Verwendung nicht-regulärer Kamera Sensorkonzepte für verbesserte Auflösung

Beschreibung

Ein herkömmlicher Bildsensor besteht aus rechteckigen Pixeln, die in einem regelmäßigen Gitter mit gleichem Abstand angeordnet sind. Der Abstand zwischen den Pixeln bestimmt die maximale Frequenz, die mit dem Sensor erfasst werden kann. Wenn also Frequenzen auftreten, die höher sind als die nach dem Nyquist-Theorem maximal darstellbare Frequenz, kommt es zu Aliasing im Bild.

Ein gängiger Ansatz zur Erhöhung der Bildauflösung ist die Erhöhung der Pixelanzahl. Dies bedeutet jedoch, dass die Pixel kleiner werden und somit jedes Photoelement weniger Licht akkumuliert was wiederum die   gesamte Lichtempfindlich des Sensors verringert.

Eine alternative Lösung zur Umgehung von Aliasing-Artefakten und zur Erhöhung der räumlichen Auflösung ist die Verwendung unregelmäßiger Pixelformen beziehungsweise die Verwendung eines nicht-regulären Rasters. Dies, in Kombination mit einer geschickten Rekonstruktion auf ein hochaufgelöstes Raster ermöglicht eine höhere Bildqualität, ohne die Anzahl der physischen Pixel zu erhöhen.
Für diesen Zweck sind, wie unten abgebildet, neuartige, unregelmäßige Sensorkonzepte mit beispielsweise tetromino-förmigen oder sechseckigen Pixeln von Interesse. Um den Sensor so lichtempfindlich wie möglich zu designen müssen auch die neuen Pixelformen die gesamte Sensorfläche lückenlos ausfüllen. Dementsprechend gestaltet sich das Design des Sensor Layouts je nach Pixel-form als unterschiedlich komplex.

Beispiele für Pixelformen um ein unregelmäßiges, nicht-reguläres Sensor Layout zu erzielen.

Um den Effekt solcher nicht-regulären Sensor Layouts zu testen, wird ein hochauflösendes Referenzbild mit dem jeweiligen Sensor-Pattern unter abgetastet. Anschließend werden die fehlenden Punkte des Bildsignals auf dem hochauflösenden Gitter mit dem Local-Joint Sparse Deconvolution and Extrapolation (L-JSDE) Algorithmus rekonstruiert. Um die Qualität des resultierenden hochauflösenden Bildes zu beurteilen, wird es mit dem Referenzbild in Bezug auf PSNR und SSIM verglichen.

 

Voraussetzungen

Vorausgesetzt werden Erfahrungen in der Programmierung mit MATLAB/ Python, und gute Kenntnisse in der Bild- und Videoverarbeitung.