TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 13, No. 2, Februa ry 20 15, pp. 238 ~ 246   DOI: 10.115 9 1 /telkomni ka. v 13i2.704 8          238     Re cei v ed Au gust 2, 201 4; Re vised Sept em ber  18, 20 14; Accepted  Octob e r 16, 2 014   Similarity and Variance of Color Difference Based  Demosaicing       R.Nirub a n* 1 , T.Sree Ren g a Raja 2 , R.Deepa 3   1 Sath yabam a Univers i t y , C h e nna i   2 Electrical a nd  Electron ics En gin eeri ng, Ann a   Univ ersit y  (BI T  Campus), T i ruchir apa lli, Ind i 3 Computer Sci ence a nd En gi neer ing, Princ e  Dr .K.Vasudev an Co lle ge of  Engi neer in g an d T e chnolo g y Che nna i, India.   *Corres p o ndi n g  author, e-ma i l : nirub anme @ gmail.c o m 1 , renga _raj a@re di ffmail.com 2 rkdee pa1 4@ g m ail.com 3       A b st r a ct  T he a i m of th e pr oject  is t o  fin d  the   mi ssing c o l o r sa mp les  at e a c h  pix e l  loc a tio n  by  th e   combi natio of si mil a rity a l go rithm an d th varia n ce   of co lour  differe nce  alg o rith m. M a ny d e m osa i cin g   alg o rith ms fi nd  ed ges  in  h o ri z o n t al  a nd v e r t ical  directi ons , w h ich ar n o t suita b l e  for  other  d i rectio ns.   Henc e us in g t he s i mil a rity a l gorit hm the  e dges  are  fou n d  i n  d i fferent  directi ons. But  in  this s i mil a r i ty   alg o rith m so metimes the  hori z o n t al  and v e rti c al dir e ctio ns a r e misle ad. He nce this  prob le m ca n be r e ctifi e d   usin g the v a ria n ce of c o lo ur  differenc e a l go rithm.  It is  pro v ed ex per imen tally that th is n e w  de mos a ici n g   alg o rith m b a se d on si mi larity  and var i a n ce o f  colouyr d i fference h a s bette r colour p eak si gna l to nois e  r a ti o   (C PSN R ) . It has b e tte o 0 b j e c ti ve  an d  su bj e c ti ve  pe rfo r m a nce .  It i s  an   a n a l ysi s stud y o f   bo th  sim i l a ri ty and  colour variance algor ithm s.    Ke y w ords :   colo ur filter array, demosa i ci ng, unifi ed hi gh frequ ency  ma p, peak si gna l to noise  ratio ,   acqu isitio n     Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. INTRODUCT I ON  Digital ca meras be com e  a nd many pe ople are  ch o o sin g  to take  picture s  wit h  digital  came ra s in st ead of film cameras.  Wh en a digital i m age i s  re corde d , the camera nee ds to  perfo rm a si gnifica nt am ount of pro c essing to  p r ovide the user a viewabl e image. Th is  pro c e ssi ng in clud es white  balance adj ustment s,  ga mma co rre cti on, comp re ssion an d mo re Most co nsu m er digital cameras  capt ure colou r  in formation  with a single li ght sen s o r  a nd a   colo ur filte r  a rray  (CFA). T he  CFA i s   co mpoun d by   a  set  of spe c trally se l e ctive filters,  a rra ng ed  in an  interl ea ved mo sai c  p a ttern,  so th a t  in ea ch  pixe l sa mple s o n l y  one  of the  comp one nts  of  the col o u r  sp ectru m  is cap t ured i n ste ad  of capt u r in g three  color  sa mples(typicall y red,green,a nd  blue) at ea ch  pixel locatio n  ,these cam e ra  capt u r e a  so call ed ‘m osai c’ imag e, where only one   colo r is  sa m p led at e a ch  locatio n . Th e two mi ssi n g  col o rs mu st be inte rpo l ated from th e   surro undi ng  sampl e . A ve ry impo rtant  part  of this  i m age  processing  is called  col o r filter  a rray   interpol ation  or dem osaici ng.   A colo r ima g e  re quires  atleast th ree  co lor  sampl e at each pixel  locatio n . Co mpute r   image s often  use red, bl ue and g r ee n. A camera  would n eed  three sepa rate sen s o r s to   compl e tely measure the i m age. Using  multiple se n s ors to dete c t different pa rts of the visi ble  spe c tru m  re q u ire s  splitting  the light ent ering th e ca mera,  so that  the scene i s  image o n to  each   sen s o r . Precise re gistration is then required  to align the thre e image s. These additio nal   requi rem ents  add a larg e e x pense to the system. Th u s , many cam e ra s use a si ngle se nsor  with   a colo r filter  array. The color filter a r ray allo ws onl y one pa rt of the spe c tru m  to pass to  the  sen s o r   so th at only on colo r i s  me a s ured  at ea ch pixel. Thi s   mean s that t he  came ra  must   eliminate  the  missin g two  col o r value s  at e a ch pixe l. This p r o c e s s is  kno w n   as  dem osaici ng.  The  choi ce  of the be st colo r filter a r ray is very  im port ant for the fin a l image  qu ality and differe nt   solutio n . The   best  col o r filt er a r ray is th e baye r  p a ttern  whi c h i s   proved a s  th e standard p a ttern.  The sa mple b a yer pattern is sh own belo w  in Figu re 1.        Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Sim ilarity and  Varian ce of Colo r Di ffere nce Ba sed  Dem o saici ng (R.Niruba n)  239 G 00  R 01   G 02  R 03   G 04  R 05   B 10   G 11   B 12   G 03  B 14   G 15  G 20  R 21   G 22  R 23   G 24  R 25   B 30   G 31  B 32   G 33  B 34   G 35  G 40  R 41   G 42  R 43   G 44  R 45   B 50   G 51  B 52   G 53  B 54   G 55    Figure 1. Bayer pattern       Digital still co lor cam e ras are   ba se o n   a sin g le ch a r ge   coupl ed device ( CCD) array  o r   compl e me nta r y metal oxid e se micond u c tor  (CMOS)  sen s o r s an captu r col o r informatio b y   usin g three  or more colo r filters, each  sample  poi n t  capturin g o n ly one sam p le of the co lor   spe c tru m . In a three - chip color  came ra,  the light entering the ca mera is split a nd  proje c ted o n  to  each spe c tral  sen s o r . Each  sen s o r  requi res its  pr o p e r   driving el ect r ons, a nd the  sen s o r have  to   be regi ste r ed  pre c isely. Th ese a ddition a l  r equi reme nts had a la rge  expense to the syste m . To  redu ce  co st  a nd co mplex i t y ,  digit a l came ra man u f a ct u r er s u s e a si n g le C CD/ CM OS  sen s o r  wi t h   a colo r filter a rray (CFA) to  captu r e all th e th ree primary c o lors   (R, G ,B) at the s a me time.  Colo r filter a r rays  contai ni ng on e or m o re  colo rs for liquid  cry s tal displays a nd othe opto-el ect r oni c devices a r e made by u s ing a la se to ablate po rtions of a coat ing on eithe r  a   colo red  or tra n sp are n t sub s trate.  Colo filter  materi al  are  pla c ed i n to the a b lat ed op enin g and  cured. T h e  n u mbe r  of  la ser–a b lated  o penin g s in th e coated   sub s trate  varie s depe nding  o n  the  quality and type of colo r de sire d.      2.  Rev i e w   of Similarit y  Based Demos a icing Algorithm  Similarity based dem osaici ng algo rithm s  has  two forms. one i s  th e without  refi nement  form an d the  other i s  the  with refinem ent  form.  In  this UHF map acquisitio n   and simila rity  based  interpol ation come s und er  without refin e ment  a nd gl obal e dge  cl assificatio n  o f  hori z ontal  a nd  vertical  direct ion  come s u nder with  refinement  meth od. In the  wi thout refinem ent meth od  we   cal c ulate the  map index u s ing the high frequ en cy  co mpone nts an d usin g this map value s   we   are inte rpol a t ing the missing pixel s  i n  hori z o n tal and verti c al  dire ction u s i ng glob al ed ge  cla ssifie r   sep a rately in th e  refining  met hod. Thi s  furt her  gives  bet ter color  pea k si gnal to  n o ise  ratio (CPSNR) value. This i s  the simila rit y  based d e m o sai c in g algo rithm.  In this alg o rit h m the u n ifie d high f r eq u ency m ap i s  formed  by takin g  the av erag e of  every sampl e   of  red, blue  and green   co mpone nt s ind epen dently a nd the n  eve r y sam p le val ues  are  ind epen d ently su btra ct ed from th e a v erage  val ue.  The n   we  ha ve to n o te th at these val u es  are l a rger tha n  zero  o r  le sser th an  ze ro.  If the value s  l a rge r  th an  ze ro th en  we  h a ve to pl ot th at  particula r val ue a s  one  a n d  if the  differenced val ue i s  le sse r  tha n   zero th en  we  have  to pl ot  the  value a s   ze ro . Like thi s  th e  unified  high  frequ en cy ma p is fo rme d Based  on  this the di re ction  of  the edge i s  found out an d the missing  sa mples a r e int e rpol ated.     ʎ (i,j) = 0, , 0 1,                                                                   (1)    W h er ʎ (i,j) i s  the  ma p in dex to b e   cal c ulate d  a nd  h ( i,j) i s  the  diff eren ce  bet we en the  individ ual  pixels  and  th e ave r ag e of  the total  pix e ls. T he  ma p ind e cal c ulation s  a r e   sho w n  bel ow in     Figure 2.      Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 13, No. 2, Februa ry 2015 :  238 – 246   240   153     134     208                145     151     178                 40     83     147                145    161    197      147    165    203   75    98    159      69    101    160   23    68    95      19    62    93                 63    139     155                 28     65     99                 18     33     69     (a)   Map Index calcul ation s     1 1  1 1  1 1  0 1  1 1  1 1  0 1  0 1  1 1  0 0  0 0  1 1  0 0  0 0  0 1  0 0  0 0  0 0  (b)  Unified High Freq uen cy  Map     Figure 2. Flow ch art of ma p index cal c ul ations  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Sim ilarity and  Varian ce of Colo r Di ffere nce Ba sed  Dem o saici ng (R.Niruba n)  241 In the above  figure the  ma p value for e a ch  pixel is f ound  out by takin g  the diff eren ce   betwe en the  i ndividual  pixels  and th e a v erage  of the  total pixels a r sho w n.  While plotting  the   map in the differenced val ue is gre a ter  than ze ro  the n  the particul a r map value  is plotted as 1   and if the differen c e d  valu e is less than  zero  then that  particul a r val ue is plotted  as 0.   No w after forming the ma p the missing  pixels  are interpol ated u s i ng the map d i rectio n.   Initially the green  sam p le s are i n terpola t ed by u s ing  the co mpa r ison of the  ma p value s  of t he  neigh bori ng g r een  sa mple s. If they are same then   the  formula to fin d  the mi ssi ng  gree sampl e are given b e l o w.          /2  .       1,  0,               ( 2 )     The diag ram  for interpol ating the missi n g  gree n sam p les a r e sh o w n belo w  in Figure 3    in which  1  and   values are  the same then the green  values are interpol ated b y  using the  formula (2).           A               G 0         A G 1   A G 2   A       G 3             A                   (a)  CFA  Data         λ                   λ  1    λ  C    λ  2                    λ  3                    (b)  UHF  M a p   Figure 3. Interpolatio n of missi ng green  sampl e   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 13, No. 2, Februa ry 2015 :  238 – 246   242 If the map value s  are no t the same then we h a ve  to interpolat e the missi n g  gree n   sampl e s a s  b e low.     ρ =  G l                                                                                                (3)    After interpol ating the missing g r ee n sample s, the missi ng re d and blue  sa mples a r interpol ated b y  compa r ing  the map valu es. The missi ng red a nd bl ue sam p le s are interp olate d   as  by inte rpo l ating the  missing  re d a nd  blue  sam p le s in the  g r ee n  sa mple whi c are  al rea d y   pre s ent. Th e n  the mi ssi ng  red  sa mple s are i n terpola t ed in the  blu e  sa mple s p r ese n t and  th en   the mi ssi ng  b l ue  sam p les  are  interpolat ed in  the  re d  sa mple whi c are al rea d y  pre s e n t. Th e   missi ng red a nd blue  samp les are interp ol ated a s  by the formul a gi ven belo w                     Now  the  mi ssin red   sample in  the  blue   sam p les  pre s ent  a nd  the   missing   blue sample s in the red sa mples p r e s e n t  are interp ola t ed usin g the formula give n  below.       ,  ,  , . ,  ,  , .  ,       1,   ,  , 0,          ( 4 )     Here al so if the map valu e s  are not the  same  th en we have to int e rpol ate the  missi ng  sam p les  as bel ow:       ,  ,  ,          ( 5 )     No w the missing red an d bl ue sam p le s in t he green  sample s, whi c h are already  present  are obtai ned  usin g the formula given b e low.     a(s ,t)= G (s ,t)+{(A(s ,t-1)-G(s,t-1))+ (A (s ,t+1)-G(s ,t+ 1))}/2                                                   (6)    a(s,t) =G ( s ,t)+ { (A( s - 1 ,t)-G ( s -1,t)) + (A (s +1, t )-G (s +1 ,t))}/2                                                     (7)      3.  Rev i e w   of V a riance o f  Color Differen ce Algorithm  In this vari an ce of  col o differen c algo ri thm the mi ssi ng g r ee n sa mples are int e rpol ated  in ra ste r   scan  mann er a s   shown  b e low.   Initially the green  sam p le i s  inte rpol ated  in a  ra ste r   scan  manne r and  then the missing red and  blue com p o nents a r e int e rpol ated ba sed on the g r een   sampl e s which we al rea d y interp olated.  Figu re  sho w belo w  i s  t he b a yer  pattern  with  re as  centre,blue a s  ce ntre an d gree n as  cen t re re spe c tive ly using which the missing  green  sam p l e are inte rpol ated in a ra ster  scan man n e r     Figure 4. Interpolatio n of missi ng  green sampl e in ra ster scan  ma nner      To find the missi ng g r ee n sampl e s in  a raste r  sca n  manne r it is ne ce ssary to find the   edge di re ctio n whi c h m a y be ho rizonta l  or vertic al. If the edge di rectio n is  horizontal the n  the   gree n sa mple s are inte rp ol ated acco rdin g to the formula (8 ) belo w .   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Sim ilarity and  Varian ce of Colo r Di ffere nce Ba sed  Dem o saici ng (R.Niruba n)  243 , ,   ,   ,  ,  ,         ( 8 )     In this equati on sm all g repre s e n ts th e gre en sam p les to be in terpolate d  an d the G  rep r e s ent s th e green  sa m p les  whi c are already p r e s ent. If the e dge di re ction  is verti c al th en  the formula to  find the missi ng gre en sam p le is sho w Equation (9).      ,  ,   ,  ,  , ,  ,  ,                       (9)    After interpol ating the mi ssi ng g r ee sampl e accordin g to the  edge  dire cti on, the  missi ng  re and  blue  sa mples a r e i n terpol ated. T h e form ula to   find the  missi ng  red  an d b l ue  sampl e s i s  gi ven belo w  in the Equation  (10) an d (1 1) resp ectively.      ,  ,  ,   ,   ,   ,             ( 1 0 )       ,  , ,  ,  ,  ,         ( 1 1 )     In the above  equation  r and b  represents the mi ssing  red a n d  blue sa mple s to be  interpol ated. G,R,B rep r e s ents the g r ee n, bl ue, and red sam p le s which a r e al rea d y present.      4. Proposed  Algorithm   In the similarity base d  demosaici n g  al gorit hm  t he missin g  colo r sa mples a r e   interpol ated i n  ho rizontal, v ertical  and   in diag onal   dire ction. Bu t it sometim e s mi sle ad t h e   hori z ontal  an d vertical  direction s . In varian ce  of co lor differen c e  algorith m  on ly the hori z o n tal  and vertical d i rectio ns a r detecte d. So in this al go rithm it is the analysi s  of the both similarity  based d e mo saicin g alg o rit h m an d varia n ce  of col o differen c e al g o rithm in  whi c h by  com b in ing  both the  alg o r ithm a  ne a l gorithm  calle d dem osaici n g  ba se d o n   si milarity an d v a rian ce  of  col o r   differen c e is f ound o u t.  In this  new algorithm  initially the unified  high  freq uen cy map  is formed a nd  ba sed o n   that the edg e dire ction s  are dete c ted.  Afte r detecting the edg e  directio n the missi ng g r een  sampl e s a r e  interpolate d  based o n  the simila rity algorithm a nd the missi ng red an d blue  sampl e are i n terpol ated a c cordi ng to th e sam e  simil a rity algo rithm. Now  usi n g the varia n ce of   colo r diffe ren c algo rithm  again  the mi ssi ng  gre en  sampl e s a r interpol ated i n  a  ra ster scan   manne r, trhe n the missing  red an d blu e  sampl e s a r e  interpol ated  according to  the interp olat ed  gree n sa mple s usi ng the varian ce of col o r differe nce algorith m The ne w met hod by combi n ing the  simil a rity bas ed d e mosaici ng a l gorithm a nd  the varian ce  of  colo r differe n c e alg o rithm  given belo w  in Equation (1 2), (13 ) .     Similarity image=m e rged i m age                                                                                     (12 )     Merg ed imag e=recon s tru c t ed col o r vari a n ce ima ge                                              (13)    In this ne w al gorithm by  combinin g the  similarity ba sed d e mo sai c ing al go rith m and the  varian ce of color differe nce algorithm t he edge  di re ction s  are d e t ected pe rfectly without any  mislea ding in  any edge di rectio ns.  Usi ng this a naly s is  of both similarity and  colo r varia n ce   algorith m  the edge di re ctio ns are dete c ted in hor i z o n tal, vertical an d diago nal direction s .       5. Experimenta l   Results   The exp e rim ental results  of the de mo saicin g ba se on  similarity  and va rian ce  of color  differen c e a r e sh own bel ow. Th e pe a k  si gnal to  n o ise  ratio  of this ne w al g o rithm i s  sho w belo w . The formula u s e d  to find the peak signal to noi se ratio is  sho w n bel ow in  Equation (14).      10 log    ∑∑ ,  ,                                    (14)  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 13, No. 2, Februa ry 2015 :  238 – 246   244 Where o(s ,t)= [ o(s ,t)0,o(s , t ) 1,o(s,t)2]  an d the   x(s,t)=[x(s ,t)0,x(s,t ) 1,x(s,t)2] de noted th co- ordin a tes  (s,t ) of origin al  and resto r ed  image  re sp ectively. The  comp ari s on  tabulation of  the   s i milarity algorithm, varianc e  of  c o lor diffe re nce a l gorithm  an d  the  pro p o s e d  alg o rithm   are  sho w n.   The test ima ges u s e d  for  the analysi s   are  sho w n a bove in the F i gure  5. In this the 24   image s are tested fo r the  three alg o rit h ms a nd ex p e rime ntally it is proved th at the pro p o s ed  algorith m  ha s the better re sult wh en co mpared to  the simila rity and colo r varia n c e alg o rithm.           Figure 5. Kodak test ima g e s  used for ex perim ent       In the tabular  colum n  belo w  it is proved that  the prop o s ed al gorith m  has the bette r re sult  for  the red, g r een, blu e  sa mples. Th e b e st value s  are marked in b o ld.      Table 1. Co m pari s on of si milarity algori t hm,  color va riance algo rith m and propo sed algo rithm   Image  number   Similarity  based  demosaicing  algorithm  Variance of color difference  algorithm  Proposed metho d   G B  G B  34.02   34.48  34.04   25.23  33.48   26.36   34.02   34.48   34.04   36.43   39.52  37.98   15.02  39.82   25.36   40.44   43.41   43.81   39.78   41.27  39.67   23.28  41.13   20.48   44.12   45.07   43.38   36.75   40.38  40.08   18.49  40.36   30.39   40.13   43.52   44.84   34.48   34.11  34.33   25.65  34.58   25.33   39.46   38.16   38.98   35.31   35.86  35.29   28.61  34.42   23.23   40.49   39.33   39.40   39.62   40.25  39.02   26.40  40.75   24.35   43.96   43.88   42.53   31.03   32.17  31.17   26.56  31.01   26.83   37.10   36.01   37.73   38.09   40.30  39.75   30.70  40.18   27.07   43.88   44.28   44.22   10  39.07   40.25  39.63   29.98  39.93   31.06   43.77   44.00   43.74   11  36.14   36.89  36.74   25.46  36.19   28.90   40.10   40.37   41.08   12  39.75   40.96  39.94   27.12  40.50   23.92   44.23   44.69   43.71   13  31.93   31.48  31.47   28.75  30.17   23.08   37.14   34.32   35.11   14  34.17   36.20  34.23   24.30  36.35   21.07   38.81   39.87   39.49   15  36.48   39.25  38.76   20.16  38.23   27.85   39.84   42.66   43.84   16  38.56   39.32  38.48   33.18  38.04   28.46   44.67   42.94   42.50   17  38.86   39.27  38.71   32.36  38.54   30.96   43.39   42.30   42.62   18  34.37   35.56  35.34   25.89  33.00   23.52   38.87   38.20   39.21   19  35.36   36.58  36.23   28.63  34.89   25.28   39.70   40.47   40.44   20  38.67   39.13  37.84   32.64  37.58   24.41   43.68   42.20   41.72   21  36.02   36.32  35.63   26.59  34.71   27.00   40.68   39.43   39.68   22  35.81   37.33  35.84   26.01  36.27   23.43   39.64   40.48   40.44   23  39.74   41.52  40.32   20.16  39.17   19.17   44.23   45.36   45.44   24  33.39   33.99  32.32   29.01  32.42   26.00   38.81   36.85   36.58       Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Sim ilarity and  Varian ce of Colo r Di ffere nce Ba sed  Dem o saici ng (R.Niruba n)  245     Figure 7. PSNR  comp ari s on of blue sa mples fo r sim ilarity, color v a rian ce a nd p r opo se algorith m         Figure 8. PSNR  comp ari s on of red  sam p les  for  simila rity, color vari ance and p r o posed  algorith m         Figure 9. PSNR  comp ari s on of gree n sample for si milarity, color variance and  propo se algorith m     15 20 25 30 35 40 45 50 1 2 3 4 5 6 7 8 9 1 0 1112 1314 1516 1718 1920 2122 2324 PSNR   values images Blue   PSNR bps nr cv bps nr mebps nr 0 5 10 15 20 25 30 35 40 45 50 1 3 5 7 9 11 13 15 17 19 21 23 PSNR   values images Re d   PSNR rp sn r cv r p s n r mer p s n r 0 5 10 15 20 25 30 35 40 45 50 1 2345 6789 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4 PSNR   values images Gr een   PSNR gpsnr cv gps n r megps n r Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 13, No. 2, Februa ry 2015 :  238 – 246   246 The gra p h s  comp ari ng the simila rity algorithm, colo r varian ce algorithm  and the   prop osed alg o rithm are shown in belo w . Figure  sho w s the compa r ison of blue sampl e  for   three  algo rith ms. Fig u re 8  sh ows th compa r ison  of re sampl e  f o r th ree  alg o r ithms.  Figu re 9  sho w s the co mpari s o n  of green  sam p le for thre e algo rithms.       6. Conclu sion   In this pap er,  we introdu ce  a new  algo ri thm by combi n ing  similarity  and colo r varian ce   algorith m s ca lled  simila rity and  colo r dif f eren ce  ba se d de mosaici n g.we  co nfirm ed th roug h t h e   experim ents that the  propo sed  alg o rithm  ha s b e tte q uality improvement th an t he  simila rity and   colo r varian ce algorithm s.  Exploration of  the pr opo sed alg o rithm s  with the sit uation identif ying   the paramete r s in  whi c si milarity and  color va ri an ce  algorith m a r e ad aptively impleme n ted  in  real life is worth for further i n vestigatio n.      Referen ces   [1]  Adel e Dr obl as  Green berg,  S e th Gree nb erg .  Digit al  Ima g e s: A pr actical  gu ide. T a ta  McGra w   Hi ll   pub licati ons li mited. 199 5.  [2]  Ba yer BE. Col o r imagi ng arr a y.  19 76. U.S.Patent 39 71 06 5 .   [3]  Gunturk BK, A l tunb ask Y, M e rsere au. C o l o r pl ane  i n terp o l atio n us in alt e rnati n g  pro j ec tions.  IEEE   transactio n s on  ima ge pr ocess i ng . 20 02; 11( 9 ) : 997-10 13.   [4]  Dani el M, Stef ano. A. Dem o s i acin w i t h   dir e ctiona l filteri n g   and posteri ori   decisi on.  IEEE transaction  on i m a ge pr ocessin g . 200 7; 16(1); 132- 14 1.  [5]  Hamilton JF, Adams JE. Adaptive  col o r pl a ne inter pol atio n in sin g le s e n s or electro n ic  camera. U.S.  Patent. 198 7; 5: 629 67 8.  [6]  Chu ng-Ye n S,  W en C h u ng  K. Effective d e mosa icin g us i ng s ubb an d c o rrelati on.  IEE E  transacti on.   200 9; 55(1): 19 9-20 4.  [7]  King-K ong-c h u ng, Yuk-H ee  Cha n . Col o demos aici ng u s ing var i a n ce  of color d i fferences.  IE EE  transactio n  on  Imag e proc essi ng.   [8]  Kuo  Lia n g  C h u n k, W en-Je n Y ang  W en-Mi ng   Yan,  C h u ng-C houW a ng.  De mosaici n g  of c o lor  filter  arra captured im ages using  gradient edge  detec tion masks  and adaptive  he terogeneit y  pr ojection.  IEEE   transactio n  on i m a ge pr ocessi ng . 200 8; 17(1 2 ): 2356- 23 67.   [9]  Milan  So nka,  Vaclav  Hl avac,  Ro ger  Bo yl e.  Digita l   imag process i ng  a n d  com puter  vis i on.  C e ng age  Lear nin g . 2 0 08.  [10]  Rafae l  C Go n z ales, R i char d  E W oods. Di gital  im ag e pr ocessi ng. Pe ar son Ed ucati on,  Inc, Prentice   Hall p u b licati o n .  2009.   [11]  Rafae l  C  Gon z ales, S l ev en  L Ed di ns, Ric h a rd  E   W o o d s. Digita l  imag e process i ng   us i ng  MAT L AB.   Pearso n Educ ation, Inc, Pren tice Hall  pub lic ation.   [12]  Xi n Li, Mic h e a l  T   Orchard.  Ne w  e dge  direct ed Interp ol atio n.  IEEE transactionon im age  process i ng 200 1; 10(1 0 ): 1521- 152 7.   [13]  Xi n L.  D e mosa i c ing   b y  succes s ive appr o x im a t ion.  IEEE transaction on image  proc essing . 200 5;  2 0 0 5 14(3): 37 0-3 7 9 .   [14]  Yuji Itoh. Simil a rit y  b a se d de mo saici ng us in g unifi ed h i gh f r equ enc y ma p.  IEEE transaction on imag process i ng . 2 0 12; 57(2): 5 97- 605.                  Evaluation Warning : The document was created with Spire.PDF for Python.