"基于残余插值的卷积神经网络去马赛克算法"
本文提出一种基于残余插值的卷积神经网络去马赛克算法（R IC N N），旨在解决去马赛克问题中的精确插值倾斜边缘和提高结果图像的整体质量。该算法首先提出边缘检测算法，能同时检测水平、垂直和对角线方向的边缘，然后利用深度卷积神经网络对插值结果进行进一步训练。在标准的IMAX数据集上，与目前流行的算法相比，本文算法视觉上更接近原图，具有更高的峰值信噪比和更短的运行时间。
去马赛克是单传感器彩色成像中的一个重要问题，在一个单传感器相机里，传感器表面覆盖一层彩色滤波阵列（C F A），每个像素点仅采样红、绿或蓝色分量之一，要恢复全彩色图像，丢失的2种颜色分量需要估计。这是一个图像插值的过程，双线性和双三次等简单的插值方法，在图像平滑区域也有较好的效果。但是它们相当于各向同性的低通滤波，会产生显著的边缘模糊、拉链效应等缺陷。
Hamilton等提出自适应彩色平面插值算法，利用二阶导数检测局部水平和垂直边缘的方向，然后，分别沿着水平和垂直的边缘方向进行插值，改进了双线性等简单插值方法的结果。Pekkucu等提出了基于梯度的无阈值插值算法（GBT），利用Hamilton等的插值公式对绿色平面方向插值之后，计算水平和垂直方向的颜色差，从上下左右4个方向对颜色差进行混合，得到最终的色差估计，色差估计与CFA中的红色或蓝色分量相加得到插值结果。
Kiku等的实验验证，引导滤波方法生成的估计值与真实像素值的差，即残余，比颜色差更加平滑。他们提出的残余插值（RI）改进了GBT算法，将GBT中的第1步的方向插值改为残余插值，然后同样计算并混合颜色差得到最后的结果。残余插值恢复出的图像视觉上更接近原图，并且具有更高的峰值信噪比，是目前去马赛克效果最好的算法之一。
本文基于残余插值的思想，提出了一种基于残余插值的卷积神经网络算法（RICNN）。该算法首先对绿色通道进行插值，然后利用深度卷积神经网络对插值结果进行进一步训练。在标准的IMAX数据集上，与目前流行的算法相比，本文算法视觉上更接近原图，具有更高的峰值信噪比和更短的运行时间。
本文提出的一种基于残余插值的卷积神经网络去马赛克算法，能够有效地解决去马赛克问题，提高结果图像的整体质量。
