你知道有种图像格式叫bayer吗？-技术圈

点击下方卡片，关注“新机器视觉”公众号

视觉/图像重磅干货，第一时间送达

“ bayer，来自相机内部的原始格式。”

说起图像格式的种类，那可十根手指也数不过来。诸如耳熟能详的png、jpg、bmp，而bayer则鲜有人知。但这并不妨碍bayer在图像格式中有着不可撼动的地位。今天，就来看看bayer究竟是何物？

—

何为bayer

首先抛出一个问题：相机拍摄内部存储的图像格式是我们熟知的jpg、png吗？

答案显然不是。那么，这个最原始的格式，就是我们要说的bayer。

bayer格式是伊士曼·柯达公司的科学家Bryce Bayer发明的，他所发明的拜耳阵列被广泛应用于数字图像。bayer格式是相机内部的原始图像格式，后缀为.raw。我们熟知的jpg等格式，都是从raw格式转化过来的。

对于彩色图像，相机需要采集RGB三种基本颜色。最简单的方法就是用滤镜的方法。而单种颜色的滤镜只能透过其对应颜色的波长。如果要采集RGB三种颜色，就需要使用三块滤镜，并且三块滤镜必须保证每一个像素点都对齐，这就造成了加工困难、价格昂贵等问题。当bayer滤镜出现的时候，很好的解决了这个问题。其方法是在一块滤镜上设置不同的颜色。

通过分析人眼对颜色的感知发现，人眼对绿色比较敏感，所以一般bayer格式的图像绿色像素的数量是红色和蓝色像素数量之和。这也就解释了在一些视频、图片解析错误的情况下，我们通常会看到大片绿色画面的现象。下图即为拜耳阵列，由1/2的绿色，1/4的红色，1/4的蓝色组成。

—

bayer插值算法

看到上图，大家可能有这么一个疑惑：bayer图像格式每个像素都为单通道的颜色信息，那么，它是如何得到三通道的彩色图像的呢？

伟大之人的设计妙处就体现于此。因为每个像素只过滤并记录RGB三种颜色的一种，为了得到彩色图像，需要通过插值来实现每个像素的RGB值的恢复。插值的方式有很多种，下面介绍一种插值算法：

R和B通过线性邻域插值，共有四种不同的分布（关注中心像素点）：

（a）（b）

（c）（d）

(a)
$\begin{aligned} R(G中)=\frac{1}{2}(R(左)+R(右))\\ B(G中)=\frac{1}{2}(B(上)+B(下)) \end{aligned}$

(b)

$\begin{aligned} R(G中)=\frac{1}{2}(R(上)+R(下))\\ B(G中)=\frac{1}{2}(B(左)+B(右)) \end{aligned}$

(c)

$B(G中)=\frac{1}{4}(B(左上)+B(右上)+B(左下)+B(右下))$ (d)

$R(G中)=\frac{1}{4}(R(左上)+R(右上)+R(左下)+R(右下))$ 由于人眼对绿光反应最敏感，对紫光和红光则反应较弱，因此为了达到更好的成像效果，对于绿色的插值稍显复杂。经过相关的研究，得出计算中间像素G值的算法：

（e）（f）

(e)

$G(R中)=\left\{ \begin{array}{} \frac{G_1+G_3}{2}, & & {|R_1-R_3|<|R_2-R_4| }\\ \frac{G_3+G_4}{2}, & & {|R_1-R_3|>|R_2-R_4| }\\ \frac{G_1+G_2+G_3+G_4}{4}, & & {|R_1-R_3|=|R_2-R_4|}\\ \end{array} \right.$ (f)

$G(B中)=\left\{ \begin{array}{} \frac{G_1+G_3}{2}, & & {|B_1-B_3|<|B_2-B_4| }\\ \frac{G_3+G_4}{2}, & & {|B_1-B_3|>|B_2-B_4| }\\ \frac{G_1+G_2+G_3+G_4}{4}, & & {|B_1-B_3|=|B_2-B_4|}\\ \end{array} \right.$ 有时为了提高处理速度，也可以直接通过取4邻域的均值作为中间像素的G值。

到这里，bayer的介绍已经完毕。下篇将介绍另一个重要的图像格式YUV。

来源：小天算法笔记

仅用于学术分享，版权属于原作者。

若有侵权，请联系微信号:yiyang-sy 删除或修改！

—THE END—