本发明专利技术涉及图像处理技术领域，解决了现有技术对于图像传感器的坏点检测校正存在检测精度低、校正效果差以及适用性差的技术问题，尤其涉及一种针对图像传感器的坏点检测校正方法及系统，该方法包括：获取图像传感器所有像素在不同辐射量下的L张原始图像，计算L张原始图像中每个像素点的最优拟合斜率和截距，并构成与原始图像等大小且包含统计信息的参数矩阵，基于参数矩阵的统计信息对像素中的坏点进行判断，并生成与原始图像对应的坏点表。本发明专利技术可以有效地提高图像的质量，减少图像失真，从而提升图像处理的结果。尤其是在图像内容较为复杂的情况下，可以更加准确地检测和校正坏点，提高了检测精度和校正效果。
【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种针对图像传感器的坏点检测校正方法及系统。
技术介绍
1、在现代科技中，图像传感器被广泛应用于各种设备中，如手机、相机、计算机视觉系统等。图像传感器的主要功能是将光信号转换为电信号，再将电信号转换为数字信号，以便进行进一步的图像处理。在现有的技术中，如公开号为cn105430385a的一种图像传感器坏点检测和校正装置；公开号为cn112911174a的图像坏点簇校正方法、计算机装置及计算机可读存储介质；公开号为cn113674238a的坏点检测方法、装置、电子设备和存储介质；公开号为cn115002364a的一种坏点的检测方法和装置。上述现有技术针对图像传感器的坏点检测和校正主要采用以下几种方法：
2、硬件校正：通过硬件的方式，如激光修复、物理更换等，来修复坏点。但是，这种方法成本高，且对设备的要求高，难以推广；
3、软件校正：通过软件算法来检测和校正坏点。例如，通过比较同一场景下不同曝光时间的图像，来检测静态坏点。然后，使用均值滤波、中值滤波等方法来校正坏点的响应值。
4、尽管现有的软件校正方法可以在一定程度上解决坏点问题，但仍存在一些不足之处：
5、检测精度低：现有的方法在检测坏点时，往往依赖于图像的内容，如对比度、亮度等，当图像内容较为复杂时，容易出现误判或者漏判。
6、校正效果差：现有的方法在校正坏点时，通常使用均值滤波、中值滤波等方法，这些方法虽然可以降低坏点的显著性，但同时也可能会影响到图像的其他细节，导致图像模糊。
7、适用性差：现有的方法通常针对特定的传感器或者特定的应用场景，通用性差，难以适应不同的传感器和不同的应用场景。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种针对图像传感器的坏点检测校正方法及系统，解决了现有技术对于图像传感器的坏点检测校正存在检测精度低、校正效果差以及适用性差的技术问题。
2、为解决上述技术问题，本专利技术提供了如下技术方案：一种针对图像传感器的坏点检测校正方法，该方法包括以下步骤：
3、s1、获取图像传感器所有像素在不同辐射量下的l张原始图像il，l＝1,2,…,k；
4、s2、计算l张原始图像il中每个像素点的最优拟合斜率kc和截距bc，并构成与原始图像il等大小且包含统计信息的参数矩阵[kc,bc]，统计信息包括大小为m×n，且每个元素对应一个像素的最优拟合斜率kc和截距bc的斜率矩阵kc以及截距矩阵bc；
5、s3、基于参数矩阵[kc,bc]的统计信息对像素中的坏点进行判断，并生成与原始图像il对应的坏点表badpoints；
6、s4、基于坏点表badpoints中的非坏点计算用以修正参数矩阵[kc,bc]的校正参数kc_mean和bc_mean；
7、s5、采用校正参数kc_mean和bc_mean对参数矩阵[kc,bc]进行修正得到修正后的校正参数矩阵[kc1,bc1]；
8、s6、根据校正参数矩阵[kc1,bc1]和坏点表badpoints对传感器图像的坏点进行校正。
9、进一步地，在步骤s1中，具体过程包括以下步骤：
10、s11、采用积分球为传感器提供光强保持恒定且均匀的光照；
11、s12、调整传感器的曝光时间从短时长逐步等间隔增加直到图像开始过曝；
12、s13、采集传感器所有像素在不同曝光时间下的l张原始图像il，并记录对应的曝光时间。
13、进一步地，在步骤s2中，具体过程包括以下步骤：
14、s21、计算每张原始图像il中包含m×n个像素的图像均值mk，计算公式如下：
15、
16、式中，mk表示第k张原始图像的图像均值，即所有像素灰度值的平均值；m、n分别为原始图像的行高和列宽；il(i,j)表示原始图像il中第i行、第j列像素点的灰度值；
17、s22、根据灰度图像均值mk定义每个像素点的灰度值序列pk；
18、s23、采用最小二乘法对每个像素点的灰度值序列pk进行线性拟合得到m×n个最优拟合斜率kc和截距bc，计算公式如下：
19、
20、式中，l表示原始图像的数目；pk表示第k张图像中像素点(i,j)的灰度值；
21、s24、将m×n个最优拟合斜率kc和截距bc进行整合得到大小为m×n的斜率矩阵kc和截距矩阵bc。
22、进一步地，在步骤s3中，具体过程包括以下步骤：
23、s31、计算斜率矩阵kc的均值μkc以及标准差σkc，计算公式为：
24、
25、式中，m、n分别为原始图像的行高和列宽；kc(i,j)表示斜率矩阵kc中像素(i,j)的坐标值；
26、s32、根据均值μkc和标准差σkc对像素中的坏点进行判断；
27、若|kc(i,j)-μkc|＞α·σkc，则该像素为坏点，α为阈值系数，取值为3；
28、相反，则该像素为非坏点；
29、s33、令坏点像素表示为“1”，非坏点表示为“0”建立坏点表badpoints，表达式为：
30、
31、坏点表badpoints的大小为m×n，且坏点表badpoints中的每一个元素对应一个像素点。
32、进一步地，在步骤s4中，校正参数kc_mean和bc_mean的计算公式如下：
33、
34、
35、式中，kc′(i,j)、bc′(i,j)分别表示非坏点的斜率矩阵kc′和截距矩阵bc′中像素(i,j)的坐标值；badpoints(i,j)表示在坏点表badpoints中元素为“0”对应的像素(i,j)。
36、进一步地，在步骤s5中，校正参数矩阵[kc1,bc1]的计算公式如下：
37、
38、bc1(i,j)＝-kc(i,j)·bc(i,j)+bc_mean
39、式中，kc(i,j)、bc(i,j)分别表示斜率矩阵kc和截距矩阵bc中像素(i,j)的坐标值。
40、进一步地，在步骤s6中，具体过程包括以下步骤：
41、s61、获取图像传感器的原始图像img；
42、s62、读取校正参数文件，包括参数矩阵[kc1,bc1]和坏点表badpoints；
43、s63、根据坏点表badpoints判断原始图像img中的任一像素点(i,j)是否为坏点；
44、若是，则进入步骤s64；
45、若否，则结束；
46、s64、判断校正参数kc1(i,j)是否等于0；
47、若是，则对每个像素点(i,j)进行校正处理得到处理后的像素点(i′,j′)，校正处理的表达式为：
48、(i′,j′)＝(i,j)*kc1(i,j)+bc1(i本文档来自技高网
...
【技术保护点】
1.一种针对图像传感器的坏点检测校正方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的坏点检测校正方法，其特征在于，在步骤S1中，具体过程包括以下步骤：
3.根据权利要求1所述的坏点检测校正方法，其特征在于，在步骤S2中，具体过程包括以下步骤：
4.根据权利要求1所述的坏点检测校正方法，其特征在于，在步骤S3中，具体过程包括以下步骤：
5.根据权利要求1所述的坏点检测校正方法，其特征在于，在步骤S4中，校正参数Kc_mean和Bc_mean的计算公式如下：
6.根据权利要求1所述的坏点检测校正方法，其特征在于，在步骤S5中，校正参数矩阵[Kc1,Bc1]的计算公式如下：
7.根据权利要求1所述的坏点检测校正方法，其特征在于，在步骤S6中，具体过程包括以下步骤：
8.一种用于实现上述权利要求1-7任一项所述的坏点检测校正方法的系统，其特征在于，包括：
【技术特征摘要】
1.一种针对图像传感器的坏点检测校正方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的坏点检测校正方法，其特征在于，在步骤s1中，具体过程包括以下步骤：
3.根据权利要求1所述的坏点检测校正方法，其特征在于，在步骤s2中，具体过程包括以下步骤：
4.根据权利要求1所述的坏点检测校正方法，其特征在于，在步骤s3中，具体过程包括以下步骤：
5.根据权利要求1所述的坏点...
【专利技术属性】
技术研发人员：程洁，陶飞，郭杰，魏烨，卢小银，
申请(专利权)人：合肥中科君达视界技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。