Python社区  »  机器学习算法

《计算机视觉度量:从特征描述到深度学习》 传感器(3)

qq_17767255 • 1 周前 • 14 次点击  

《计算机视觉度量:从特征描述到深度学习》 传感器(3)

相机动态范围,噪声,超分辨率
当前最先进的传感器中每个颜色单元能提供8位,或者12~14位的像素精度,传感器需要时间和面积来聚集光子,所以必须精心设计传感器元件,以避免产生的一些问题。
噪声的问题有可能来自光学元件,颜色滤镜,传感器元件,增益放大器,A/D转换器,后期处理或者压缩过程。传感器的噪声会影响实际分辨率,因为每个像素单元传感器输出,转换给A/D转化器组成数字形式的行和列,以便用于像素转化。
越好的传感器产生的噪声越少,而且还会得到更高效的位分辨率。使用好的超分辨率处理方法可有效的增强分辨率(1)将几幅图片以连续的方式进行平均就可以降低分辨率,(2)或者对传感器位置进行MEMS微抖产生图像序列,然后平均这些图像序列提高分辨率。 这篇论文对相机噪声处理做了很好的介绍
另外,传感器对每个颜色的吸收会有所不同,其中蓝色的问题比较大,这种颜色对较小的传感器而言成像是最难的。在某些情况下,生产商会试图在传感器中对每种颜色内建一个机遇伽马曲线的简单修正方法,但是这种方法并不值得推荐。这对颜色有需求的应用中,可以考虑色度设备模型和颜色管理,甚至可以让传感器中的每种颜色通道具有非线性特性,并开发一系类简单的校正LUT转换,后期会对这个做专题介绍

传感器处理方法

传感器处理用于去除传感器阵列中得马赛克,并组合像素,用于校正传感器瑕疵。本节会讨论基本的传感器处理方法。
通常每个成像系统都会提供一个专属的传感处理器,包括一些传感器接口,优化的超长指令集,单指令多数据流指令以及具有固定功能的硬件模块,这些功能是为了减轻大规模处理并行像素多带来的工作负载。一般情况下,传感器处理过程透明且自动化,并由成像系统的生产厂家设置。来自相同传感器的图片均以相同的方式进行优化处理。也可用其他方式来提供原始数据,这些数据允许针对特定应用来定制传感器处理过程。

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/72017
 
14 次点击  
分享到微博