一种基于bayer型模式的双边自适应滤波器

      介绍一种基于bayer型模式的双边自适应滤波器。由于此时仅需对二维灰度图像进行滤波处理，它的硬件资源消耗可以减小为前者的三分之一。双边自适应滤波器不仅对各类噪声有良好的滤除能力，还能使图像中的细节得到很好的保留。

      在bayer型中，每个像素点的数据值只有一个，可能为RGB中的任何一个，对于G点，它的4邻域内没有G点的存在，对于R点和B点来说，甚至在它们的8领域内也没有相同颜色的点的存在。要对该点滤波，需要利用数量不多的相同颜色点的值。传感器在感光时具有空间相关性，即正常情况下图像在局部区域都是平滑过渡的，不会在某个孤立的点处产生突然的巨大的跳变。因此到需要滤波点的距离越近的点，它们之间的数值彼此应当更加接近，它们之间的相关性就越高。

      说明了当对具有R值的点滤波时的情况。在该图中，如要对R13进行滤波处理，需要得到以R13为中心的一个5×5的邻域。在这里同为R点的坐标分别为R1、R3、R5、R1l、R13、R15、R21、1123、R25，只有它们与中心点R13具有相关性，参加滤波过程的计算。在这些点中，R3、R11、R15、R23距离中心点R13最近，与R13的空间相关性最高，在滤波过程中做出的贡献最大。而R1、R5、R21、R25则距离R13最远，空间相关性低，在滤波过程中做出的贡献相对较小。

      根据空间相关性，我们可以得到一个5x5的矩阵，该矩阵能够很好的反映出这种相关性。

      在双边滤波的过程中，不仅需要像素之间的空间相关性，还需要它们彼此之间的数值相关性。对于同为R的点，当它们与中心点之间数值相差越小，说明彼此之间的相关程度越高，在滤波过程中就越重要。但是当数值之差超过一定的界限后，就说明该点的值与中心点存在过大的差异，说明两者之间没有相关性。

      计算数值相关性矩阵的伪代码如下：

      在上述的伪代码中，data、C_distanee、C weight都是5X 5矩阵。C_distance代表(i,j)处的数值和中心点之间数值的差异，C weight代表(i，j)处与中心点数值相关性的高低。此处选用了线性函数来量化C_Distanc、C_weight之间的关系(如图3．7所示)，其中b的取值依据对于目标相关性的情况而取定，在此我们选择了32(5bit)，以方便最后的硬件实现，同时节约硬件资源。

      由此可以得到一个关于C_weight的5X5的矩阵。最后可以通过Distance_r,C_weight得到滤波所需要的5×5掩模Mr，用此掩模对图3．7中的邻域滤波，利用下式计算，得到去噪后的R值。

       当对具有B值的点滤波时的5X 5邻域如图3．8所示。此时对于B点的邻域和R点的邻域基本一致，它们的的滤波方式也很相似，只是将前面所提到的R值用B值来代替即可。

       在bayer型中。G点的数量是R点或B点数量的两倍，它的邻域存在两种不同的情况，如图3．9所示，但是这种不同仅仅是R点和B点排列顺序的不同，它们对于G点滤波计算时没有任何的影响。

      在对G13点滤波时将会有G1、G3、G5、G7、G9、G11、G15、G17、G19、G21、G23、G25等十二个点参加计算。其中G7、G9、G17、G19距离中心点的最近，它们之问的空间相关性最高，在滤波过程中作出的贡献最大。(G3、Gll、G15、G23距离中心点稍远，它们之间的空问相关性次之，在滤波过程中作出的贡献较小。G1、G5、G21、G25距离中心点最远，它们之间的空间相关性最小，如果要节省硬件资源，在计算过程中甚至可以不予考虑。

      根据空间相关性，我们可以得到一个5X5的矩阵，该矩阵能够很好的反映出对于G点的这种相关性。

在双边滤波的过程中，G点的滤波也需要考虑它们彼此之间的数值相关性。在图3．9中，对于同为G的点，当它们与中心点之问数值相差越小，说明彼此之间的相关程度越高，在滤波过程中就越重要。这一点与R点滤波过程中的数值相关性是一致的。

由此可以得到一个关于G点的C_weight 5X5的矩阵。最后可以通过Distance g×C weight得到滤波所需要的5X5掩模Mg，用此掩模对图3．9中的邻域滤波，利用下式计算得到去噪后的G值。

      至此，对于整幅图像中的所有情况的去噪过程就完成了。为了减少硬件的开支，Distance矩阵可以在计算开始之前，就把它作为一个常数值在硬件中固化好。

转载于《图像信号处理器ISP的实现和FPGA验证》 浙江大学 薛江