خوارزمية demosaicing هي عملية صور رقمية تستخدم لإعادة تكوين صورة ملونة كاملة من ناتج عينات الألوان غير المكتملة من مستشعر صور متراكب مع مصفوفة مرشح ألوان (CFA). ومن المعروف أيضا باسم الاستيفاء CFA أو إعادة الإعمار اللون.

تكتسب معظم الكاميرات الرقمية الحديثة الصور باستخدام مستشعر صورة مفرد متراكب مع CFA ، لذا فإن demosaicing جزء من خط المعالجة اللازم لتقديم هذه الصور إلى تنسيق قابل للعرض.

يمكن للكثير من الكاميرات الرقمية الحديثة حفظ الصور بتنسيق أولي يسمح للمستخدم بتفكيكها باستخدام البرامج ، بدلاً من استخدام البرنامج الثابت المدمج في الكاميرا.

هدف
الهدف من خوارزمية demosaicing هو إعادة بناء صورة ملونة كاملة (أي مجموعة كاملة من ثلاثية الأضلاع) من إخراج قنوات الألوان غير المخططة مكانيًا من CFA. يجب أن تحتوي الخوارزمية على السمات التالية:

تجنب إدخال القطع الأثرية الملونة الزائفة ، مثل الأسماء المستعارة لونية ، والتغييرات (التغيرات الفجائية المفاجئة في الكثافة على عدد من البيكسلات المجاورة) والأهداب الارجوانية
أقصى الحفاظ على دقة الصورة
تعقيد حسابي منخفض للمعالجة السريعة أو كفاءة تنفيذ الأجهزة في الكاميرا
قابلية للتحليل من أجل الحد من الضوضاء بدقة

صفيف مرشح اللون
مصفوفة مرشح الألوان هي فسيفساء من فلاتر الألوان أمام مستشعر الصورة. ومن الناحية التجارية ، فإن أكثر تشكيلات CFA استخدامًا هي فلتر Bayer الذي تم توضيحه هنا. يحتوي هذا على مرشحات بديلة باللون الأحمر (R) والأخضر (G) للصفوف الفردية والتناوب الأخضر (G) والفلاتر الزرقاء (B) للصفوف المتساوية. هناك ضعف عدد المرشحات الخضراء كالمرشحات الحمراء أو الزرقاء ، مما يزيد من حساسية العين البشرية للضوء الأخضر.

نظرًا لأن اختزال اللون من CFA بطبيعته ينتج عنه اسم مستعار ، فإنه يتم عادةً وضع مرشح بصقل الصقل في المسار البصري بين مستشعر الصورة والعدسة لتقليل الآثار الملونة الكاذبة (الأسماء المستعارة اللونية) التي يتم إدخالها عن طريق الاستيفاء.

نظرًا لأن كل بكسل من المستشعر يكون خلف مرشح لوني ، فإن المخرج عبارة عن مصفوفة من قيم البكسل ، كل منها يشير إلى شدة أولية من أحد ألوان المرشحات الثلاثة. وبالتالي ، هناك حاجة إلى خوارزمية لتقدير مستويات الألوان لكل مكونات اللون لكل بكسل ، بدلاً من مكون واحد.

توضيح
لإعادة بناء صورة ملونة كاملة من البيانات التي تم جمعها من قبل مجموعة تصفية الألوان ، هناك حاجة إلى شكل من أشكال الاستيفاء لملء الفراغات. تخضع الرياضيات هنا للتنفيذ الفردي ، وتسمى demosaicing.

في هذا المثال ، نستخدم الاستيفاء bicubic الخاص بـ Adobe Photoshop لمحاكاة دارة جهاز مرشح Bayer مثل الكاميرا الرقمية.

الصورة أدناه تحاكي الإخراج من مستشعر باير مصور ؛ كل بكسل يحتوي على مكون أحمر أو أخضر أو ​​أزرق فقط. تظهر الصورة الأصلية المقابلة بجانب إعادة الإعمار في نهاية هذا القسم.

عادةً ما تكون الصورة التي تمت إعادة بنائها دقيقة في المناطق ذات اللون الموحد ، ولكنها تحتوي على فقدان الدقة (التفاصيل والوضوح) وتحتوي على عناصر حواف (على سبيل المثال ، حواف الأحرف لها هامش ألوان مرئي وبعض الخشونة).

خوارزميات

الاستيفاء البسيط
هذه الخوارزميات هي أمثلة على الاستيفاء متعدد المتغيرات على شبكة موحدة ، وذلك باستخدام العمليات الحسابية البسيطة نسبيا في الحالات القريبة من نفس مكون اللون. أبسط طريقة هي الإقحام الأقرب إلى الجوار والذي ينسخ ببساطة بكسل متجاور من نفس قناة اللون. وهي غير مناسبة لأي تطبيق حيث تهم الجودة ، ولكن يمكن أن تكون مفيدة في توليد معاينات مع موارد حاسوبية محدودة. طريقة أخرى بسيطة هي الاستكمال الداخلي ثنائي الاتجاه ، حيث يتم حساب القيمة الحمراء للبيكسل غير الأحمر كمتوسط ​​2 أو 4 بيكسلات حمراء متاخمة ، وبالمثل للأزرق والأخضر. تتضمن الطرق الأكثر تعقيدًا التي تستقر بشكل مستقل داخل كل مستوى ألوان الاستيفاء الأحادي ، الاستيفاء بالخيمة ، و اختزال لانسزو.

وبالرغم من أن هذه الطرق يمكن أن تحصل على نتائج جيدة في مناطق الصور المتجانسة ، إلا أنها معرضة لعمليات تحطيم شديدة في مناطق ذات حواف وتفاصيل عند استخدامها مع CFAs ذات لون خالص. ومع ذلك ، يمكن الاستيفاء الخطي الحصول على نتائج جيدة للغاية عندما يقترن CFA (Panchromatic) الطيفي. يمكن للمرء أن يستغل نماذج تكوين بسيطة للصور من أجل التوسّع. في الصور الطبيعية داخل نفس الشريحة ، يجب الحفاظ على نسبة الألوان. تم استغلال هذه الحقيقة في صورة استيفاء حساس من أجل التخصيص.

ارتباط البكسل داخل صورة
تستغل خوارزميات demosaicing أكثر تطوراً للارتباطات المكانية و / أو الطيفية للبيكسلات في صورة ملونة. الارتباط المكاني هو ميل البكسلات لتحمل قيم لون متشابهة داخل منطقة متجانسة صغيرة من الصورة. الارتباط الطيفي هو التبعية بين قيم البكسل لمستويات الألوان المختلفة في منطقة صورة صغيرة.

تتضمن هذه الخوارزميات:

العدد المتغير من الاستيفاء التدرجات يحسب التدرجات بالقرب من بيكسلات الفائدة ويستخدم التدرجات الأقل (تمثل أجزاء أكثر سلاسة وأكثر تشابهاً من الصورة) لعمل تقدير. يتم استخدامه في الإصدارات الأولى من dcraw ، ويعاني من التحف الملونة.
يستخدم Pixel Grouping افتراضات حول المناظر الطبيعية في عمل التقديرات. يحتوي على عدد أقل من التحف الملونة على الصور الطبيعية من طريقة متغير عدد التدرجات ؛ تم تقديمه في dcraw من rel. 8.71 كـ “Groupix Pixel Grouping”.
يقوم الاستيفاء الموجه بالتجانس المتكيف بتحديد اتجاه الاستيفاء وذلك لزيادة مقياس التجانس ، وبالتالي تقليل الآثار الملونة عادة. تم تنفيذه في الإصدارات الأخيرة من dcraw.

فيديو فائقة الدقة / demosaicing
وقد تبين أن الدقة الفائقة والظهور هما وجهان للمشكلة ذاتها ومن المعقول معالجتها في سياق موحد. لاحظ أن كلا هذه المشاكل تتناول مشكلة التعرج. لذلك ، خاصة في حالة إعادة بناء الفيديو (متعدد الإطارات) ، يوفر نهج فائق الدقة والميزان الحل الأمثل.

المفاضلات
قد تؤدي بعض الأساليب إلى نتائج أفضل للمشاهد الطبيعية ، وبعضها بالنسبة للمواد المطبوعة ، على سبيل المثال. هذا يعكس المشكلة الكامنة في تقدير وحدات البكسل التي لا نعرفها حقًا. بطبيعة الحال ، هناك أيضا مبادلة في كل مكان من السرعة مقابل جودة التقدير.

استخدم في برامج معالجة الصور على الكمبيوتر
عندما يتمكن المرء من الوصول إلى بيانات الصورة الخام من كاميرا رقمية ، يمكن للمرء استخدام برامج الكمبيوتر مع مجموعة متنوعة من خوارزميات demosaicing مختلفة بدلا من أن يقتصر على واحد مدمج في الكاميرا. توفر بعض برامج التطوير الأولية ، مثل RawTherapee ، للمستخدم خيارًا لاختيار الخوارزمية التي يجب استخدامها. ومع ذلك ، يتم ترميز معظم البرامج لاستخدام أسلوب واحد محدد. الاختلافات في تقديم أدق التفاصيل (وقوام الحبوب) التي تأتي من اختيار خوارزمية demosaicing هي من بين الاختلافات الرئيسية بين مختلف المطورين الخام. غالبًا ما يفضل المصورون برنامجًا معينًا لأسباب جمالية ذات صلة بهذا التأثير.

توفر التحف الملونة بسبب demosaicing أدلة مهمة لتحديد عمليات تزوير الصور.