Deutsche Übersetzung des Titels: Inhomogenitätsschätzung für Bildsensoren mit einem szenenbasierten Maximum Likelihood Verfahren

Vorschau	PDF, Englisch (Komprimierte Variante) Download (70MB) | Nutzungsbedingungen
Vorschau	PDF, Englisch (mit originalen Bildern) Download (146MB) | Nutzungsbedingungen

Abstract

Image sensors come with a spatial inhomogeneity, known as Fixed Pattern Noise or image sensor nonuniformity, which degrades the image quality. These nonuniformities are regarded as the systematic errors of the image sensor, however, they change with the sensor temperature and with time. This makes laboratory calibrations unsatisfying. Scene based nonuniformity correction methods are therefore necessary to correct for these sensor errors. In this thesis, a new maximum likelihood estimation method is developed that estimates a sensor’s nonuniformities from a given set of input images. The method follows a rigorous mathematical derivation that exploits the available sensor statistics and uses only well-motivated assumptions. While previous methods need to optimize a free parameter, the new method’s parameters are defined by the statistics of the input data. Furthermore, the new method reaches a better performance than the previous methods. Specialized developments that include a row- or column-wise and a combined estimation of the nonuniformity parameters are introduced as well and are of relevance for typical industrial applications. Finally it is shown that the previous methods can be regarded as simplifications of the newly developed method. This deliberation gives a new view onto the problem of scene based nonuniformity estimation and allows to select the best method for a given application.

Übersetzung des Abstracts (Deutsch)

Bildsensoren besitzen räumliche Inhomogenitäten, auch Fixed Pattern Noise genannt, welche die Bildqualität herabsetzten. Diese Inhomogenitäten können als die (meta-stabilen) systematischen Fehler des Bildensors identifiziert werden und verändern sich im Laufe der Zeit, was laborgestützte Kalibrierungen unzureichend macht. Deswegen sind szenenbasierte Verfahren notwendig um diese Fehler erfolgreich zu korrigieren. In dieser Arbeit wird eine neue szenenbasierte Maximum Likelihood Schätzung vorgestellt, welche die Inhomogenitäten eines Bildsensors aus einer Anzahl an Eingangsbildern schätzt. Die mathematisch detailliert hergeleitete Methode nutzt die statistischen Informationen des Bildsensors aus und fußt auf trivialen und gut motivierten Annahmen. Während bei Referenzmethoden üblicherweise mindestens ein freier Parameter optimiert werden muss, können die Parameter der neuen Methode direkt aus der Statistik der Eingangsdaten geschätzt werden. Des Weiteren erreicht die neue Methode eine bessere Korrekturrate als die Vergleichsmethoden. Spezialisierte Erweiterungen der Methode enthalten eine zeilen- oder spaltenweise und eine kombinierte Schätzung der Parameter und haben eine große Relevanz für die typischen industriellen Anwendungen. Die Referenzmethoden lassen sich letztlich als Vereinfachungen der neu entwickelten Methode darstellen. Dies eröffnet einen neuen Blickwinkel auf das Problem der szenenbasierten Schätzung und wird in Zukunft weitere Verbesserungen und dieWahl der richtigen Korrekturmethode für ein gegebenes Problem erleichtern.