偵測方法,以偵測一輸入影像中的至少一壞點。其中本揭露所提出的影像壞點偵測方法,首先輸入影像經一高通濾波處理得到一濾波影像,再計算濾波影像的一全域均值以及一全域標準差,接著從濾波影像中選取一待測像素,並依據待測像素與多個鄰近像素得到一局域均值、一局域標準差、一全域均值差以及一局域均值差,最後判斷待測像素對應之全域均值差與全域標準差滿足第一條件,且待測像素對應之局域均值差與局域標準差滿足第二條件時,此待測像素為壞點。
本揭露提出一種影像處理器具有一濾波模組、一全域計算模組、一局域計算模組以及一判斷模組,並可執行上述影像壞點偵測方法。濾波模組用以將輸入影像經高通濾波處理得到濾波影像。全域計算模組用以計算濾波影像的全域均值以及全域標準差。局域計算模組用以從濾波影像中選取待測像素,依據待測像素與多個鄰近像素得到局域均值、局域標準差、全域均值差以及局域均值差。判斷模組判斷待測像素對應的全域均值差與全域標準差滿足第一條件,且待測像素對應的局域均值差與局域標準差滿足第二條件時,此待測像素為壞點。
以下在實施方式中詳細敘述本提案之詳細特徵以及優點,其內容足以使任何熟習相關技藝者了解本揭露之技術內容並據以實施,且根據本說明書所揭露之內容、申請專利範圍及圖式,任何熟習相關技藝者可輕易地理解本揭露相關之目的及優點。
本揭露提出一種影像處理器及其影像壞點偵測方法,以偵測一輸入影像中的至少一壞點。其中壞點(dead pixel,亦稱為dead point或死點)例如可以是一熱噪點(hot pixel)、斑點雜訊(speckle noise)或椒鹽雜訊(salt and pepper noise)。而壞點的成因可能是一電荷耦合元件(Charge Coupled Device,CCD)或一互補式金氧半場效電晶體(Complementary Metal-Oxide-Semiconductor,CMOS)等影像感測器在生產時
產生的先天性壞點,也可能是因出廠時間及使用次數增長損耗影像感測器而產生的老化性壞點。
此外,壞點也可能是在長時間曝光攝影時,因熱能產生暗電流(black level),而使得影像感測器不當曝光所產生。此外,就視覺上,高值阻塞(stuck at high)壞點或低值阻塞(stuck at low)壞點可能會在影像上形成白點或黑點的雜訊;但壞點也可能會在貝爾圖形(Bayer Pattern)的各分色圖層上形成雜訊。
請參照「第1圖」,其係為本揭露一實施範例之影像處理器之方塊示意圖。影像處理器20具有一濾波模組22、一全域計算模組24、一局域計算模組26以及一判斷模組28,並可執行上述影像壞點偵測方法。
並請參照「第2圖」,其係為本揭露一實施範例之影像壞點偵測方法之流程示意圖。
首先,影像處理器20可先從影像感測器或一儲存模組接收輸入影像,並令濾波模組22經一高通濾波(high-pass filter)處理輸入影像,以得到一濾波影像(步驟S100)。請同時參照「附件一」以及「第3圖」,其分別為本揭露一實施範例之輸入影像之示意圖,以及影像內容之常態分佈示意圖。
於下述各實施範例中,輸入影像係為一灰階影像,例如可以是HSL色彩空間中的一亮度(lightness)圖層。但輸入影像也可以是RGB色彩空間中的一紅色圖層影像、一藍色圖層影像或是一綠色圖層影像,也可以是其他色彩空間中的各種分量
圖層。且為了便於觀察壞點的偵測情形,輸入影像中預先有加入0.5%的脈衝雜訊(impulse noise)以模擬壞點。由於壞點的脈衝雜訊一般遠大於或遠小於正常像素(亦稱為常點)的值,因此在輸入影像上形成多個白點或黑點。假定影像中的多個像素值成常態分佈(normal distribution),則壞點一般會分佈在常態分佈兩側,如「第3圖」所示。
高通濾波處理可以是一環狀高通濾波處理(Mexican hat filter Matrix)。環狀高通濾波處理具有多個權重值,而對應中央位置的權重值可遠高於環繞且相鄰中央位置之權重值。舉例而言,對應中央位置的權重值可以是一個較大的正值,而對應環繞且相鄰中央位置的環狀位置之權重值可以是一個負值。
為了進一步突顯影像中數值異常的像素,在成環狀且為負值的權重值的外圍,可以再有一環為正值的權重值。類似地,可依需要決定環狀高通濾波處理所使用的遮罩(mask)的大小以及環數。例如利用大小為7×7的遮罩的環狀高通濾波處理便可在突顯壞點上獲得優秀的效果。
在本實施例中,環狀高通濾波處理中所有權重值的總合可以等於1。如此一來,環狀高通濾波處理不會對均勻的影像區域發生作用,但在壞點所在的區域(以下簡稱為壞點區域)則會被強調出來。
環狀高通濾波處理所使用的遮罩內容舉例如下,但並不限於此。
將環狀高通濾波處理使用的遮罩在3維空間表示如「第4圖」。從「第4圖」可以看出中央位置的權重值遠高於其周圍;以中央位置為中心,每一環可具有相同的權種值,且相鄰的環的權重值可以是正負相間。
根據本揭露一實施範例,可將影像正規化以將像素值收斂在一定範圍之間,以利後續偵測。請參照「第5圖」,其係為本揭露一實施範例之步驟S100之流程示意圖。濾波模組22可利用高通濾波處理輸入影像,以得到一暫存影像(步驟S102),如「附件二」所示。濾波模組22可再將暫存影像進行正規化,以得到所需的濾波影像(步驟S104),其中將暫存影像進行正規化係指將暫存影像中的所有像素值經計算落在限定範圍內,如「附件三」所示。
正規化時使用的計算公式舉例如下,但並不限於此。經此一公式正規化之後,濾波影像中的像素值都會落在0到255之間。
請參照「第6A圖」以及「第6B圖」,其分別為本揭露一實施範例之壞點區域之示意圖,以及正規化後之壞點區域之示意圖;其中假設壞點區域的大小與環狀高通濾波使用之遮罩大小同為7×7。從圖中可以看出壞點(被圈選出來的尖峰部分)的像素值與周圍的其他像素的像素值相較之下特別高或特別低,且此一特性經正規化後更為明顯。
簡而言之,根據高通濾波處理的特性,在高通濾波處理的遮罩區域中的不均勻部分會被放大。因此透過以高通濾波處理將輸入影像進行前處理,能夠突顯出壞點所在位置。如此一來,後續只要處理影像中環狀型態的區域,便可判讀出壞點像素,而提高壞點偵測的準確度。且高通濾波處理能夠修正輸入影像中低頻域像素分佈,而具有壞點的高頻域像素則會被保留原值。由「第7A圖」以及「第7B圖」可見,相較於輸入影像,濾波影像中的雜訊已非常集中,且更接近常態分佈。
得到濾波影像後,全域計算模組24依據濾波影像得到一全域均值以及一全域標準差(步驟S110)。全域計算模組24可以計算濾波影像中所有像素值的平均值得到全域均值,並以濾波影像中所有像素值計算標準差得到全域標準差,本揭露中所稱之標準差為統計學上的計算方式,以全域標準差為例,主要是指在濾波影像中所有像素值以平均值為中心計算出的分
散程度或分佈比例。
根據本揭露一實施範例,全域計算模組24可以配合一人臉辨識程序,給予濾波影像中的一人臉區域較高的權重值,並計算所有像素值的加權平均值作為全域均值。類似地,全域計算模組24也可配合影像壞點偵測方法以外的程序計算全域均值或全域標準差。
全域均值以及全域標準差可以表現輸入影像的拍攝場景以及影像內容,因此能夠作為判斷壞點的依據。例如輸入影像的場景可能是白天、黃昏或黑夜,而利用全域均值以及全域標準差判斷壞點的方式可以反應各種場景,並符合不同場景。
局域計算模組26從濾波影像中依序選取每一像素為待測像素(步驟S120),並可配合判斷模組28對每一個待測像素執行以下步驟S130到步驟S160。局域計算模組26首先可依據待測像素從濾波影像中選取鄰近於待測像素的多個鄰近像素成一局部區域。請配合參照「第8圖」,其係為本揭露一實施範例之局部區域之示意圖。從濾波影像30中選取一個待測像素32後,可將待測像素32以及其周圍且相鄰的多個鄰近像素34作為局部區域36。換句話說,局部區域36可以是以待測像素32為中心,環繞於待測像素32外的這些鄰近像素34所組成的矩形區域。雖然以下以3×3的局部區域36為例,但並不限於此。
此外,影像處理器20可以逐一選取濾波影像30中所有的
像素作為待測像素32;但為了節省運算時間以及運算效能,也可以每隔數個像素才取一個待測像素32,唯此一選取方式會造成偵測成果較低。
接著局域計算模組26依據待測像素32與鄰近像素34得到目前的局部區域36的一局域均值、一局域標準差、一全域均值差及一局域均值差(步驟S130)。請配合參照「第9圖」,其係為本揭露一實施範例之步驟S130之流程示意圖。
局域計算模組26可先選取鄰近於待測像素32的多個鄰近像素34成為局部區域36(步驟S132),並依據局部區域36中的多個像素值得到局域均值以及局域標準差(步驟S134)。局域計算模組26可先計算待測像素32以及這些鄰近像素34的平均值得到局部均值(步驟S1342),如「第10圖」所示。,也就是說,可以計算局部區域36中所有像素值的平均值作為局域均值。
局域計算模組26並執行一標準差計算程序,以待測像素32、這些鄰近像素34以及局部均值計算得到局部標準差(步驟S1344)。請配合參照「第11圖」,其係為本揭露一實施範例之標準差計算程序之流程示意圖。
首先,計算這些鄰近像素34個別與局域均值的差值的絕對值,得到多個鄰近均值差(步驟S200)。局域計算模組26可逐一將鄰近像素34的像素值減去局域均值再取絕對值作為鄰近均值差,再將所有的鄰近均值差作為一第一子集合(步驟
S210)。接著局域計算模組26將這些鄰近均值差排序,從第一子集合中刪除至少一個最大值的鄰近均值差以及至少一個最小值的鄰近均值差(步驟S220),並將待測像素32的像素值加入第一子集合以形成第二子集合(步驟S230)。而局域計算模組26再計算第二子集合中的鄰近均值差的標準差得到局部標準差(步驟S240)。其中步驟S220以及步驟S230中先除去第一子集合中的最大值與最小值的做法,可以避免因兩個壞點相鄰使得局部標準差不準確,進而造成判斷錯誤的問題。
影像壞點偵測方法也將局域均值以及局域標準差作為判斷壞點的依據,以判別待測像素32是否具有一個突兀的高值或低值。舉例而言,待測像素32可能處於天空等局部的高亮度區域,因此即使待測像素32本身的像素值很高,也不一定是壞點。類似地,若待測像素32的像素值很低但待測像素32處於黑夜等局部的低亮度區域,此一待測像素32也不一定會是壞點。因此影像壞點偵測方法可參考鄰近像素34以判斷待測像素32是否為壞點。
接著局域計算模組26可依據待測像素32之像素值與全域均值得到全域均值差(步驟S136),且可依據待測像素32及局域均值得到局域均值差(步驟S138)。於此可計算待測像素32之像素值與全域均值的差值的絕對值得到全域均值差,並計算待測像素32之像素值與局域均值的差值的絕對值得到局域均值差。然而上述步驟S136也可以由全域計算模組24計算
全域均值差。
得到全域均值差以及局域均值差後,再交由判斷模組28判斷是否全域均值差與全域標準差滿足一第一條件,且局域均值差與局域標準差滿足一第二條件(步驟S140)。
當判斷任一個待測像素32對應的全域均值差與全域標準差滿足第一條件,且待測像素32對應的局域均值差與局域標準差滿足第二條件時,此待測像素32是一個壞點(步驟S150)。換句話說,可將滿足第一條件以及第二條件的待測像素32作為壞點。反之,當任一個待測像素32對應的全域均值差與全域標準差不滿足第一條件,或待測像素32對應的局域均值差與局域標準差不滿足第二條件時,則此待測像素32是一個正常像素(步驟S160)。換句話說,可將不滿足第一條件或第二條件的待測像素32作為正常像素。
根據本揭露一實施範例,第一條件可以是全域均值差與全域標準差的差值大於一全域門檻值;第二條件可以是局域均值差與局域標準差的差值大於一局域門檻值。因此當待測像素32對應的全域均值差與全域標準差的差值大於全域門檻值,且待測像素32對應的局域均值差與局域標準差的差值大於局域門檻值時,此一待測像素32會被認定為壞點。反之當全域均值差與全域標準差的差值小於或等於全域門檻值,或局域均值差與局域標準差的差值小於或等於局域門檻值時,此一待測像素32會被認定為正常像素。
由「第3圖」的常態分部來看,壞點一般會分佈在常態分佈圖的兩側。以均值μ為中心,像素值與距離均值μ小於一個標準差σ之差距的像素約佔所有像素的68.2%,像素值與距離均值μ小於兩個標準差2σ之差距的像素約佔所有像素的95.4%像素值與距離均值μ小於三個標準差3σ之差距的像素則約佔所有像素的99.6%。因此可依據此一特性將全域門檻值或局域門檻值設為全域標準差或局域標準差的倍數;例如可將全域門檻值設為全域標準差的3.7倍,並將局域門檻值設為局域標準差的2倍。由於在計算局域標準差之前已先刪除具有最大值或具有最小值的鄰近均值差,因此可將局域門檻值設的較低。此外,也可依據壞點被高通濾波處理集中的程度來設定全域門檻值以及局域門檻值。
判斷完目前的待測像素32是壞點還是正常像素後,影像處理器20可判斷是否已處理完整個濾波影像30(步驟S190)。若已處理完整個濾波影像30,則可結束偵測;反之則回到步驟S120選取下一個待測像素32繼續進行偵測。而利用影像壞點偵測方法確認壞點的位置後,可另外進行壞點補償,以針對已知位置之壞點,利用壞點周圍的正常像素進行補償。
經演算法測試,上述輸入影像的解析度為768x512,並預先加入0.5%的脈衝雜訊,以產生1963個壞點。輸入影像的393216個像素中,有86點像素判斷錯誤;其中壞點被判定為正常像素的有60個,而正常像素被判定為壞點的有26個。故
壞點偵測濾可達99.9%,非常準確。
一般而言,壞點與其鄰近的正常像素應具有相當差異,因此可根據局域均值與局域標準差來判斷待測像素是否為壞點。但在一個局部區域內,壞點突兀的像素值會影響到整個局部區域的平均值。例如高值阻塞的壞點會拉高平均值,低值阻塞的壞點則會拉低平均值。因此利用全域均值與全域標準差作為壞點判斷依據能夠提高識別壞點與否的準確度。
且全域均值、全域標準差、局域均值以及局域標準差等參數都會反應輸入影像的影像內容(場景),而全域門檻值以及局域門檻值可依全域標準差或局域標準差動態改變,因此影像壞點偵測方法能透依據輸入影像的內容動態調整這些判斷壞點用的參數。再者,由於可以因應不同的影像內容動態調整全域門檻值以及局域門檻值,也能省去使用者手動設定門檻值的不便。
藉由判斷待測像素的相關參數是否符合全域之第一條件以及局域之第二條件能夠適用於各式各樣的場景。因為相關參數是用統計方式計算得到而非固定常數,所以可因應各種場景動態得到這些相關參數。例如實施於數位相機上時,可對於使用者拍攝的每張照片都自動進行壞點偵測再據以補償。無論白天、黃昏或黑夜,作為判斷依據之全域均值、全域標準差、局域均值以及局域標準差都會因應攝影場景自動調整。
此外,依據影像內容即時計算作為判斷依據之全域與局域
之參數的做法可讓影像壞點偵測方法有更佳的影像適應性之外,更可偵測到不可預期的壞點。且由於判斷壞點時有參考全域均值與全域標準差,可避免將影像邊緣或細節結構等部份誤判成壞點,而能這些必須的高頻域像素。
如此一來,對於需要長時間曝光的天文影像,能夠在拍攝影像後再對影像進行壞點偵測與補償,而不會增加所需的拍攝時間。而對於醫療影像,也可準確地判斷出壞點並保留原始影像中必須的高頻域像素,而確保影像的正確性。
綜上所述,本揭露中的影像處理器及其影像壞點偵測方法先利用高通濾波處理輸入影像,並同時參考全域均值、全域標準差、局域均值以及局域標準差作為判斷壞點的依據,因此能夠更為準確地偵測壞點,且能夠適用於各種內容的輸入影像。
以上較佳具體實施範例之詳述,是希望藉此更加清楚描述本提案之特徵與精神,並非以上述揭露的較佳具體實施範例對本提案之範疇加以限制。相反地,其目的是希望將各種改變及具相等性的安排涵蓋於本提案所欲申請之專利範圍的範疇內。
20‧‧‧影像處理器
22‧‧‧濾波模組
24‧‧‧全域計算模組
26‧‧‧局域計算模組
28‧‧‧判斷模組
30‧‧‧濾波影像
32‧‧‧待測像素
34‧‧‧鄰近像素
36‧‧‧局部區域
第1圖係為本揭露一實施範例之影像處理器之方塊示意圖。
第2圖係為本揭露一實施範例之影像壞點偵測方法之流程示意圖。
第3圖係為本揭露一實施範例之分佈影像內容之常態分
佈示意圖。
第4圖係為本揭露一實施範例之環狀高通濾波處理使用的遮罩之示意圖。
第5圖係為本揭露一實施範例之步驟S100之流程示意圖。
第6A圖係為本揭露一實施範例之壞點區域之示意圖。
第6B圖係為本揭露一實施範例之正規化後之壞點區域之示意圖。
第7A圖係為本揭露一實施範例之輸入影像之壞點之機率密度示意圖。
第7B圖係為本揭露一實施範例之濾波影像之壞點之機率密度示意圖。
第8圖係為本揭露一實施範例之局部區域之示意圖。
第9圖係為本揭露一實施範例之步驟S130之流程示意圖。
第10圖係為本揭露一實施範例之步驟S130之流程示意圖。
第11圖係為本揭露一實施範例之步驟S132之流程示意圖。
附件一係為本揭露一實施範例之輸入影像之示意圖。
附件二係為本揭露一實施範例之暫存影像之示意圖。
附件三係為本揭露一實施範例之正規化後之濾波影像之示意圖。
Claims (28)
- 一種影像壞點偵測方法,用以偵測一輸入影像中的至少一壞點,包括下列步驟:經一高通濾波處理該輸入影像,得到一濾波影像;依據該濾波影像得到一全域均值以及一全域標準差;選取該濾波影像中的一待測像素;依據該待測像素與多個鄰近像素得到一局域均值、一局域標準差、一全域均值差及一局域均值差;以及判斷該待測像素對應之該全域均值差與該全域標準差滿足一第一條件,且該待測像素對應之該局域均值差與該局域標準差滿足一第二條件時,該待測像素為該壞點。
- 如請求項1所述之影像壞點偵測方法,其中經該高通濾波處理該輸入影像得到該濾波影像的步驟包括:利用該高通濾波處理該輸入影像得到一暫存影像;以及將該暫存影像進行正規化得到該濾波影像。
- 如請求項2所述之影像壞點偵測方法,其中將該暫存影像進行正規化得到該濾波影像之步驟,係將該暫存影像中的多個像素值經計算落在一限定範圍內。
- 如請求項1所述之影像壞點偵測方法,其中依據該濾波影像得到該全域均值及該全域標準差之步驟包括:計算該濾波影像的多個像素值的平均值,得到該全域均值;以及 計算該濾波影像的該些像素值的標準差,得到該全域標準差。
- 如請求項1所述之影像壞點偵測方法,其中選取該濾波影像中的該待測像素之步驟,係逐一選取該濾波影像的像素作為該待測像素,或每隔數個像素才取一個像素作為該待測像素。
- 如請求項1所述之影像壞點偵測方法,其中依據該待測像素與該些鄰近像素得到該局域均值、該局域標準差、該全域均值差及該局域均值差之步驟包括:選取鄰近於該待測像素的該些鄰近像素成一局部區域;依據該局部區域中的多個像素值得到該局域均值以及該局域標準差;依據該待測像素及該全域均值得到該全域均值差;以及依據該待測像素及該局域均值得到該局域均值差。
- 如請求項6所述之影像壞點偵測方法,其中該局部區域係為以該待測像素為中心,環繞於該待測像素外的該些鄰近像素所組成的矩形區域。
- 如請求項6所述之影像壞點偵測方法,其中依據該局部區域中的該些像素值得到該局域均值以及該局域標準差的步驟包括:計算該待測像素及該些鄰近像素的平均值,得到該局域均值;以及 執行一標準差計算程序,依據該待測像素、該些鄰近像素以及該局域均值,得到該局域標準差。
- 如請求項8所述之影像壞點偵測方法,其中該標準差計算程序包括:計算該些鄰近像素個別與該局域均值的差值的絕對值,得到多個鄰近均值差;將該些鄰近均值差作為一第一子集合;刪除該第一子集合中至少一最大值的該鄰近均值差以及至少一最小值的鄰近均值差;加入該待測像素至該第一子集合,形成一第二子集合;以及計算該第二子集合中的該些鄰近均值差的標準差,得到該局域標準差。
- 如請求項6所述之影像壞點偵測方法,其中依據該待測像素及該全域均值得到該全域均值差的步驟包括:計算該待測像素之像素值與該全域均值的差值的絕對值,得到該全域均值差;且依據該待測像素及該局域均值得到該局域均值差的步驟包括:計算該待測像素之像素值與該局域均值的差值的絕對值,得到該局域均值差。
- 如請求項1所述之影像壞點偵測方法,其中該第一條件係為 該全域均值差與該全域標準差的差值大於一全域門檻值。
- 如請求項1所述之影像壞點偵測方法,其中該第二條件係為該局域均值差與該局域標準差的差值大於一局域門檻值。
- 如請求項1所述之影像壞點偵測方法,其中更包括:判斷該待測像素對應之該全域均值差與該全域標準差不滿足該第一條件,或該待測像素對應之該局域均值差與該局域標準差不滿足該第二條件時,該待測像素為一正常像素。
- 如請求項1所述之影像壞點偵測方法,其中該輸入影像係為一灰階影像、一紅色圖層影像、一藍色圖層影像或是一綠色圖層影像。
- 一種影像處理器,用以偵測一輸入影像中的至少一壞點,該影像處理器包括:一濾波模組,用以將該輸入影像經一高通濾波處理,得到一濾波影像;一全域計算模組,用以依據該濾波影像得到一全域均值以及一全域標準差;一局域計算模組,用以從該濾波影像中選取一待測像素,並依據該待測像素與多個鄰近像素,得到一局域均值、一局域標準差、一全域均值差及一局域均值差;以及一判斷模組,判斷該待測像素對應的該全域均值差與該全域標準差滿足一第一條件,且該待測像素對應的該局域均 值差與該局域標準差滿足一第二條件時,該待測像素為該壞點。
- 如請求項15所述之影像處理器,其中該濾波模組利用該高通濾波處理該輸入影像得到一暫存影像,再將該暫存影像進行正規化得到該濾波影像。
- 如請求項16所述之影像處理器,其中該暫存影像進行正規化,係為將該暫存影像中的多個像素值經計算落在一限定範圍內。
- 如請求項15所述之影像處理器,其中該全域計算模組計算該濾波影像中多個像素值的平均值得到該全域均值,並計算該濾波影像中該些像素值的標準差,得到該全域標準差。
- 如請求項15所述之影像處理器,其中該局域計算模組從該濾波影像中選取該待測像素時,係為逐一選取該濾波影像中的像素作為該待測像素,或為每隔數個像素才取一個像素作為該待測像素。
- 如請求項15所述之影像處理器,其中該局域計算模組係選取鄰近於該待測像素的該些鄰近像素成一局部區域,依據該局部區域中的多個像素值得到該局域均值及該局域標準差,依據該待測像素及該全域均值得到該全域均值差,並依據該待測像素及該局域均值得到該局域均值差。
- 如請求項20所述之影像處理器,其中該局部區域係為以該待測像素為中心,環繞於該待測像素外的該些鄰近像素所組 成的矩形區域。
- 如請求項20所述之影像處理器,其中該局域計算模組計算該待測像素及該些鄰近像素的平均值得到該局域均值,再執行一標準差計算程序,依據該待測像素、該些鄰近像素以及該局域均值,得到該局域標準差。
- 如請求項22所述之影像處理器,其中該標準差計算程序包括:計算該些鄰近像素個別與該局域均值的差值的絕對值,得到多個鄰近均值差;將該些鄰近均值差作為一第一子集合;刪除該第一子集合中至少一最大值的鄰近均值差以及至少一最小值的鄰近均值差,並將該待測像素加入該第一子集合形成一第二子集合;以及計算該第二子集合中的該些鄰近均值差的標準差,得到該局域標準差。
- 如請求項20所述之影像處理器,其中該局域計算模組計算該待測像素之像素值與該全域均值的差值的絕對值,得到該全域均值差,並計算該待測像素之像素值與該局域均值的差值的絕對值,得到該局域均值差。
- 如請求項15所述之影像處理器,其中該第一條件係為該全域均值差與該全域標準差的差值大於一全域門檻值。
- 如請求項15所述之影像處理器,其中該第二條件係為該局 域均值差與該局域標準差的差值大於一局域門檻值。
- 如請求項15所述之影像處理器,其中該判斷模組判斷該待測像素對應的該全域均值差與該全域標準差不滿足該第一條件,或該待測像素對應的該局域均值差與該局域標準差不滿足該第二條件時,該待測像素為一正常像素。
- 如請求項15所述之影像處理器,其中該輸入影像係為一灰階影像、一紅色圖層影像、一藍色圖層影像或是一綠色圖層影像。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101141893A TW201419853A (zh) | 2012-11-09 | 2012-11-09 | 影像處理器及其影像壞點偵測方法 |
US13/757,606 US20140133774A1 (en) | 2012-11-09 | 2013-02-01 | Image processor and image dead pixel detection method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101141893A TW201419853A (zh) | 2012-11-09 | 2012-11-09 | 影像處理器及其影像壞點偵測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201419853A true TW201419853A (zh) | 2014-05-16 |
Family
ID=50681759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW101141893A TW201419853A (zh) | 2012-11-09 | 2012-11-09 | 影像處理器及其影像壞點偵測方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20140133774A1 (zh) |
TW (1) | TW201419853A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105163114A (zh) * | 2015-08-21 | 2015-12-16 | 深圳创维-Rgb电子有限公司 | 一种基于摄像头的屏幕坏点检测方法及检测*** |
CN105451015A (zh) * | 2014-08-12 | 2016-03-30 | 炬力集成电路设计有限公司 | 一种图像坏点的检测方法及装置 |
CN105991997A (zh) * | 2015-03-06 | 2016-10-05 | 成都方程式电子有限公司 | 一种电容式图像传感器坏点实时定位的方法 |
CN107016670A (zh) * | 2017-03-27 | 2017-08-04 | 福州瑞芯微电子股份有限公司 | 一种图像坏点检测方法和装置 |
CN107948634A (zh) * | 2017-11-22 | 2018-04-20 | 深圳开阳电子股份有限公司 | 一种图像坏点检测方法、装置和图像处理芯片 |
CN111083401A (zh) * | 2019-12-20 | 2020-04-28 | 成都费恩格尔微电子技术有限公司 | Cis芯片动态坏点处理方法及*** |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408400B (zh) * | 2014-10-28 | 2018-08-21 | 北京理工大学 | 一种基于单幅图像频域信息的不可分辨多目标检测方法 |
CN105809630B (zh) * | 2014-12-30 | 2019-03-12 | 展讯通信(天津)有限公司 | 一种图像噪声过滤方法及*** |
JP6546826B2 (ja) * | 2015-10-08 | 2019-07-17 | 株式会社日立パワーソリューションズ | 欠陥検査方法、及びその装置 |
CN108320269A (zh) * | 2017-01-18 | 2018-07-24 | 重庆邮电大学 | 一种高效消除高密度椒盐噪声的方法 |
US11080835B2 (en) | 2019-01-09 | 2021-08-03 | Disney Enterprises, Inc. | Pixel error detection system |
CN111768357B (zh) * | 2019-03-29 | 2024-03-01 | 银河水滴科技(北京)有限公司 | 一种图像检测的方法及装置 |
EP3869793B1 (en) * | 2020-02-19 | 2022-10-12 | Sick IVP AB | Method for reducing effects of laser speckles |
US11508143B2 (en) | 2020-04-03 | 2022-11-22 | Disney Enterprises, Inc. | Automated salience assessment of pixel anomalies |
CN112150385B (zh) * | 2020-09-29 | 2023-05-12 | 四川虹美智能科技有限公司 | 红外图像滤波方法及装置 |
CN112954239B (zh) * | 2021-01-29 | 2022-07-19 | 中国科学院长春光学精密机械与物理研究所 | 星上cmos图像灰尘污染去除与复原***及复原方法 |
CN113532801A (zh) * | 2021-06-24 | 2021-10-22 | 四川九洲电器集团有限责任公司 | 基于分布分位数的高/多光谱相机坏点检测方法及*** |
CN113487592B (zh) * | 2021-07-22 | 2023-11-17 | 四川九洲电器集团有限责任公司 | 一种基于统计量的高光谱或多光谱图像过曝检测方法及*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030039402A1 (en) * | 2001-08-24 | 2003-02-27 | Robins David R. | Method and apparatus for detection and removal of scanned image scratches and dust |
US7015961B2 (en) * | 2002-08-16 | 2006-03-21 | Ramakrishna Kakarala | Digital image system and method for combining demosaicing and bad pixel correction |
JP2007189589A (ja) * | 2006-01-16 | 2007-07-26 | Sony Corp | 情報処理装置および情報処理方法、学習装置および学習方法、並びにプログラム |
US7676084B2 (en) * | 2006-06-19 | 2010-03-09 | Mtekvision Co., Ltd. | Apparatus for processing dead pixel |
TW200828982A (en) * | 2006-12-22 | 2008-07-01 | Altek Corp | Real-time detection method for bad pixel of image |
KR101354669B1 (ko) * | 2007-03-27 | 2014-01-27 | 삼성전자주식회사 | 이미지 센서의 불량 화소 검출 방법 및 장치, 이미지센서로부터의 이미지 획득 방법 및 장치 |
CN101764926B (zh) * | 2008-09-29 | 2012-05-30 | 凹凸电子(武汉)有限公司 | 缺陷像素检测纠正设备、***及检测纠正缺陷像素的方法 |
US8259198B2 (en) * | 2009-10-20 | 2012-09-04 | Apple Inc. | System and method for detecting and correcting defective pixels in an image sensor |
-
2012
- 2012-11-09 TW TW101141893A patent/TW201419853A/zh unknown
-
2013
- 2013-02-01 US US13/757,606 patent/US20140133774A1/en not_active Abandoned
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105451015A (zh) * | 2014-08-12 | 2016-03-30 | 炬力集成电路设计有限公司 | 一种图像坏点的检测方法及装置 |
CN105991997A (zh) * | 2015-03-06 | 2016-10-05 | 成都方程式电子有限公司 | 一种电容式图像传感器坏点实时定位的方法 |
CN105163114A (zh) * | 2015-08-21 | 2015-12-16 | 深圳创维-Rgb电子有限公司 | 一种基于摄像头的屏幕坏点检测方法及检测*** |
CN107016670A (zh) * | 2017-03-27 | 2017-08-04 | 福州瑞芯微电子股份有限公司 | 一种图像坏点检测方法和装置 |
CN107016670B (zh) * | 2017-03-27 | 2019-06-28 | 福州瑞芯微电子股份有限公司 | 一种图像坏点检测方法和装置 |
CN107948634A (zh) * | 2017-11-22 | 2018-04-20 | 深圳开阳电子股份有限公司 | 一种图像坏点检测方法、装置和图像处理芯片 |
CN107948634B (zh) * | 2017-11-22 | 2021-11-05 | 深圳开阳电子股份有限公司 | 一种图像坏点检测方法、装置和图像处理芯片 |
CN111083401A (zh) * | 2019-12-20 | 2020-04-28 | 成都费恩格尔微电子技术有限公司 | Cis芯片动态坏点处理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
US20140133774A1 (en) | 2014-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201419853A (zh) | 影像處理器及其影像壞點偵測方法 | |
US9129188B2 (en) | Image processing apparatus and control method thereof | |
CN104349066B (zh) | 一种生成高动态范围图像的方法、装置 | |
JP7262021B2 (ja) | 奥行取得装置、奥行取得方法およびプログラム | |
KR101374971B1 (ko) | 디지털 이미지 내의 노이즈 감소 방법, 디지털 이미지 내의 노이즈 감소 장치 및 디지털 이미지 내의 노이즈 감소 시스템 | |
US10038862B2 (en) | Methods and apparatus for automated noise and texture optimization of digital image sensors | |
RU2527198C2 (ru) | Устройство обработки изображения и способ управления устройством обработки изображения | |
US20170257584A1 (en) | Image processing device, image processing method, and image processing system | |
JP2006166450A (ja) | ディジタルイメージセンサ内の不良ピクセルを検出及び補正するためのシステム及び方法。 | |
CN109685853B (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
JP2014057303A (ja) | 深度推定手順において改善されたシーン検出を利用するためのシステム及び方法 | |
KR20170030933A (ko) | 영상 처리 장치 및 그것의 자동 화이트 밸런싱 방법 | |
US10972676B2 (en) | Image processing method and electronic device capable of optimizing hdr image by using depth information | |
JPWO2012086127A1 (ja) | 画像処理装置、撮像装置、及び画像処理方法 | |
CN109068060B (zh) | 图像处理方法和装置、终端设备、计算机可读存储介质 | |
CN109302566A (zh) | 一种确定拍摄模式的方法、装置及终端设备 | |
US9438832B2 (en) | Image processing apparatus and image processing method | |
CN107172323B (zh) | 大视场摄像头的图像去暗角方法及装置 | |
JP6525503B2 (ja) | 画像処理装置および撮像装置 | |
TWI764484B (zh) | 雙感測器攝像系統及其校準方法 | |
US20130163862A1 (en) | Image processing method and device for redeye correction | |
TWI723729B (zh) | 白平衡調整方法、影像處理裝置與影像處理系統 | |
CN115914864A (zh) | 自适应的图像阴影校正方法及图像阴影校正*** | |
JP2016213717A (ja) | 画像処理装置及び画像処理方法、プログラム、記憶媒体 | |
JP6188360B2 (ja) | 画像処理装置、その制御方法、および制御プログラム、並びに判別装置 |