陳申渭，馬漢杰，馮 杰，許佳立

1(浙江理工大學(xué) 信息學(xué)院，杭州 310018)

2(杭州市公安局余杭分局，杭州 311100)

1 引言

隨著科技的進(jìn)步，數(shù)碼相機(jī)取代了傳統(tǒng)膠卷相機(jī)的壟斷地位，并搭載在智能手機(jī)中，成為了現(xiàn)代人日常生活密不可分的一部分.數(shù)碼相機(jī)中的感光元件CCD 或CMOS 是按矩陣排列的電子感光元件，為了減少成本、縮小體積，其內(nèi)部圖像傳感器大多采用彩色濾鏡陣列(Color Filter Array，CFA)，再通過(guò)RAW 圖像去馬賽克過(guò)程對(duì)缺少像素信息插值恢復(fù)[1].根據(jù)奈奎斯特采樣定律，當(dāng)屏幕信息頻率接近于數(shù)碼相機(jī)的感光元件陣列密度時(shí)，會(huì)產(chǎn)生摩爾紋現(xiàn)象.此外，這種CFA 方式通過(guò)降低了采樣頻率來(lái)提高采樣效率，但細(xì)節(jié)的缺失更容易出現(xiàn)彩色摩爾紋現(xiàn)象.近年來(lái)，RAW 圖像去馬賽克算法得到不斷地改進(jìn)和完善，為避免摩爾紋的產(chǎn)生取得了良好的效果，如邱菊[2]提出基于CCD 靜態(tài)圖像的摩爾紋去除算法研究.邱香香[3]提出基于CCD 靜態(tài)圖像的摩爾紋去除算法.劉芳蕾[4]提出基于圖像分解的紋理圖像摩爾紋消除方法.Sun 等人[5]提出了基于多分辨率卷積神經(jīng)網(wǎng)絡(luò)的摩爾紋圖像修復(fù).

另一類摩爾紋并不是在成像時(shí)直接產(chǎn)生，而是在縮放后產(chǎn)生.當(dāng)拍攝圖像的分辨率遠(yuǎn)高于被拍攝圖像的分辨率時(shí)，由于屏幕信息頻率遠(yuǎn)低于數(shù)碼相機(jī)的感光元件陣列密度，根據(jù)奈奎斯特的采樣定律，這并不會(huì)在成像時(shí)產(chǎn)生摩爾紋現(xiàn)象.然而在縮放過(guò)程中圖像的信息頻率隨之縮放，使得圖像高頻信息相互混疊，導(dǎo)致圖像產(chǎn)生摩爾紋干擾.1983年，Parker[6]等中詳細(xì)介紹的各類經(jīng)典空間插值方法，但例如最鄰近域法、雙線性插值法、雙三次插值法，B 樣條插值法，三次卷積插值法和蘭索斯插值算法均有嚴(yán)重的摩爾紋現(xiàn)象.在OpenCV中提出了新的圖像縮放算法—利用像素區(qū)域關(guān)系的重采樣插值(resampling using pixel area relation)，通過(guò)快速獲取幾個(gè)像素平均值從而得到較為平滑的縮放圖像，是現(xiàn)今最為實(shí)用的避免縮放類摩爾紋的算法.此外對(duì)于現(xiàn)在比較流行的基于字典學(xué)習(xí)的圖像插值方法，基于深度學(xué)習(xí)的圖像插值方法以及基于決策樹的圖像插值方法等，均有著良好的實(shí)驗(yàn)效果[7-9].但它們都需要預(yù)先利用大量圖像做訓(xùn)練，使得實(shí)用性大打折扣.本文特指的攝屏類圖像就具有典型的縮放類摩爾紋，它是過(guò)采樣圖像由于縮放插值算法成像受到高頻的噪聲干擾失真所導(dǎo)致的.如今主流手機(jī)的后置攝像頭的像素一般在1200 萬(wàn)以上，其遠(yuǎn)高于主流的屏幕分辨率[10].高分辨率的圖像在低分辨率的屏幕中完整顯示需要經(jīng)歷圖像縮放操作，而且，縮小的比例越接近于被采樣圖像的真實(shí)大小，則兩者頻率越接近，信息混疊的干擾就越明顯.攝屏類圖像固有全局的高頻信號(hào)，且條紋像素的灰度值較低，使得圖像梯度較大，因此，該類圖像的摩爾紋現(xiàn)象尤為嚴(yán)重.在另一類非等比例縮放算法中，基于內(nèi)容感知的圖像非等比例縮放等技術(shù)得到較為廣泛地應(yīng)用，例如基于混合能量的內(nèi)容敏感圖像縮放等[11，12].此外，鏡頭畸變和角度旋轉(zhuǎn)等差異同樣存在于被采樣圖像和攝屏圖像之間，此類算法也廣泛應(yīng)用于拍攝圖像處理中[13，14].

除一般的用戶的電腦顯示屏外，大型LED 屏幕在舞臺(tái)、廣場(chǎng)等地被廣泛應(yīng)用.大型LED 銀幕的液晶點(diǎn)間條紋清晰可見，拍攝的圖像在縮放顯示時(shí)極易產(chǎn)生摩爾紋，這都嚴(yán)重降低了畫面質(zhì)量.

被采樣的屏幕圖像和采樣獲得的成像圖像之間有著分辨率的轉(zhuǎn)變.普通的圖像，高頻信息體現(xiàn)圖像細(xì)節(jié)，往往符合實(shí)際需求.針對(duì)更高細(xì)節(jié)的需求，Tsai[15]是最早提出超分辨率重建(SRIR 或SR)的人之一，超分辨率重建是一種將已有的低分辨率圖像轉(zhuǎn)換成高分辨率圖像的方法，文獻(xiàn)[16]詳細(xì)介紹了超分辨率的原理及方法.而攝屏類圖像的高頻條紋受LED 液晶顯示屏的物理構(gòu)造影響，在更高分辨率的情況下采集了網(wǎng)紋狀噪聲，是一種不符合實(shí)際需求的由低分辨轉(zhuǎn)變?yōu)楦叻直媛实淖兓?

基于上述分析，結(jié)合圖像的超分辨率重構(gòu)的逆向思維和非等比率縮放算法，以及利用模型驅(qū)動(dòng)的圖像分割技術(shù)和隨機(jī)游走進(jìn)行高頻信號(hào)的采集[17，18].實(shí)現(xiàn)針對(duì)攝屏類圖像的重構(gòu)算法，將圖像還原成被采樣圖像，使其更貼近用戶實(shí)際需求，同時(shí)解決攝屏類圖像分辨率過(guò)大，以及縮放后摩爾紋現(xiàn)象、鏡頭畸變、拍攝角度傾斜等問(wèn)題.

2 重構(gòu)算法的基本思路

本文提出的高分辨率攝屏類圖像重構(gòu)方法分為圖像空間域的重構(gòu)和圖像顏色通道的插值恢復(fù)，主要算法步驟包括高頻信號(hào)采樣和像素顏色插值兩部分，本文介紹了濾波算法和三種交替使用的圖像分割算法.算法流程如圖1所示.通過(guò)空間長(zhǎng)度自適應(yīng)的濾波算法分離兩個(gè)方向的圖像周期信號(hào)，通過(guò)兩個(gè)方向上的映射來(lái)分離并建立信號(hào)模型，在重構(gòu)圖像的具體過(guò)程中，先重構(gòu)圖像的空間矩陣，再對(duì)像素值插值恢復(fù).

圖1 本文算法框架

2.1 圖像信號(hào)與空間映射

如圖2(d)、(g)所示，攝屏類圖像信號(hào)呈現(xiàn)周期變化.在成像過(guò)程中，被采樣圖像的像素點(diǎn)矩陣在屏幕中以液晶點(diǎn)的形式輸出，在相機(jī)采樣后形成呈矩陣排布的狀如“山峰”的液晶點(diǎn)單元區(qū)域.描述攝屏圖像的模型可表示為:

式中，x為攝屏圖像的空間坐標(biāo)，I(x)為攝屏圖像，J(x0)為被采樣原圖，x0為空間坐標(biāo)x在被采樣原圖上映射的空間坐標(biāo)，a為環(huán)境光值，即忽略屏幕自身發(fā)光的液晶點(diǎn)間隙采樣所表現(xiàn)的光值，t1(x)為原圖信息影響率，t2(x)為環(huán)境光值影響率.

求解x0與x的映射關(guān)系，需要對(duì)圖像高頻信號(hào)進(jìn)行采樣.已知被采樣像素Pi,j對(duì)應(yīng)于攝屏圖像液晶點(diǎn)單元區(qū)域Ei,j.顯然像素點(diǎn)集合fP1,j,P2,j,P3,j,...,Pn,jg 對(duì)應(yīng)單元區(qū)域集合Ej=fE1,j,E2,j,E3,j,...,En,jg.通過(guò)圖像分割先將攝屏圖像分割成E1,E2,E3,...,En的連續(xù)條形區(qū)域，再進(jìn)一步分割成一個(gè)個(gè)液晶點(diǎn)單元區(qū)域小塊，能夠精確有效地重構(gòu)圖像的空間結(jié)構(gòu).

2.1.1 空間長(zhǎng)度自適應(yīng)的線型濾波算法

在分割圖像時(shí)，為了盡可能保留橫軸方向的高頻信號(hào)同時(shí)去除相切方向的高頻噪聲，需要在保留橫方向圖像梯度信息的同時(shí)削弱豎軸方向的梯度變化.本文提出一種空間長(zhǎng)度自適應(yīng)的線型濾波算法.經(jīng)實(shí)驗(yàn)觀察，單元區(qū)域內(nèi)極大值點(diǎn)和中心點(diǎn)對(duì)應(yīng)的t1(x)值較大，最接近采樣圖像信息，因此按豎軸方向通過(guò)爬山算法取得極大值點(diǎn)集Q 并舍去非極大值點(diǎn)的灰度信息，其中A點(diǎn)與B點(diǎn)為相鄰的兩個(gè)極大值點(diǎn)，將A點(diǎn)與B點(diǎn)的距離Tab作為線型濾波器的長(zhǎng)，寬度為1，保留極大值信息的同時(shí)梯度最小化，將A點(diǎn)與B點(diǎn)之間的灰度分量Pa+i設(shè)為等差數(shù)列，既

通過(guò)極大值點(diǎn)的間距作為線型濾波的濾波器的和長(zhǎng)度，組成連續(xù)不重疊的濾波器窗口.

液晶點(diǎn)單元各個(gè)方向都存在強(qiáng)梯度變化，本文通過(guò)濾波算法，將圖像梯度分解成兩個(gè)方向.受圖像畸變和鏡頭角度等復(fù)雜變化影響，兩個(gè)方向存在對(duì)應(yīng)水平和豎直方向上的偏轉(zhuǎn)角度.效果如圖2(e)、(f)、(h)所示.

2.1.2 圖像高頻信號(hào)的提取

通過(guò)濾波后的圖像信息，其橫軸方向的周期變化更為明顯直觀，當(dāng)坐標(biāo)接近液晶點(diǎn)單元區(qū)域中心時(shí)，圖像灰度值達(dá)到峰值，當(dāng)坐標(biāo)處在區(qū)域邊緣，即液晶點(diǎn)間隙時(shí)，圖像灰度達(dá)到最低值，如圖2(h)所示其橫截面具體呈現(xiàn)波浪形的漸變曲線，符合三角函數(shù)變化，式(1)中原圖信息強(qiáng)度t1(x)可表示為:

其中，B表示受環(huán)境光照影響的屏幕信息最大影響率，即原圖信息影響率t1(x)的理論最大值，Tx為高頻信號(hào)變化周期.

受鏡頭畸變和拍攝角度等因素影響，周期Tx是隨坐標(biāo)小幅波動(dòng)的變量，因此取Tx的平均數(shù)常量作為代替.可表示為:

本文提出高頻信號(hào)提取的基于鄰域搜索快速Greedy 算法[17]，加快算法的收斂速度，更高精度地提取圖像高頻信號(hào)進(jìn)行圖像分割，具體算法如下:

圖2 圖像濾波效果圖

首先通過(guò)標(biāo)定橫軸方向上的周期鄰域內(nèi)極小值點(diǎn)，從而獲得周期連續(xù)的高頻圖像點(diǎn)集，豎軸方向相鄰的像素點(diǎn)組成相連的像素集合，這些集合在全局上形成連續(xù)不想交的密集條紋，物理上對(duì)應(yīng)于濾波圖像中的液晶點(diǎn)間隙.

通過(guò)貪心算法標(biāo)定極小值點(diǎn)能夠最大限度地獲取圖像高頻信號(hào).但是同樣噪聲較多.通過(guò)簡(jiǎn)單的集合邏輯濾波簡(jiǎn)單地去除噪聲 Δa，而Δa往往大于實(shí)際存在的噪聲a.

通過(guò)先驗(yàn)的頻率周期T，標(biāo)定領(lǐng)域最小值點(diǎn)，獲得更為精確的結(jié)果.

算法相比較于梯度算子等邊緣檢測(cè)的圖像分割算法，通過(guò)已知的變化函數(shù)和周期，更加快速準(zhǔn)確地提取圖像高頻信號(hào).

其次對(duì)標(biāo)定信息的模型擬合，利用攝屏圖像的先驗(yàn)知識(shí)，即固有的空間結(jié)構(gòu)來(lái)建立數(shù)學(xué)模型，通過(guò)橫軸方向上的周期性和豎軸方向上的連續(xù)性，修復(fù)圖像的缺失點(diǎn)和偏差點(diǎn).實(shí)際是基于模型驅(qū)動(dòng)的圖像分割算法中的目標(biāo)幾何判定.

此外利用基于隨機(jī)游走的圖像分割算法，采用貝努利隨機(jī)游走迭代的方式.

貝努利隨機(jī)游走迭代的方式是一種一維線段上的隨機(jī)游走.已知濾波后的大小為m×m圖像g，將圖像g的每一行作為整體分割成m個(gè)大小為m×1的線形圖像集合，以豎軸方向的變化為時(shí)間向量依次作為圖像幀數(shù)，從而將二維圖像分割成一維線段集，將圖像分割轉(zhuǎn)化為直線上的隨機(jī)游走.如圖3所示，若種子點(diǎn)于t時(shí)刻在直線上的位置為點(diǎn)i，那么在下一時(shí)刻t+1，或以p的概率跳到t+1 整數(shù)點(diǎn)，或以q的概率運(yùn)動(dòng)到i-1 點(diǎn)，或以r=1-p-q的概率繼續(xù)停留在i點(diǎn).隨著幀數(shù)的迭代，種子點(diǎn)的運(yùn)行軌跡在二維圖像上形成了連續(xù)的路徑，從而完成圖像分割.實(shí)際實(shí)驗(yàn)過(guò)程以像素的梯度變化和先驗(yàn)的周期信息為標(biāo)準(zhǔn)，種子點(diǎn)朝灰度值較小的方向游走，使其軌跡對(duì)應(yīng)于攝屏圖像中液晶點(diǎn)物理間隙，對(duì)應(yīng)于所求的高頻條紋.

圖3 貝努利隨機(jī)游走

通過(guò)隨機(jī)游走跟蹤圖像的極小值點(diǎn)獲取高頻條紋信息，返回種子點(diǎn)路徑，在高頻信號(hào)圖像模型建立上起到復(fù)檢作用.隨機(jī)游走算法優(yōu)點(diǎn)在于獲得連續(xù)穩(wěn)定的線段，缺點(diǎn)在于需要在平滑區(qū)域開始作為初始幀，獲得精準(zhǔn)的種子點(diǎn).

圖4 是攝屏圖像，通過(guò)濾波操作，將其網(wǎng)狀的周期高頻信號(hào)分離，如圖5 是濾波后圖像.通過(guò)濾波削弱圖像豎直方向高頻信號(hào)并保留水平方向高頻信號(hào)，圖6是圖5 對(duì)應(yīng)的圖像分割軌跡，其軌跡為密集的互不相交的水平方向條紋，對(duì)應(yīng)于攝屏圖像所采集的液晶點(diǎn)間隙.算法通過(guò)精準(zhǔn)的圖像分割軌跡，從而計(jì)算攝屏圖像與原始圖像的空間映射關(guān)系.

圖4 濾波后攝屏圖像

2.2 圖像空間重構(gòu)

在圖像空間重構(gòu)過(guò)程中，需要計(jì)算從大小為m×m的原圖像g到大小為n×n的目標(biāo)圖像h的空間非線性映射 Φ.引入大小為m×n的過(guò)度圖像t，將映射Φ拆解為從g到t的豎直方向映射Φ1和從t到h的水平方向映射Φ2.

圖5 濾波后攝屏圖像

圖6 圖像分割軌跡

圖7 空間重構(gòu)示意圖

圖像g通過(guò)濾波后拆解成M1和M2兩個(gè)相切方向的高頻信號(hào)模型.通過(guò)豎直方向的周期高頻變化M1 形成的條紋狀濾波圖像，將圖像沿水平方向分割成E1,E2,E3,...,En的連續(xù)條形區(qū)域，其中Ej在h上的映射區(qū)域?yàn)閚維行向量αj，通過(guò)拆解，在過(guò)度圖像t上的映射為m維行向量 βj.得到過(guò)度圖像t=[β1,β2,β3,...,βn]T和M2在圖像t上的映射M3.

同理通過(guò)M3 和過(guò)度圖像t，將圖像進(jìn)一步空間重構(gòu)，形成n×n的目標(biāo)空間矩陣.實(shí)際實(shí)驗(yàn)時(shí)，將四周不完整的邊框舍去，獲得規(guī)整的矩陣h0.

2.3 圖像顏色通道插值恢復(fù)

在圖像空間重構(gòu)的基礎(chǔ)上，通過(guò)插值算法，恢復(fù)圖像的顏色通道.不同的插值算法具有不同的實(shí)際效果.本文算法重點(diǎn)測(cè)試了三類不同的插值算法.分別是是線性的區(qū)域重采樣的插值算法，去除液晶點(diǎn)間隙噪聲的插值算法和基于加權(quán)的插值算法.

區(qū)域插值算法能夠有效消除噪聲干擾，但同樣對(duì)細(xì)節(jié)造成一定缺失.領(lǐng)域內(nèi)極大值解的插值算法，通過(guò)圖像的先驗(yàn)知識(shí)，頻域內(nèi)的極大值來(lái)代替被采樣圖像的灰度值，優(yōu)點(diǎn)是細(xì)節(jié)保存完整，缺點(diǎn)是容易產(chǎn)生噪聲并且對(duì)環(huán)境光照敏感.此外基于加權(quán)和卷積的插值算法本文具體實(shí)驗(yàn)了基于蘭索斯函數(shù)擬合的重構(gòu)算法和基于向量?jī)?nèi)積的自適應(yīng)加權(quán)插值重構(gòu)算法，具有一定的改進(jìn)效果但時(shí)間復(fù)雜度大增.本文實(shí)驗(yàn)的區(qū)域插值算法使用線性插值且濾波器大小為2 倍信號(hào)周期.去除液晶點(diǎn)間隙噪聲的插值算法以一個(gè)信號(hào)周期作為濾波器大小的線性插值為基礎(chǔ)去除物理噪聲點(diǎn).在實(shí)際算法中，CFA 濾鏡陣列綠色分量占比更多，以綠色通道分量判斷噪聲點(diǎn)并舍棄[19].此外，利用向量的內(nèi)積操作，自適應(yīng)地增大.

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文算法的重構(gòu)效果，使用50 幅不同偏轉(zhuǎn)角度和頻率空間大小的攝屏圖像進(jìn)行實(shí)例驗(yàn)證，并與原被采樣圖像、一般縮放圖像和重采樣算法的縮放圖像相比較.此外還對(duì)不同顏色插值算法進(jìn)行討論.實(shí)驗(yàn)平臺(tái)采用Windows10，Visual Studio 2017 編譯環(huán)境，Intel Corei7 3.6 Hz CPU時(shí)鐘頻率，內(nèi)存16.0 GB.實(shí)驗(yàn)圖像的頻率周期T2[4,10]，偏轉(zhuǎn)角度不超過(guò)23 度23°，實(shí)驗(yàn)圖片以1200 W 攝像頭在無(wú)鏡頭光燈的明亮環(huán)境下采樣.

利用本文算法對(duì)圖像進(jìn)行重構(gòu)的結(jié)果如表1 和圖8所示，實(shí)驗(yàn)Lena 圖展示了原被采樣圖像的光滑區(qū)域和高頻區(qū)域在攝屏圖像與縮放及重構(gòu)圖像中的表現(xiàn).從結(jié)果可以看出，由于Bayer 格式攝像設(shè)備采集的實(shí)際RGB 分量比為1:2:1 以及白平衡設(shè)置等因素，圖像在采樣后造成綠色分量較實(shí)際值偏大使得圖像較原圖相比更綠更暗.去噪重構(gòu)圖像有效地篩除了部分綠色分量以及部分液晶點(diǎn)物理結(jié)構(gòu)所造成的低灰度信號(hào)，色調(diào)還原最佳.線性插值重構(gòu)與區(qū)域從采樣類似，獲得更為平滑的圖像，有效抑制了摩爾紋的產(chǎn)生，但在細(xì)節(jié)上去噪聲重構(gòu)算法更佳.同時(shí)，重構(gòu)圖像準(zhǔn)確還原圖像原始空間結(jié)構(gòu)，并且消除圖像短鏡頭畸變和角度傾斜等問(wèn)題.

表1 圖像特征對(duì)比

如圖9所示，圖像直方圖直觀地反應(yīng)出圖像間色調(diào)的相似程度[20].本文算法重構(gòu)后圖像在圖形上恢復(fù)了圖像的空間結(jié)構(gòu)，且較好地恢復(fù)了圖像顏色，在重構(gòu)圖像中有效避免了摩爾紋的產(chǎn)生.為了更好地評(píng)判重構(gòu)后的圖像質(zhì)量，本文圖像的直方圖相似度(Correlation)和巴氏距離(Bhattacharyya distance)來(lái)評(píng)價(jià)色調(diào)的還原程度[20].并對(duì)各類圖像進(jìn)行定量評(píng)價(jià)，各評(píng)價(jià)指標(biāo)的計(jì)算結(jié)果如表2所示.

表2 圖像直方圖相似度和巴氏距離(%)

直方圖相似度dcorrel和巴式距離dbhatta公 式如下:

式中，k為直方圖的灰度級(jí)，，分別為hk，的均值，計(jì)算結(jié)果歸一化.圖像與被采樣圖像的dcorrel越大，說(shuō)明相似度越高，色調(diào)還原程度越好.圖像與攝屏圖像的dcorrel越小，說(shuō)明相似度越低，色調(diào)重采樣度越高.圖像與被采樣圖像的dbhatta越小，說(shuō)明像素的離散分布越吻合，色調(diào)越接近.圖像與攝屏圖像的dbhatta越大，同樣說(shuō)明色調(diào)重采樣度越高.實(shí)驗(yàn)結(jié)果中，去噪聲重構(gòu)圖像和內(nèi)積法重構(gòu)圖像與被采樣圖像的直方圖相似度達(dá)到81.5%和84.3%，遠(yuǎn)高于攝屏圖像的38.7%和區(qū)域重采樣插值縮放圖像的62.3%.數(shù)據(jù)表明在幾類圖像中，去噪聲重構(gòu)圖像色調(diào)還原程度最高.

圖8 圖像重構(gòu)對(duì)比圖

圖9 圖像直方圖對(duì)比

4 結(jié)論與展望

本文針對(duì)高清攝屏圖像相對(duì)于實(shí)際被采樣圖像像素過(guò)大，縮放容易產(chǎn)生摩爾紋等問(wèn)題，提出全新的圖像重構(gòu)思想，并對(duì)應(yīng)基本算法步驟.與傳統(tǒng)圖像插值以及重構(gòu)不同，本文重構(gòu)算法在圖像超分辨率重構(gòu)和非等比例縮放算法的思想基礎(chǔ)上，針對(duì)攝屏圖像的獨(dú)特性質(zhì)，一方面利用液晶屏幕的物理結(jié)構(gòu)，在針對(duì)性的濾波算法基礎(chǔ)上通過(guò)模型驅(qū)動(dòng)的圖像分割和隨機(jī)游走來(lái)提取圖像的信號(hào)模型進(jìn)而完成空間重構(gòu).另一方面通過(guò)對(duì)攝屏圖像的先驗(yàn)知識(shí)，有效抑制物理結(jié)構(gòu)帶來(lái)的噪聲干擾，獲得色調(diào)還原度和細(xì)節(jié)保存較好的重構(gòu)圖像.實(shí)驗(yàn)樣本中去噪聲重構(gòu)圖像和內(nèi)積法重構(gòu)圖像與被采樣圖像的直方圖相似度達(dá)到81.5%和84.3%，遠(yuǎn)高于攝屏圖像的38.7% 和區(qū)域重采樣插值縮放圖像的62.3%.算法將圖像的空間矩陣重構(gòu)還原至被采樣的屏幕畫面，在保留了圖像信息的同時(shí)，舍去高頻網(wǎng)狀周期噪聲，極大地壓縮圖像大小，使圖像更符合實(shí)際需求.本文算法在液晶屏幕拍攝，尤其是被封裝的設(shè)備方面具有實(shí)用價(jià)值.

本文的重構(gòu)方法在圖像分割上對(duì)于光滑區(qū)域更為理想，但算法較為依賴先驗(yàn)的光滑區(qū)域信息，在被采樣圖像全局均有高頻噪聲的情況下誤差較大.并且本文算法在偏轉(zhuǎn)角度和信號(hào)周期長(zhǎng)度上普適性不佳.實(shí)驗(yàn)結(jié)果受外界噪聲干擾明顯，具體受屏幕鏡面反射、環(huán)境光值、液晶壞點(diǎn)、聚焦、屏幕污垢灰塵等因素影響.目前使用單幀圖像作為實(shí)驗(yàn)素材，可以通過(guò)多幀圖像進(jìn)行相機(jī)標(biāo)定從而來(lái)提高精度.