黑电平校正、FPN校正、平场校正、白平衡校正

黑电平校正、FPN校正、平场校正、白平衡校正,这四种校正,虽然形成原理和操作方式有不同,但是在实际应用中,经常是交叉的,尤其是在硬件实现时,出于速度以及资源的考虑,会融合起来做,或者使用一种暴力简单的方式来达到效果,在大多数应用场合,并不需要严格的校正,比如线性校正可以代替非线性校正;

原理:

黑电平校正:为什么要黑电平校正,1.sensor的ADC精度和分辨力问题,这两项,导致绝对黑电平时,在允许范围内会有偏差;2.暗电流问题,工艺不可能保证每个像元的特性一致,在不同的温度和曝光时长下,响应也是不同的,所以在不同情况下,即使处于无光照的环境中,像素也会有一定的输出电压;如图是黑电平校正效果

é»çµå¹³æ ¡æ­£

校正前需要根据图像的具体情况进行分析,若图像平面趋于平整,则推荐使用全帧均值;若图像出现一些峰值,有明显突出山峰等,推荐使用中值的方法;若出现某个角的值比较高,可能由于电源或者其他的原因引起的,则推荐使用局部计算的方法;此外,还有自定义、最大值等方法,需要根据不同图像的情况去选择方法,终其目的都是一样的。

也可以使用简单的方法,直接减去黑电平值,校准到0值,这种方法鲁棒性不好,但是简单,节省硬件资源;也可以根据温度和增益的变化实时校正,提前根据特性数据点建立一次函数,在拉流过程中进行曲线校正;

FPN校正:固定模式噪声校正,也叫做暗场校正。

行FPN: 在基于模拟域累加实现的TDI-CMOS图像传感器中。由于模拟累加器电路中存在寄 生电阻和电容,电路失配会导致输出图像在TDI(时间延迟积分)扫描方向(即“沿轨”方向) 亮度不均匀,且呈周期性衰减,突出表现为周期性横条纹。

列FPN:传感器列并行读出电路(模拟累加器和ADC(模数转换器)等)的系统结构由于 工艺偏差很容易出现列与列之间的失配,从而导致输出图像在与TDI扫描方向垂直的方向 (即“跨轨”方向)亮度不均匀,表现为明暗变化的竖条纹。

FPN校正要在极低照环境下进行,也就是黑图。一般来说,人眼对竖条纹更敏感一些,所以在有些资源紧张的应用中,仅做列FPN校正;

FPN校正可以看做FFC校正的一部分;

平场校正(FFC):原因,光线不均匀、镜头中心和边缘响应不一致,sensor固定噪声和响应不均匀噪声等。

平场校正一般用FPN暗场校正和PRNU明场校正进行,平场校正就是以整帧图像的均值或者中值为目标图像,根据每个像素的特性不同,以响应增益gain为系数K和offset偏置B,对每个像素进行校正,从而使得整幅图像看起来很均匀平滑,当然,为了简化计算,节省资源,也可以使用多个相邻的像素使用同一组校准参数。

校正时,可以采用多段校正法将响应曲线分段校正,而更多的是简单暴力的两点校正法,也就是看成线性响应。

在暗场校正中,可以得到均值Vavgb,像素值Vinb;

在明场校正中,可以得到均值Vavgr,像素值Vinr;

可以得到增益响应系数K=(Vavgr-Vavgb)/(Vinr-Vinb);

偏置B=Vavgb-Vinb*K;

将n个像素的每一个像素点的K[n]和B[n]写入一个ram表中,当读取一帧图像时,对每一个像素进行校正Vout=Vin*K+B;

白平衡校正:涉及到色温,不同场景下色温不同,校正系数也不同,并且,不同的sensor校正系数也有一些差异,一般来说,实际应用只需要满足一种常用色温下的校正;

人眼会默认白色色块的RGB分量值是相等的,所以将RGB三个通道各自的均值算出,Ravg、Gavg、Bavg,加入像素位宽8bit,那么认为中间值是128,kR=128/Ravg,kG=128/Gavg,kB=128/Bavg,得到系数k,输出像素Rout=Rin*k,G和B通道同理。这种方法叫灰度世界法,根本是用中间值128做归一化。

 

 

 

部分引用来自下面:
————————————————
原文链接:https://blog.csdn.net/xiaoyouck/article/details/72824534

https://www.cnblogs.com/qiqibaby/p/8602082.html

  • 3
    点赞
  • 32
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
FPN (Feature Pyramid Network) 是一种用于目标检测和语义分割任务的神经网络架构。它由 Tsung-Yi Lin 等人在论文 "Feature Pyramid Networks for Object Detection" 中提出。 FPN 的主要目标是解决目标检测任务中的多尺度问题。传统的目标检测方法通常使用单一尺度的特征图进行预测,这会导致小目标难以被准确检测到,而大目标则可能丢失细节信息。FPN 使用了一种金字塔式的特征提取方法,将不同尺度的特征图进行融合,以便在不同尺度上进行目标检测。 FPN 的核心思想是通过建立自顶向下和自底向上的路径来构建特征金字塔。自底向上的路径从底层的高分辨率特征图开始,通过下采样操作逐渐降低分辨率,生成一系列特征图。自顶向下的路径则通过上采样操作逐渐增加分辨率,将高层语义信息传递到低层特征图中。最后,不同层级的特征图通过横向连接进行融合,形成一个多尺度的特征金字塔。 在目标检测任务中,FPN 可以用作特征提取网络的一部分,提供多尺度的特征图用于目标检测器的预测。它可以帮助检测器更好地适应不同尺度的目标,并提高检测精度。 在语义分割任务中,FPN 可以用于生成密集的像素级预测。通过将特征金字塔的不同层级特征图进行上采样和融合,可以得到高分辨率的语义分割结果。 总结来说,FPN 是一种有效解决多尺度问题的神经网络架构,可用于目标检测和语义分割任务。通过构建特征金字塔,提供多尺度的特征图,从而提高模型在不同尺度上的表现。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值