JP4524412B2 - Image encoding method, decoding method, image encoding device, and decoding device - Google Patents

Image encoding method, decoding method, image encoding device, and decoding device Download PDF

Info

Publication number
JP4524412B2
JP4524412B2 JP2001331544A JP2001331544A JP4524412B2 JP 4524412 B2 JP4524412 B2 JP 4524412B2 JP 2001331544 A JP2001331544 A JP 2001331544A JP 2001331544 A JP2001331544 A JP 2001331544A JP 4524412 B2 JP4524412 B2 JP 4524412B2
Authority
JP
Japan
Prior art keywords
image
intermediate frame
corresponding point
key frames
frames
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
JP2001331544A
Other languages
Japanese (ja)
Other versions
JP2003134512A (en
Inventor
仰三 秋吉
信雄 秋吉
Original Assignee
株式会社モノリス
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社モノリス filed Critical 株式会社モノリス
Priority to JP2001331544A priority Critical patent/JP4524412B2/en
Publication of JP2003134512A publication Critical patent/JP2003134512A/en
Application granted granted Critical
Publication of JP4524412B2 publication Critical patent/JP4524412B2/en
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

Landscapes

  • Compression Or Coding Systems Of Tv Signals (AREA)

Description

【0001】
【発明の属する技術分野】
この発明は、画像処理技術に関し、とくにふたつの画像をマッチング技術をもとに補間する符号化と復号技術に関する。
【0002】
【従来の技術】
動画圧縮の事実上の世界標準であるMPEG(Motion Picture Expert Group)は、CDなどストレージメディアからネットワークや放送などの伝送メディアへとそのターゲットエリアが広がった。放送のデジタル化はMPEGを中心とする圧縮符号化技術なしに考えることはできない。放送と通信の垣根が崩れ、サービス事業者の多様化は必須になり、ブロードバンド時代にデジタル文化がいかなる進展を遂げるか、予測がつきにくい状況にある。
【0003】
【発明が解決しようとする課題】
そうした混沌の中でも、動画の圧縮技術に関する方向性について確かなことがある。すなわち、より高い圧縮率と画質の両立である。MPEGは周知のごとく高圧縮化をブロック歪みが阻むことがある。また、動画の配信が現実的になるにしたがい、リアルタイム処理に対するいままで以上の配慮が必要になる。
【0004】
本発明はこうした現状に鑑みてなされたものであり、その目的は、画像データの効率的圧縮を実現する符号化および復号技術の提供にある。別の目的は、画質の維持と圧縮率の向上という相反する要望に適う画像符号化および復号技術の提供にある。さらに別の目的は、キーフレームから補間によって中間フレームを生成するアプリケーションにおいて、中間フレームの見た目の画質改善を図ることにある。
【0005】
【課題を解決するための手段】
本発明は画像符号化および復号技術に関する。この技術は本出願人が先に特許第2927350号にて提案した画像マッチング技術(以下「前提技術」という)を利用することができる。
【0006】
本発明のある態様は、画像復号方法に関する。この方法は、キーフレームのデータを取得する工程と、キーフレーム間の対応点情報を取得する工程と、前記対応点情報とキーフレームのデータをもとに、故意的な画質低下処理を施しつつ中間フレームを生成する工程とを含む。
【0007】
キーフレームはネットワーク経由、記憶装置からの読出などのほか、自らカメラ撮影して取得してもよい。対応点情報も外部から取得するほか、自らキーフレーム間のマッチングを計算して取得してもよい。
【0008】
「画質低下処理」は、中間フレームの解像度を下げたり、中間フレームを所定のフィルタ、たとえローパスフィルタに通したり、生成された複数の中間フレームにモーションブラー効果を加えることなどで実現できる。モーションブラーとは、被写体の動きによって発生する画像上の「ぶれ」をいう。モーションブラー効果自体は画像処理上既知であり、例えば特開平11−283041号にも記載されている。
【0009】
本発明では画質低下を中間フレームの生成に当たって故意的に発生せしめるものである。たとえば、キーフレーム間にオクルージョン、すなわち被写体の隠蔽がある場合やキーフレーム間の差が大きい場合、対応点情報の誤差が大きくなり、または対応点情報では表現の限界があり、中間フレームの画質が低下することがある。そうしたとき、画像のシャープさを捨てて、いくぶん曖昧さのある画像を生成したほうが、むしろ人間の目に自然なことがある。本発明はそうした本発明者の知見に基づく。したがって、本発明でいう「画質低下」は、画像処理上客観的な画質低下をいい、それが主観画質としてはむしろ画質改善に結びつく点に本発明の特徴がある。
【0010】
画像低下処理に関する指示を検出する工程をさらに含み、その指示が検出されたときに限り、当該処理を加えて中間フレームが生成されてもよい。対応点情報を検査する工程をさらに含み、キーフレーム間の対応点の移動量が大きい場合に限り、画像低下処理を施して中間フレームが生成されてもよい。また、ユーザの要求を受け付ける工程をさらに含み、要求が出された場合に限り、画像低下処理を施して中間フレームが生成されてもよい。
【0011】
本発明の別の態様は、画像符号化方法である。この方法は、キーフレームのデータを取得する工程と、キーフレーム間の対応点情報を取得する工程と、取得されたキーフレームおよび対応点情報に、故意的な画質低下処理に関する指示を付加して符号化データを生成する工程とを含む。符号化に当たり、キーフレーム間の対応点の移動量が大きい場合に限り、指示を付加してもよいし、ユーザの要求が出されたとき付加してもよい。
【0012】
以上の態様のうち、キーフレーム間の対応点情報を生成する符号化方法、およびそれを利用して中間画像を生成する復号方法は、前提技術を利用することができる。ただし、本発明は前提技術を必須とはしない。また、以上の各構成、工程を任意に入れ替えたり、方法と装置の間で表現を一部または全部入れ替え、または追加したり、表現をコンピュータプログラム、記録媒体等に変更したものもまた、本発明として有効である。
【0013】
【発明の実施の形態】
はじめに、実施の形態で利用する多重解像度特異点フィルタ技術とそれを用いた画像マッチング処理を「前提技術」として詳述する。これらの技術は本出願人がすでに特許第2927350号を得ている技術であり、本発明との組合せに最適である。ただし、実施の形態で採用可能な画像マッチング技術はこれに限られない。図18以降、前提技術を利用した画像処理技術を具体的に説明する。
【0014】
[前提技術の背景]
最初に[1]で前提技術の要素技術の詳述し、[2]で処理手順を具体的に説明する。さらに[3]で実験の結果を報告する。
[1]要素技術の詳細
[1.1]イントロダクション
特異点フィルタと呼ばれる新たな多重解像度フィルタを導入し、画像間のマッチングを正確に計算する。オブジェクトに関する予備知識は一切不要である。画像間のマッチングの計算は、解像度の階層を進む間、各解像度において計算される。その際、粗いレベルから精細なレベルへと順に解像度の階層を辿っていく。計算に必要なパラメータは、人間の視覚システムに似た動的計算によって完全に自動設定される。画像間の対応点を人手で特定する必要はない。
【0015】
本前提技術は、例えば完全に自動的なモーフィング、物体認識、立体写真測量、ボリュームレンダリング、少ないフレームからの滑らかな動画像の生成などに応用できる。モーフィングに用いる場合、与えられた画像を自動的に変形することができる。ボリュームレンダリングに用いる場合、断面間の中間的な画像を正確に再構築することができる。断面間の距離が遠く、断面の形状が大きく変化する場合でも同様である。
【0016】
[1.2]特異点フィルタの階層
前提技術に係る多重解像度特異点フィルタは、画像の解像度を落としながら、しかも画像に含まれる各特異点の輝度及び位置を保存することができる。ここで画像の幅をN、高さをMとする。以下簡単のため、N=M=2(nは自然数)と仮定する。また、区間[0,N]⊂RをIと記述する。(i,j)における画像の画素をp(i,j)と記述する(i,j∈I)。
【0017】
ここで多重解像度の階層を導入する。階層化された画像群は多重解像度フィルタで生成される。多重解像度フィルタは、もとの画像に対して二次元的な探索を行って特異点を検出し、検出された特異点を抽出してもとの画像よりも解像度の低い別の画像を生成する。ここで第mレベルにおける各画像のサイズは2×2(0≦m≦n)とする。特異点フィルタは次の4種類の新たな階層画像をnから下がる方向で再帰的に構築する。
【数1】

Figure 0004524412
ただしここで、
【数2】
Figure 0004524412
とする。以降これら4つの画像を副画像(サブイメージ)と呼ぶ。minx≦t≦x+1、maxx≦t≦x+1をそれぞれα及びβと記述すると、副画像はそれぞれ以下のように記述できる。
【0018】
(m,0)=α(x)α(y)p(m+1,0)
(m,1)=α(x)β(y)p(m+1,1)
(m,2)=β(x)α(y)p(m+1,2
(m,3)=β(x)β(y)p(m+1,3)
すなわち、これらはαとβのテンソル積のようなものと考えられる。副画像はそれぞれ特異点に対応している。これらの式から明らかなように、特異点フィルタはもとの画像について2×2画素で構成されるブロックごとに特異点を検出する。その際、各ブロックのふたつの方向、つまり縦と横について、最大画素値または最小画素値をもつ点を探索する。画素値として、前提技術では輝度を採用するが、画像に関するいろいろな数値を採用することができる。ふたつの方向の両方について最大画素値となる画素は極大点、ふたつの方向の両方について最小画素値となる画素は極小点、ふたつの方向の一方について最大画素値となるとともに、他方について最小画素値となる画素は鞍点として検出される。
【0019】
特異点フィルタは、各ブロックの内部で検出された特異点の画像(ここでは1画素)でそのブロックの画像(ここでは4画素)を代表させることにより、画像の解像度を落とす。特異点の理論的な観点からすれば、α(x)α(y)は極小点を保存し、β(x)β(y)は極大点を保存し、α(x)β(y)及びβ(x)α(y)は鞍点を保存する。
【0020】
はじめに、マッチングをとるべき始点(ソース)画像と終点(デスティネーション)画像に対して別々に特異点フィルタ処理を施し、それぞれ一連の画像群、すなわち始点階層画像と終点階層画像を生成しておく。始点階層画像と終点階層画像は、特異点の種類に対応してそれぞれ4種類ずつ生成される。
【0021】
この後、一連の解像度レベルの中で始点階層画像と終点階層画像のマッチングがとれらていく。まずp(m,0)を用いて極小点のマッチングがとられる。次に、その結果に基づき、p(m,1)を用いて鞍点のマッチングがとられ、p(m,2)を用いて他の鞍点のマッチングがとられる。そして最後にp(m,3)を用いて極大点のマッチングがとられる。
【0022】
図1(c)と図1(d)はそれぞれ図1(a)と図1(b)の副画像p(5,0)を示している。同様に、図1(e)と図1(f)はp(5,1)、図1(g)と図1(h)はp(5,2)、図1(i)と図1(j)はp(5,3)をそれぞれ示している。これらの図からわかるとおり、副画像によれば画像の特徴部分のマッチングが容易になる。まずp(5,0)によって目が明確になる。目は顔の中で輝度の極小点だからである。p(5,1)によれば口が明確になる。口は横方向で輝度が低いためである。p(5,2)によれば首の両側の縦線が明確になる。最後に、p(5,3)によって耳や頬の最も明るい点が明確になる。これらは輝度の極大点だからである。
【0023】
特異点フィルタによれば画像の特徴が抽出できるため、例えばカメラで撮影された画像の特徴と、予め記録しておいたいくつかのオブジェクトの特徴を比較することにより、カメラに映った被写体を識別することができる。
【0024】
[1.3]画像間の写像の計算
始点画像の位置(i,j)の画素をp(n) (i,j)と書き、同じく終点画像の位置(k,l)の画素をq(n) (k,l)で記述する。i,j,k,l∈Iとする。画像間の写像のエネルギー(後述)を定義する。このエネルギーは、始点画像の画素の輝度と終点画像の対応する画素の輝度の差、及び写像の滑らかさによって決まる。最初に最小のエネルギーを持つp(m,0)とq(m,0)間の写像f(m,0):p(m,0)→q(m,0)が計算される。f(m,0)に基づき、最小エネルギーを持つp(m,1)、q(m,1)間の写像f(m,1)が計算される。この手続は、p(m,3)とq(m,3)の間の写像f(m,3)の計算が終了するまで続く。各写像f(m,i)(i=0,1,2,…)を副写像と呼ぶことにする。f(m,i)の計算の都合のために、iの順序は次式のように並べ替えることができる。並べ替えが必要な理由は後述する。
【0025】
【数3】
Figure 0004524412
ここでσ(i)∈{0,1,2,3}である。
【0026】
[1.3.1]全単射
始点画像と終点画像の間のマッチングを写像で表現する場合、その写像は両画像間で全単射条件を満たすべきである。両画像に概念上の優劣はなく、互いの画素が全射かつ単射で接続されるべきだからである。しかしながら通常の場合とは異なり、ここで構築すべき写像は全単射のディジタル版である。前提技術では、画素は格子点によって特定される。
【0027】
始点副画像(始点画像について設けられた副画像)から終点副画像(終点画像について設けられた副画像)への写像は、f(m,s):I/2n−m×I/2n−m→I/2n−m×I/2n−m(s=0,1,…)によって表される。ここで、f(m,s)(i,j)=(k,l)は、始点画像のp(m,s) (i,j)が終点画像のq(m,s) (k,l)に写像されることを意味する。簡単のために、f(i,j)=(k,l)が成り立つとき画素q(k,l)をqf(i,j)と記述する。
【0028】
前提技術で扱う画素(格子点)のようにデータが離散的な場合、全単射の定義は重要である。ここでは以下のように定義する(i,i’,j,j’,k,lは全て整数とする)。まず始めに、始点画像の平面においてRによって表記される各正方形領域、
【数4】
Figure 0004524412
を考える(i=0,…,2−1、j=0,…,2−1)。ここでRの各辺(エッジ)の方向を以下のように定める。
【数5】
Figure 0004524412
この正方形は写像fによって終点画像平面における四辺形に写像されなければならない。f(m,s)(R)によって示される四辺形、
【数6】
Figure 0004524412
は、以下の全単射条件を満たす必要がある。
【0029】
1.四辺形f(m,s)(R)のエッジは互いに交差しない。
2.f(m,s)(R)のエッジの方向はRのそれらに等しい(図2の場合、時計回り)。
3.緩和条件として収縮写像(リトラクション:retractions)を許す。
【0030】
何らかの緩和条件を設けないかぎり、全単射条件を完全に満たす写像は単位写像しかないためである。ここではf(m,s)(R)のひとつのエッジの長さが0、すなわちf(m,s)(R)は三角形になってもよい。しかし、面積が0となるような図形、すなわち1点または1本の線分になってはならない。図2(R)がもとの四辺形の場合、図2(A)と図2(D)は全単射条件を満たすが、図2(B)、図2(C)、図2(E)は満たさない。
【0031】
実際のインプリメンテーションでは、写像が全射であることを容易に保証すべく、さらに以下の条件を課してもよい。つまり始点画像の境界上の各画素は、終点画像において同じ位置を占める画素に写影されるというものである。すなわち、f(i,j)=(i,j)(ただしi=0,i=2−1,j=0,j=2−1の4本の線上)である。この条件を以下「付加条件」とも呼ぶ。
【0032】
[1.3.2]写像のエネルギー
[1.3.2.1]画素の輝度に関するコスト
写像fのエネルギーを定義する。エネルギーが最小になる写像を探すことが目的である。エネルギーは主に、始点画像の画素の輝度とそれに対応する終点画像の画素の輝度の差で決まる。すなわち、写像f(m,s)の点(i,j)におけるエネルギーC(m,s) (i,j)は次式によって定まる。
【数7】
Figure 0004524412
ここで、V(p(m,s) (i,j))及びV(q(m,s) f(i,j))はそれぞれ画素p(m,s) (i,j)及びq(m,s) f(i,j)の輝度である。fのトータルのエネルギーC(m,s)は、マッチングを評価するひとつの評価式であり、つぎに示すC(m,s) (i,j)の合計で定義できる。
【数8】
Figure 0004524412
[1.3.2.2]滑らかな写像のための画素の位置に関するコスト
滑らかな写像を得るために、写像に関する別のエネルギーDfを導入する。このエネルギーは画素の輝度とは関係なく、p(m,s) (i,j)およびq(m,s) f(i,j)の位置によって決まる(i=0,…,2−1,j=0,…,2−1)。点(i,j)における写像f(m,s)のエネルギーD(m,s) (i,j)は次式で定義される。
【数9】
Figure 0004524412
ただし、係数パラメータηは0以上の実数であり、また、
【数10】
Figure 0004524412
【数11】
Figure 0004524412
とする。ここで、
【数12】
Figure 0004524412
であり、i’<0およびj’<0に対してf(i’,j’)は0と決める。Eは(i,j)及びf(i,j)の距離で決まる。Eは画素があまりにも離れた画素へ写影されることを防ぐ。ただしEは、後に別のエネルギー関数で置き換える。Eは写像の滑らかさを保証する。Eは、p(i,j)の変位とその隣接点の変位の間の隔たりを表す。以上の考察をもとに、マッチングを評価する別の評価式であるエネルギーDは次式で定まる。
【数13】
Figure 0004524412
[1.3.2.3]写像の総エネルギー
写像の総エネルギー、すなわち複数の評価式の統合に係る総合評価式はλC(m,s) +D(m,s) で定義される。ここで係数パラメータλは0以上の実数である。目的は総合評価式が極値をとる状態を検出すること、すなわち次式で示す最小エネルギーを与える写像を見いだすことである。
【数14】
Figure 0004524412
λ=0及びη=0の場合、写像は単位写像になることに注意すべきである(すなわち、全てのi=0,…,2−1及びj=0,…,2−1に対してf(m,s)(i,j)=(i,j)となる)。後述のごとく、本前提技術では最初にλ=0及びη=0の場合を評価するため、写像を単位写像から徐々に変形していくことができる。仮に総合評価式のλの位置を変えてC(m,s) +λD(m,s) と定義したとすれば、λ=0及びη=0の場合に総合評価式がC(m,s) だけになり、本来何等関連のない画素どうしが単に輝度が近いというだけで対応づけられ、写像が無意味なものになる。そうした無意味な写像をもとに写像を変形していってもまったく意味をなさない。このため、単位写像が評価の開始時点で最良の写像として選択されるよう係数パラメータの与えかたが配慮されている。
【0033】
オプティカルフローもこの前提技術同様、画素の輝度の差と滑らかさを考慮する。しかし、オプティカルフローは画像の変換に用いることはできない。オブジェクトの局所的な動きしか考慮しないためである。前提技術に係る特異点フィルタを用いることによって大域的な対応関係を検出することができる。
【0034】
[1.3.3]多重解像度の導入による写像の決定
最小エネルギーを与え、全単射条件を満足する写像fminを多重解像度の階層を用いて求める。各解像度レベルにおいて始点副画像及び終点副画像間の写像を計算する。解像度の階層の最上位(最も粗いレベル)からスタートし、各解像度レベルの写像を、他のレベルの写像を考慮に入れながら決定する。各レベルにおける写像の候補の数は、より高い、つまりより粗いレベルの写像を用いることによって制限される。より具体的には、あるレベルにおける写像の決定に際し、それよりひとつ粗いレベルにおいて求められた写像が一種の拘束条件として課される。
【0035】
まず、
【数15】
Figure 0004524412
が成り立つとき、p(m−1,s) (i’,j’)、q(m−1,s) (i’,j’)をそれぞれp(m,s) (i,j)、q(m,s) (i,j)のparentと呼ぶことにする。[x]はxを越えない最大整数である。またp(m,s) (i,j)、q(m,s) (i,j)をそれぞれp(m−1,s) (i’,j’)、q(m−1,s) (i’,j’)のchildと呼ぶ。関数parent(i,j)は次式で定義される。
【数16】
Figure 0004524412
(m,s) (i,j)とq(m,s) (k,l)の間の写像f(m,s)は、エネルギー計算を行って最小になったものを見つけることで決定される。f(m,s)(i,j)=(k,l)の値はf(m−1,s)(m=1,2,…,n)を用いることによって、以下のように決定される。まず、q(m,s) (k,l)は次の四辺形の内部になければならないという条件を課し、全単射条件を満たす写像のうち現実性の高いものを絞り込む。
【数17】
Figure 0004524412
ただしここで、
【数18】
Figure 0004524412
である。こうして定めた四辺形を、以下p(m,s) (i,j)の相続(inherited)四辺形と呼ぶことにする。相続四辺形の内部において、エネルギーを最小にする画素を求める。
【0036】
図3は以上の手順を示している。同図において、始点画像のA,B,C,Dの画素は、第m−1レベルにおいてそれぞれ終点画像のA’,B’,C’,D’へ写影される。画素p(m,s) (i,j)は、相続四辺形A’B’C’D’の内部に存在する画素q(m,s) f(m)(i,j)へ写影されなければならない。以上の配慮により、第m−1レベルの写像から第mレベルの写像への橋渡しがなされる。
【0037】
先に定義したエネルギーEは、第mレベルにおける副写像f(m,0)を計算するために、次式に置き換える。
【数19】
Figure 0004524412
また、副写像f(m,s)を計算するためには次式を用いる。
【数20】
Figure 0004524412
こうしてすべての副写像のエネルギーを低い値に保つ写像が得られる。式20により、異なる特異点に対応する副写像が、副写像どうしの類似度が高くなるように同一レベル内で関連づけられる。式19は、f(m,s)(i,j)と、第m−1レベルの画素の一部と考えた場合の(i,j)が射影されるべき点の位置との距離を示している。
【0038】
仮に、相続四辺形A’B’C’D’の内部に全単射条件を満たす画素が存在しない場合は以下の措置をとる。まず、A’B’C’D’の境界線からの距離がL(始めはL=1)である画素を調べる。それらのうち、エネルギーが最小になるものが全単射条件を満たせば、これをf(m,s)(i,j)の値として選択する。そのような点が発見されるか、またはLがその上限のL(m)maxに到達するまで、Lを大きくしていく。L(m)maxは各レベルmに対して固定である。そのような点が全く発見されない場合、全単射の第3の条件を一時的に無視して変換先の四辺形の面積がゼロになるような写像も認め、f(m,s)(i,j)を決定する。それでも条件を満たす点が見つからない場合、つぎに全単射の第1及び第2条件を外す。
【0039】
多重解像度を用いる近似法は、写像が画像の細部に影響されることを回避しつつ、画像間の大域的な対応関係を決定するために必須である。多重解像度による近似法を用いなければ、距離の遠い画素間の対応関係を見いだすことは不可能である。その場合、画像のサイズはきわめて小さなものに限定しなければならず、変化の小さな画像しか扱うことができない。さらに、通常写像に滑らかさを要求するため、そうした画素間の対応関係を見つけにくくしている。距離のある画素から画素への写像のエネルギーは高いためである。多重解像度を用いた近似法によれば、そうした画素間の適切な対応関係を見いだすことができる。それらの距離は、解像度の階層の上位レベル(粗いレベル)において小さいためである。
【0040】
[1.4]最適なパレメータ値の自動決定
既存のマッチング技術の主な欠点のひとつに、パレメータ調整の困難さがある。大抵の場合、パラメータの調整は人手作業によって行われ、最適な値を選択することはきわめて難しい。前提技術に係る方法によれば、最適なパラメータ値を完全に自動決定することができる。
【0041】
前提技術に係るシステムはふたつのパレメータ、λ及びηを含む。端的にいえば、λは画素の輝度の差の重みであり、ηは写像の剛性を示している。これらのパラメータの値は初期値が0であり、まずη=0に固定してλを0から徐々に増加させる。λの値を大きくしながら、しかも総合評価式(式14)の値を最小にする場合、各副写像に関するC(m,s) の値は一般に小さくなっていく。このことは基本的にふたつの画像がよりマッチしなければならないことを意味する。しかし、λが最適値を超えると以下の現象が発生する。
【0042】
1.本来対応すべきではない画素どうしが、単に輝度が近いというだけで誤って対応づけられる。
2.その結果、画素どうしの対応関係がおかしくなり、写像がくずれはじめる。
【0043】
3.その結果、式14においてD(m,s) が急激に増加しようとする。 4.その結果、式14の値が急激に増加しようとするため、D(m,s) の急激な増加を抑制するようf(m,s)が変化し、その結果C(m,s) が増加する。
したがって、λを増加させながら式14が最小値をとるという状態を維持しつつC(m,s) が減少から増加に転じる閾値を検出し、そのλをη=0における最適値とする。つぎにηを少しづつ増やしてC(m,s) の挙動を検査し、後述の方法でηを自動決定する。そのηに対応してλも決まる。
【0044】
この方法は、人間の視覚システムの焦点機構の動作に似ている。人間の視覚システムでは、一方の目を動かしながら左右両目の画像のマッチングがとられる。オブジェクトがはっきりと認識できるとき、その目が固定される。
【0045】
[1.4.1]λの動的決定
λは0から所定の刻み幅で増加されていき、λの値が変わる度に副写像が評価される。式14のごとく、総エネルギーはλC(m,s) +D(m,s) によって定義される。式9のD(m,s) は滑らかさを表すもので、理論的には単位写像の場合に最小になり、写像が歪むほどEもEも増加していく。Eは整数であるから、D(m,s) の最小刻み幅は1である。このため、現在のλC(m,s) (i,j)の変化(減少量)が1以上でなければ、写像を変化させることによって総エネルギーを減らすことはできない。なぜなら、写像の変化に伴ってD(m,s) は1以上増加するため、λC(m,s) (i,j)が1以上減少しない限り総エネルギーは減らないためである。
【0046】
この条件のもと、λの増加に伴い、正常な場合にC(m,s) (i,j)が減少することを示す。C(m,s) (i,j)のヒストグラムをh(l)と記述する。h(l)はエネルギーC(m,s) (i,j)がlである画素の数である。λl≧1が成り立つために、例えばl=1/λの場合を考える。λがλからλまで微小量変化するとき、
【数21】
Figure 0004524412
で示されるA個の画素が、
【数22】
Figure 0004524412
のエネルギーを持つより安定的な状態に変化する。ここでは仮に、これらの画素のエネルギーがすべてゼロになると近似している。この式はC(m,s) の値が、
【数23】
Figure 0004524412
だけ変化することを示し、その結果、
【数24】
Figure 0004524412
が成立する。h(l)>0であるから、通常C(m,s) は減少する。しかし、λが最適値を越えようとするとき、上述の現象、つまりC(m,s) の増加が発生する。この現象を検出することにより、λの最適値を決定する。
【0047】
なお、H(h>0)及びkを定数とするとき、
【数25】
Figure 0004524412
と仮定すれば、
【数26】
Figure 0004524412
が成り立つ。このときk≠−3であれば、
【数27】
Figure 0004524412
となる。これがC(m,s) の一般式である(Cは定数)。
【0048】
λの最適値を検出する際、さらに安全を見て、全単射条件を破る画素の数を検査してもよい。ここで各画素の写像を決定する際、全単射条件を破る確率をpと仮定する。この場合、
【数28】
Figure 0004524412
が成立しているため、全単射条件を破る画素の数は次式の率で増加する。
【数29】
Figure 0004524412
従って、
【数30】
Figure 0004524412
は定数である。仮にh(l)=Hlを仮定するとき、例えば、
【数31】
Figure 0004524412
は定数になる。しかしλが最適値を越えると、上の値は急速に増加する。この現象を検出し、Bλ3/2+k/2/2の値が異常値B0thresを越えるかどうかを検査し、λの最適値を決定することができる。同様に、Bλ3/2+k/2/2の値が異常値B1thresを越えるかどうかを検査することにより、全単射の第3の条件を破る画素の増加率Bを確認する。ファクター2を導入する理由は後述する。このシステムはこれら2つの閾値に敏感ではない。これらの閾値は、エネルギーC(m,s) の観察では検出し損なった写像の過度の歪みを検出するために用いることができる。
【0049】
なお実験では、副写像f(m,s)を計算する際、もしλが0.1を越えたらf(m,s)の計算は止めてf(m,s+1)の計算に移行した。λ>0.1のとき、画素の輝度255レベル中のわずか「3」の違いが副写像の計算に影響したためであり、λ>0.1のとき正しい結果を得ることは困難だったためである。
【0050】
[1.4.2]ヒストグラムh(l)
(m,s) の検査はヒストグラムh(l)に依存しない。全単射及びその第3の条件の検査の際、h(l)に影響を受けうる。実際に(λ,C(m,s) )をプロットすると、kは通常1付近にある。実験ではk=1を用い、BλとBλを検査した。仮にkの本当の値が1未満であれば、BλとBλは定数にならず、ファクターλ(1−k)/2に従って徐々に増加する。h(l)が定数であれば、例えばファクターはλ1/2である。しかし、こうした差は閾値B0thresを正しく設定することによって吸収することができる。
【0051】
ここで次式のごとく始点画像を中心が(x,y)、半径rの円形のオブジェクトであると仮定する。
【数32】
Figure 0004524412
一方、終点画像は、次式のごとく中心(x,y)、半径がrのオブジェクトであるとする。
【数33】
Figure 0004524412
ここでc(x)はc(x)=xの形であるとする。中心(x,y)及び(x,y)が十分遠い場合、ヒストグラムh(l)は次式の形となる。
【数34】
Figure 0004524412
k=1のとき、画像は背景に埋め込まれた鮮明な境界線を持つオブジェクトを示す。このオブジェクトは中心が暗く、周囲にいくに従って明るくなる。k=−1のとき、画像は曖昧な境界線を持つオブジェクトを表す。このオブジェクトは中心が最も明るく、周囲にいくに従って暗くなる。一般のオブジェクトはこれらふたつのタイプのオブジェクトの中間にあると考えてもさして一般性を失わない。したがって、kは−1≦k≦1として大抵の場合をカバーでき、式27が一般に減少関数であることが保障される。
【0052】
なお、式34からわかるように、rは画像の解像度に影響されること、すなわちrは2mに比例することに注意すべきである。このために[1.4.1]においてファクター2mを導入した。
【0053】
[1.4.3]ηの動的決定
パラメータηも同様の方法で自動決定できる。はじめにη=0とし、最も細かい解像度における最終的な写像f(n)及びエネルギーC(n) を計算する。つづいて、ηをある値Δηだけ増加させ、再び最も細かい解像度における最終写像f(n)及びエネルギーC(n) を計算し直す。この過程を最適値が求まるまで続ける。ηは写像の剛性を示す。次式の重みだからである。
【数35】
Figure 0004524412
ηが0のとき、D(n) は直前の副写像と無関係に決定され、現在の副写像は弾性的に変形され、過度に歪むことになる。一方、ηが非常に大きな値のとき、D(n) は直前の副写像によってほぼ完全に決まる。このとき副写像は非常に剛性が高く、画素は同じ場所に射影される。その結果、写像は単位写像になる。ηの値が0から次第に増えるとき、後述のごとくC(n) は徐々に減少する。しかしηの値が最適値を越えると、図4に示すとおり、エネルギーは増加し始める。同図のX軸はη、Y軸はCである。
【0054】
この方法でC(n) を最小にする最適なηの値を得ることができる。しかし、λの場合に比べていろいろな要素が計算に影響する結果、C(n) は小さく揺らぎながら変化する。λの場合は、入力が微小量変化するたびに副写像を1回計算しなおすだけだが、ηの場合はすべての副写像が計算しなおされるためである。このため、得られたC(n) の値が最小であるかどうかを即座に判断することはできない。最小値の候補が見つかれば、さらに細かい区間を設定することによって真の最小値を探す必要がある。
【0055】
[1.5]スーパーサンプリング
画素間の対応関係を決定する際、自由度を増やすために、f(m,s)の値域をR×Rに拡張することができる(Rは実数の集合)。この場合、終点画像の画素の輝度が補間され、非整数点、
【数36】
Figure 0004524412
における輝度を持つf(m,s)が提供される。つまりスーパーサンプリングが行われる。実験では、f(m,s)は整数及び半整数値をとることが許され、
【数37】
Figure 0004524412
は、
【数38】
Figure 0004524412
によって与えられた。
【0056】
[1.6]各画像の画素の輝度の正規化
始点画像と終点画像がきわめて異なるオブジェクトを含んでいるとき、写像の計算に元の画素の輝度がそのままでは利用しにくい。輝度の差が大きいために輝度に関するエネルギーC(m,s) が大きくなりすぎ、正しい評価がしずらいためである。
【0057】
例えば、人の顔と猫の顔のマッチングをとる場合を考える。猫の顔は毛で覆われており、非常に明るい画素と非常に暗い画素が混じっている。この場合、ふたつの顔の間の副写像を計算するために、まず副画像を正規化する。すなわち、最も暗い画素の輝度を0、最も明るいそれを255に設定し、他の画素の輝度は線形補間によって求めておく。
【0058】
[1.7]インプリメンテーション
始点画像のスキャンに従って計算がリニアに進行する帰納的な方法を用いる。始めに、1番上の左端の画素(i,j)=(0,0)についてf(m,s)の値を決定する。次にiを1ずつ増やしながら各f(m,s)(i,j)の値を決定する。iの値が画像の幅に到達したとき、jの値を1増やし、iを0に戻す。以降、始点画像のスキャンに伴いf(m,s)(i,j)を決定していく。すべての点について画素の対応が決まれば、ひとつの写像f(m,s)が決まる。
あるp(i,j)について対応点qf(i,j)が決まれば、つぎにp(i,j+1)の対応点qf(i,j+1)が決められる。この際、qf(i,j+1)の位置は全単射条件を満たすために、qf(i,j)の位置によって制限される。したがって、先に対応点が決まる点ほどこのシステムでは優先度が高くなる。つねに(0,0)が最も優先される状態がつづくと、求められる最終の写像に余計な偏向が加わる。本前提技術ではこの状態を回避するために、f(m,s)を以下の方法で決めていく。
【0059】
まず(s mod 4)が0の場合、(0,0)を開始点としi及びjを徐々に増やしながら決めていく。(s mod 4)が1の場合、最上行の右端点を開始点とし、iを減少、jを増加させながら決めていく。(s mod 4)が2のとき、最下行の右端点を開始点とし、i及びjを減少させながら決めていく。(smod 4)が3の場合、最下行の左端点を開始点とし、iを増加、jを減少させながら決めていく。解像度が最も細かい第nレベルには副写像という概念、すなわちパラメータsが存在しないため、仮にs=0及びs=2であるとしてふたつの方向を連続的に計算した。
【0060】
実際のインプリメンテーションでは、全単射条件を破る候補に対してペナルティを与えることにより、候補(k,l)の中からできる限り全単射条件を満たすf(m,s)(i,j)(m=0,…,n)の値を選んだ。第3の条件を破る候補のエネルギーD(k、l)にはφを掛け、一方、第1または第2の条件を破る候補にはψを掛ける。今回はφ=2、ψ=100000を用いた。
【0061】
前述の全単射条件のチェックのために、実際の手続として(k,l)=f(m,s)(i,j)を決定する際に以下のテストを行った。すなわちf(m,s)(i,j)の相続四辺形に含まれる各格子点(k,l)に対し、次式の外積のz成分が0以上になるかどうかを確かめる。
【数39】
Figure 0004524412
ただしここで、
【数40】
Figure 0004524412
【数41】
Figure 0004524412
である(ここでベクトルは三次元ベクトルとし、z軸は直交右手座標系において定義される)。もしWが負であれば、その候補についてはD(m,s) (k,l)にψを掛けることによってペナルティを与え、できるかぎり選択しないようにする。
【0062】
図5(a)、図5(b)はこの条件を検査する理由を示している。図5(a)はペナルティのない候補、図5(b)はペナルティがある候補をそれぞれ表す。隣接画素(i,j+1)に対する写像f(m,s)(i,j+1)を決定する際、Wのz成分が負であれば始点画像平面上において全単射条件を満足する画素は存在しない。なぜなら、q(m,s) (k,l)は隣接する四辺形の境界線を越えるためである。
【0063】
[1.7.1]副写像の順序
インプリメンテーションでは、解像度レベルが偶数のときにはσ(0)=0、σ(1)=1、σ(2)=2、σ(3)=3、σ(4)=0を用い、奇数のときはσ(0)=3、σ(1)=2、σ(2)=1、σ(3)=0、σ(4)=3を用いた。このことで、副写像を適度にシャッフルした。なお、本来副写像は4種類であり、sは0〜3のいずれかである。しかし、実際にはs=4に相当する処理を行った。その理由は後述する。
【0064】
[1.8]補間計算
始点画像と終点画像の間の写像が決定された後、対応しあう画素の輝度が補間される。実験では、トライリニア補間を用いた。始点画像平面における正方形p(i,j)(i+1,j)(i,j+1)(i+1,j+1)が終点画像平面上の四辺形qf(i,j)f(i+1,j)f(i,j+1)f(i+1,j+1)に射影されると仮定する。簡単のため、画像間の距離を1とする。始点画像平面からの距離がt(0≦t≦1)である中間画像の画素r(x,y,t)(0≦x≦N−1,0≦y≦M−1)は以下の要領で求められる。まず画素r(x,y,t)の位置(ただしx,y,t∈R)を次式で求める。
【数42】
Figure 0004524412
つづいてr(x,y,t)における画素の輝度が次の式を用いて決定される。
【数43】
Figure 0004524412
ここでdx及びdyはパラメータであり、0から1まで変化する。
【0065】
[1.9]拘束条件を課したときの写像
いままでは拘束条件がいっさい存在しない場合の写像の決定を述べた。しかし、始点画像と終点画像の特定の画素間に予め対応関係が規定されているとき、これを拘束条件としたうえで写像を決定することができる。
【0066】
基本的な考えは、まず始点画像の特定の画素を終点画像の特定の画素に移す大まかな写像によって始点画像を大まかに変形し、しかる後、写像fを正確に計算する。
【0067】
まず始めに、始点画像の特定の画素を終点画像の特定の画素に射影し、始点画像の他の画素を適当な位置に射影する大まかな写像を決める。すなわち、特定の画素に近い画素は、その特定の画素が射影される場所の近くに射影されるような写像である。ここで第mレベルの大まかな写像をF(m)と記述する。
【0068】
大まかな写像Fは以下の要領で決める。まず、いくつかの画素について写像を特定する。始点画像についてn個の画素、
【数44】
Figure 0004524412
を特定するとき、以下の値を決める。
【数45】
Figure 0004524412
始点画像の他の画素の変位量は、p(ih,jh)(h=0,…,n−1)の変位に重み付けをして求められる平均である。すなわち画素p(i,j)は、終点画像の以下の画素に射影される。
【数46】
Figure 0004524412
ただしここで、
【数47】
Figure 0004524412
【数48】
Figure 0004524412
とする。
【0069】
つづいて、F(m)に近い候補写像fがより少ないエネルギーを持つように、その写像fのエネルギーD(m,s) (i,j)を変更する。正確には、D(m,s) (i,j)は、
【数49】
Figure 0004524412
である。ただし、
【数50】
Figure 0004524412
であり、κ,ρ≧0とする。最後に、前述の写像の自動計算プロセスにより、fを完全に決定する。
【0070】
ここで、f(m,s)(i,j)がF(m)(i,j)に十分近いとき、つまりそれらの距離が、
【数51】
Figure 0004524412
以内であるとき、E (m,s) (i,j)が0になることに注意すべきである。そのように定義した理由は、各f(m,s)(i,j)がF(m)(i,j)に十分近い限り、終点画像において適切な位置に落ち着くよう、その値を自動的に決めたいためである。この理由により、正確な対応関係を詳細に特定する必要がなく、始点画像は終点画像にマッチするように自動的にマッピングされる。
[2]具体的な処理手順
[1]の各要素技術による処理の流れを説明する。
図6は前提技術の全体手順を示すフローチャートである。同図のごとく、まず多重解像度特異点フィルタを用いた処理を行い(S1)、つづいて始点画像と終点画像のマッチングをとる(S2)。ただし、S2は必須ではなく、S1で得られた画像の特徴をもとに画像認識などの処理を行ってもよい。
【0071】
図7は図6のS1の詳細を示すフローチャートである。ここではS2で始点画像と終点画像のマッチングをとることを前提としている。そのため、まず特異点フィルタによって始点画像の階層化を行い(S10)、一連の始点階層画像を得る。つづいて同様の方法で終点画像の階層化を行い(S11)、一連の終点階層画像を得る。ただし、S10とS11の順序は任意であるし、始点階層画像と終点階層画像を並行して生成していくこともできる。
【0072】
図8は図7のS10の詳細を示すフローチャートである。もとの始点画像のサイズは2×2とする。始点階層画像は解像度が細かいほうから順に作られるため、処理の対象となる解像度レベルを示すパラメータmをnにセットする(S100)。つづいて第mレベルの画像p(m,0)、p(m,1)、p(m,2)、p(m,3)から特異点フィルタを用いて特異点を検出し(S101)、それぞれ第m−1レベルの画像p(m−1,0)、p(m−1,1)、p(m−1,2)、p(m−1,3)を生成する(S102)。ここではm=nであるため、p(m,0)=p(m,1)=p(m,2)=p(m,3)=p(n)であり、ひとつの始点画像から4種類の副画像が生成される。
【0073】
図9は第mレベルの画像の一部と、第m−1レベルの画像の一部の対応関係を示している。同図の数値は各画素の輝度を示す。同図のp(m,s)はp(m,0)〜p(m,3)の4つの画像を象徴するもので、p(m−1,0)を生成する場合には、p(m,s)はp(m,0)であると考える。[1.2]で示した規則により、p(m−1,0)は例えば同図で輝度を記入したブロックについて、そこに含まれる4画素のうち「3」、p(m−1,1)は「8」、p(m−1,2)は「6」、p(m−1,3)を「10」をそれぞれ取得し、このブロックをそれぞれ取得したひとつの画素で置き換える。したがって、第m−1レベルの副画像のサイズは2m−1×2m−1になる。
【0074】
つづいてmをデクリメントし(図8のS103)、mが負になっていないことを確認し(S104)、S101に戻ってつぎに解像度の粗い副画像を生成していく。この繰り返し処理の結果、m=0、すなわち第0レベルの副画像が生成された時点でS10が終了する。第0レベルの副画像のサイズは1×1である。
【0075】
図10はS10によって生成された始点階層画像をn=3の場合について例示している。最初の始点画像のみが4つの系列に共通であり、以降特異点の種類に応じてそれぞれ独立に副画像が生成されていく。なお、図8の処理は図7のS11にも共通であり、同様の手順を経て終点階層画像も生成される。以上で図6のS1による処理が完了する。
【0076】
前提技術では、図6のS2に進むためにマッチング評価の準備をする。図11はその手順を示している。同図のごとく、まず複数の評価式が設定される(S30)。[1.3.2.1]で導入した画素に関するエネルギーC(m,s) と[1.3.2.2]で導入した写像の滑らかさに関するエネルギーD(m,s) がそれである。つぎに、これらの評価式を統合して総合評価式を立てる(S31)。[1.3.2.3]で導入した総エネルギーλC(m,s) +D(m,s) がそれであり、[1.3.2.2]で導入したηを用いれば、
ΣΣ(λC(m,s) (i,j)+ηE (m,s) (i,j)+E (m,s) (i,j)) (式52)
となる。ただし、総和はi、jについてそれぞれ0、1…、2−1で計算する。以上でマッチング評価の準備が整う。
【0077】
図12は図6のS2の詳細を示すフローチャートである。[1]で述べたごとく、始点階層画像と終点階層画像のマッチングは互いに同じ解像度レベルの画像どうしでとられる。画像間の大域的なマッチングを良好にとるために、解像度が粗いレベルから順にマッチングを計算する。特異点フィルタを用いて始点階層画像および終点階層画像を生成しているため、特異点の位置や輝度は解像度の粗いレベルでも明確に保存されており、大域的なマッチングの結果は従来に比べて非常に優れたものになる。
【0078】
図12のごとく、まず係数パラメータηを0、レベルパラメータmを0に設定する(S20)。つづいて、始点階層画像中の第mレベルの4つの副画像と終点階層画像中の第mレベルの4つの副画像のそれぞれの間でマッチングを計算し、それぞれ全単射条件を満たし、かつエネルギーを最小にするような4種類の副写像f(m,s)(s=0,1,2,3)を求める(S21)。全単射条件は[1.3.3]で述べた相続四辺形を用いて検査される。この際、式17、18が示すように、第mレベルにおける副写像は第m−1レベルのそれらに拘束されるため、より解像度の粗いレベルにおけるマッチングが順次利用されていく。これは異なるレベル間の垂直的参照である。なお、いまm=0であってそれより粗いレベルはないが、この例外的な処理は図13で後述する。
一方、同一レベル内における水平的参照も行われる。[1.3.3]の式20のごとく、f(m,3)はf(m,2)に、f(m,2)はf(m,1)に、f(m,1)はf(m,0)に、それぞれ類似するように決める。その理由は、特異点の種類が違っても、それらがもともと同じ始点画像と終点画像に含まれている以上、副写像がまったく異なるという状況は不自然だからである。式20からわかるように、副写像どうしが近いほどエネルギーは小さくなり、マッチングが良好とみなされる。
【0079】
なお、最初に決めるべきf(m,0)については同一のレベルで参照できる副写像がないため、式19に示すごとくひとつ粗いレベルを参照する。ただし、実験ではf(m,3)まで求まった後、これを拘束条件としてf(m,0)を一回更新するという手続をとった。これは式20にs=4を代入し、f(m,4)を新たなf(m,0)とすることに等しい。f(m,0)とf(m,3)の関連度が低くなり過ぎる傾向を回避するためであり、この措置によって実験結果がより良好になった。この措置に加え、実験では[1.7.1]に示す副写像のシャッフルも行った。これも本来特異点の種類ごとに決まる副写像どうしの関連度を密接に保つ趣旨である。また、処理の開始点に依存する偏向を回避するために、sの値にしたがって開始点の位置を変える点は[1.7]で述べたとおりである。
【0080】
図13は第0レベルにおいて副写像を決定する様子を示す図である。第0レベルでは各副画像がただひとつの画素で構成されるため、4つの副写像f(0,s)はすべて自動的に単位写像に決まる。図14は第1レベルにおいて副写像を決定する様子を示す図である。第1レベルでは副画像がそれぞれ4画素で構成される。同図ではこれら4画素が実線で示されている。いま、p(1,s)の点xの対応点をq(1,s)の中で探すとき、以下の手順を踏む。
【0081】
1.第1レベルの解像度で点xの左上点a、右上点b、左下点c、右下点dを求める。
2.点a〜dがひとつ粗いレベル、つまり第0レベルにおいて属する画素を探す。図14の場合、点a〜dはそれぞれ画素A〜Dに属する。ただし、画素A〜Cは本来存在しない仮想的な画素である。
3.第0レベルですでに求まっている画素A〜Dの対応点A’〜D’をq(1,s)の中にプロットする。画素A’〜C’は仮想的な画素であり、それぞれ画素A〜Cと同じ位置にあるものとする。
4.画素Aの中の点aの対応点a’が画素A’の中にあるとみなし、点a’をプロットする。このとき、点aが画素Aの中で占める位置(この場合、右下)と、点a’が画素A’の中で占める位置が同じであると仮定する。
5.4と同様の方法で対応点b’〜d’をプロットし、点a’〜d’で相続四辺形を作る。
6.相続四辺形の中でエネルギーが最小になるよう、点xの対応点x’を探す。対応点x’の候補として、例えば画素の中心が相続四辺形に含まれるものに限定してもよい。図14の場合、4つの画素がすべて候補になる。
【0082】
以上がある点xの対応点の決定手順である。同様の処理を他のすべての点について行い、副写像を決める。第2レベル以上のレベルでは、次第に相続四辺形の形が崩れていくと考えられるため、図3に示すように画素A’〜D’の間隔が空いていく状況が発生する。
【0083】
こうして、ある第mレベルの4つの副写像が決まれば、mをインクリメントし(図12のS22)、mがnを超えていないことを確かめて(S23)、S21に戻る。以下、S21に戻るたびに次第に細かい解像度のレベルの副写像を求め、最後にS21に戻ったときに第nレベルの写像f(n)を決める。この写像はη=0に関して定まったものであるから、f(n)(η=0)と書く。
【0084】
つぎに異なるηに関する写像も求めるべく、ηをΔηだけシフトし、mをゼロクリアする(S24)。新たなηが所定の探索打切り値ηmaxを超えていないことを確認し(S25)、S21に戻り、今回のηに関して写像f(n)(η=Δη)を求める。この処理を繰り返し、S21でf(n)(η=iΔη)(i=0,1,…)を求めていく。ηがηmaxを超えたときS26に進み、後述の方法で最適なη=ηoptを決定し、f(n)(η=ηopt)を最終的に写像f(n)とする。
【0085】
図15は図12のS21の詳細を示すフローチャートである。このフローチャートにより、ある定まったηについて、第mレベルにおける副写像が決まる。副写像を決める際、前提技術では副写像ごとに最適なλを独立して決める。
【0086】
同図のごとく、まずsとλをゼロクリアする(S210)。つぎに、そのときのλについて(および暗にηについて)エネルギーを最小にする副写像f(m,s)を求め(S211)、これをf(m,s)(λ=0)と書く。異なるλに関する写像も求めるべく、λをΔλだけシフトし、新たなλが所定の探索打切り値λmaxを超えていないことを確認し(S213)、S211に戻り、以降の繰り返し処理でf(m,s)(λ=iΔλ)(i=0,1,…)を求める。λがλmaxを超えたときS214に進み、最適なλ=λoptを決定し、f(m,s)(λ=λopt)を最終的に写像f(m,s)とする(S214)。
【0087】
つぎに、同一レベルにおける他の副写像を求めるべく、λをゼロクリアし、sをインクリメントする(S215)。sが4を超えていないことを確認し(S216)、S211に戻る。s=4になれば上述のごとくf(m,3)を利用してf(m,0)を更新し、そのレベルにおける副写像の決定を終了する。
【0088】
図16は、あるmとsについてλを変えながら求められたf(m,s)(λ=iΔλ)(i=0,1,…)に対応するエネルギーC(m,s) の挙動を示す図である。[1.4]で述べたとおり、λが増加すると通常C(m,s) は減少する。しかし、λが最適値を超えるとC(m,s) は増加に転じる。そこで本前提技術ではC(m,s) が極小値をとるときのλをλoptと決める。同図のようにλ>λoptの範囲で再度C(m,s) が小さくなっていっても、その時点ではすでに写像がくずれていて意味をなさないため、最初の極小点に注目すればよい。λoptは副写像ごとに独立して決めていき、最後にf(n)についてもひとつ定まる。
【0089】
一方、図17は、ηを変えながら求められたf(n)(η=iΔη)(i=0,1,…)に対応するエネルギーC(n) の挙動を示す図である。ここでもηが増加すると通常C(n) は減少するが、ηが最適値を超えるとC(n) は増加に転じる。そこでC(n) が極小値をとるときのηをηoptと決める。図17は図4の横軸のゼロ付近を拡大した図と考えてよい。ηoptが決まればf(n)を最終決定することができる。
【0090】
以上、本前提技術によれば種々のメリットが得られる。まずエッジを検出する必要がないため、エッジ検出タイプの従来技術の課題を解消できる。また、画像に含まれるオブジェクトに対する先験的な知識も不要であり、対応点の自動検出が実現する。特異点フィルタによれば、解像度の粗いレベルでも特異点の輝度や位置を維持することができ、オブジェクト認識、特徴抽出、画像マッチングに極めて有利である。その結果、人手作業を大幅に軽減する画像処理システムの構築が可能となる。
【0091】
なお、本前提技術について次のような変形技術も考えられる。
(1)前提技術では始点階層画像と終点階層画像の間でマッチングをとる際にパラメータの自動決定を行ったが、この方法は階層画像間ではなく、通常の2枚の画像間のマッチングをとる場合全般に利用できる。
【0092】
たとえば2枚の画像間で、画素の輝度の差に関するエネルギーEと画素の位置的なずれに関するエネルギーEのふたつを評価式とし、これらの線形和Etot=αE+Eを総合評価式とする。この総合評価式の極値付近に注目してαを自動決定する。つまり、いろいろなαについてEtotが最小になるような写像を求める。それらの写像のうち、αに関してEが極小値をとるときのαを最適パラメータと決める。そのパラメータに対応する写像を最終的に両画像間の最適マッチングとみなす。
【0093】
これ以外にも評価式の設定にはいろいろな方法があり、例えば1/Eと1/Eのように、評価結果が良好なほど大きな値をとるものを採用してもよい。総合評価式も必ずしも線形和である必要はなく、n乗和(n=2、1/2、−1、−2など)、多項式、任意の関数などを適宜選択すればよい。
【0094】
パラメータも、αのみ、前提技術のごとくηとλのふたつの場合、それ以上の場合など、いずれでもよい。パラメータが3以上の場合はひとつずつ変化させて決めていく。
(2)本前提技術では、総合評価式の値が最小になるよう写像を決めた後、総合評価式を構成するひとつの評価式であるC(m,s) が極小になる点を検出してパラメータを決定した。しかし、こうした二段回処理の代わりに、状況によっては単に総合評価式の最小値が最小になるようにパラメータを決めても効果的である。その場合、例えばαE+βEを総合評価式とし、α+β=1なる拘束条件を設けて各評価式を平等に扱うなどの措置を講じてもよい。パラメータの自動決定の本質は、エネルギーが最小になるようにパラメータを決めていく点にあるからである。
(3)前提技術では各解像度レベルで4種類の特異点に関する4種類の副画像を生成した。しかし、当然4種類のうち1、2、3種類を選択的に用いてもよい。例えば、画像中に明るい点がひとつだけ存在する状態であれば、極大点に関するf(m,3)だけで階層画像を生成しても相応の効果が得られるはずである。その場合、同一レベルで異なる副写像は不要になるため、sに関する計算量が減る効果がある。
(4)本前提技術では特異点フィルタによってレベルがひとつ進むと画素が1/4になった。例えば3×3で1ブロックとし、その中で特異点を探す構成も可能であり、その場合、レベルがひとつ進むと画素は1/9になる。
(5)始点画像と終点画像がカラーの場合、それらをまず白黒画像に変換し、写像を計算する。その結果求められた写像を用いて始点のカラー画像を変換する。それ以外の方法として、RGBの各成分について副写像を計算してもよい。
【0095】
[画像符号化と復号に関する実施の形態]
以上の前提技術を利用した画像の符号化および復号の具体例を述べる。
図18は画像符号化装置10の構成を示す。画像符号化装置10は、キーフレームを外部から取得する画像入力部12と、キーフレーム間で前提技術を用いた対応点計算をするマッチングプロセッサ14と、キーフレームおよび対応点情報を組み込んで符号化データストリーム(以下単にストリームともいう)を生成するストリーム生成部16と、そのストリームをネットワークを介して画像復号装置へ送信する通信部18を含む。
【0096】
画像符号化装置10はさらに、対応点情報からキーフレーム間の変化量が大きいか否かを確認する検査部20と、画像処理に関するユーザの要求を受け付けるUI24を含む。また、ストリーム生成部16は指示付加部22を含み、これがストリームの中に画質低下処理の指示を埋め込む。
【0097】
検査部20は、例えばふたつのキーフレームKF1、KF2間の対応点位置のずれの総和を計算し、その平均値が所定のしきい値を超えたとき、変化量が大きいと判断する。そう判断したとき、その旨は指示付加部22へ伝えられ、少なくともキーフレームKF1とKF2の間の中間フレームについて画質低下処理を施すべく指示が組み込まれる。なお、検査部20による指示のほか、ユーザが編集過程にてUI24を介して明示的に画質低下処理の指示を入れてもよい。こうしたユーザインターラクションを実現することで、画像符号化装置10は画像編集ツールとしての性格をもつ。
【0098】
図19はストリームCDS(Coded Data Stream)の構造を示す。同図のごとく、まず2枚のキーフレームKF1、KF2のデータが置かれ、それらの対応点情報C12が続き、このあと、それらのキーフレーム間の中間フレームに画質低下処理を施すべきか否かの指示Dが付加されている。この場合、さらに進んで、画質低下処理の内容を組み込んでもよい。
【0099】
図20はストリームCDSを受けて実際に動画を再生する画像復号装置100の構成を示す。画像復号装置100は、任意のネットワークからデータを受信する通信部102と、受信データからストリームを入力する画像入力部104と、ストリームに含まれるキーフレームのデータおよび対応点情報をもとに補間計算で中間フレームを生成する中間画像生成部106と、その際にワークエリアおよび画像出力のタイミング調整のために利用されるバッファメモリ108と、最終的に得られた画像を表示する表示部110を含む。
【0100】
画像復号装置100はさらに、画像入力部104が入力したストリームから対応点情報を検出したうえでキーフレーム間の変化量の大きさを検証する検査部112と、ストリームに組み込まれた前述の指示があればこれを検出する指示検出部114と、画像再生に関するユーザの指示を受け付けるUI116とを含む。これらはすべて備える必要はなく、いずれかひとつでも十分である。
【0101】
中間画像生成部106は、ブレンド処理部120、解像度低減部122、LPF124を含む。これらはそれぞれ異なる画質低下処理を行うもので、ブレンド処理部120は複数の中間フレームにモーションブラー効果を施す。例えば連続する3枚の中間フレームをIF1、IF2、IF3とすると、モーションブラーは、これらのキーフレームを適当な値でブレンドして得られる。たとえば、IF1を表示すべきタイミングでは、IF1のブレンド比が大きくなり、同様にIF2やIF3の表示タイミングではそれぞれそれらのブレンド比が大きくなるように中間フレームを生成すればよい。
【0102】
解像度低減部122は、中間フレームの解像度をいったん落とし、その後、もとの画素数に戻して出力する。解像度低減部122は画素を単純に間引いてもよいし、4画素単位にアベレージフィルタを掛ける処理を数回繰り返してもよいし、本質的に画質が低下し、または画像のシャープさが低減する処理を施せばよい。
【0103】
LPF124は、ローパスフィルタリングにより、画像をなまらせている。いずれかにしても、さして正確な中間フレームが得られないと判定されたときは、むしろ画質を落として対応点情報の誤差を見えにくくする点に特徴がある。なお、これら3つの処理部はいずれかひとつ存在すれば十分である。
【0104】
以上の画像復号装置100の動作は以下のとおりである。ストリームに指示が入っていることがわかっている場合は、指示検出部114によってその指示を探索し、あればその旨を中間画像生成部106へ伝える。中間画像生成部106はその指示のあるキーフレーム間の中間フレームを生成するとき、ブレンド処理部120、解像度低減部122、LPF124のいずれかを起動する。指示自体がいずれかを指定していればそれにしたがう。モーションブラー等の処理のために、バッファメモリ108をワークメモリとして利用する。また、最終的に得られる中間フレームをキーフレームとともに正しいタイミングで出力するためにも、バッファメモリ108がバッファとしての役割を果たす。
【0105】
ストリームに指示が入っているかどうか不明な場合や、仮に入っていても、さらに独自に画質低下処理を施したい場合、検査部112またはUI116を利用する。検査部112は図18の検査部20同様の方法でキーフレーム間の変化の大きさを判定し、必要に応じて画質低下処理を中間画像生成部106へ指示する。
【0106】
例えば人がキーフレーム間で大きく移動するようなとき、補間による中間フレームは一般に、人が関係のない背景の一部と誤対応を起こして不自然な画像になる。前提技術によれば、そうした場合でも相当に高い対応精度を得ることができるが、本実施の形態の効果を加えることにより、さらに自然な画像が得られることがわかった。一般論として、キーフレーム間の変化が大きいときは被写体が速く動いている場合が多く、したがって、モーションブラー効果は見た目にも自然であるところ、それが中間フレームの精度の問題を同時に解決しているためである。ローパスフィルタや解像度の低下も同様、画像のスピード感を損なうことなく、課題を解決している。
【0107】
以上、画像符号化と復号を説明した。この装置も符号化の場合と同様、ユーザインタラクションを確保することにより、画像編集ツールとして機能する。なお、これらの実施の形態は例示であり、いろいろな変形技術もある。以下、そうした例を挙げる。
【0108】
画像符号化装置10においてマッチングプロセッサ14は必須ではなく、外部で生成されたストリームに対して指示を付加するだけであってもよい。マッチングプロセッサ14がある場合も、それは前提技術を使うことは必須ではない。また、通信部18の代わりに図示しない記憶装置を備え、ストリームをそれに保存してもよい。
【0109】
画質低下処理には他にも例がある。例えば、誤差があるぐらいならその中間フレームを飛ばしてしまうという考え方もありうる。その場合、キーフレーム間がコマ送りになる。この場合も、ゼロ枚の中間フレームを生成するという意味で、中間フレームの生成における画質低下処理と把握できる。
【0110】
キーフレーム間の変化量の多寡は、フレーム全体ではなく、その一部のターゲット領域について検証してもよい。たとえば、一方のキーフレームにおいて領域を指定し、その領域内の各点が他方のキーフレームにおいていずれの点に対応するかを確認し、それらの点の平均のずれを所定のしきい値と比較してもよい。いずれの場合も、しきい値は実験的に定めることができる。
【0111】
キーフレームにもJPEG、GIF等のフレーム内圧縮を加えることにより、本実施の形態はアニメーションの生成に好適である。
【0112】
実施の形態では、検査部において、対応点情報の変化が大きいか否かを判定したが、それに限らず、キーフレーム間の変化の程度を検査してもよい。たとえば、シーンチェンジ検出技術を用いたり、キーフレーム間の差分画像を生成したりすることで、変化の程度が判明する。変化の程度が大きいと判定された場合にかぎり、指示を追加するようにしてもよい。
【0113】
実施の形態では、生成された中間フレームをぼかす等の処理によって目的を達成したが、これは中間フレームではなく、中間フレームそれを生成するもとになるキーフレームに対して行ってもよい。たとえば、問題となる中間フレームの両側にあるキーフレームに上述のいずれかまたはそれ以外の任意の画質低下処理を施した後、当該中間フレームを生成してもよい。
【図面の簡単な説明】
【図1】 図1(a)とは図1(b)は、ふたりの人物の顔に平均化フィルタを施して得られる画像、図1(c)と図1(d)は、ふたりの人物の顔に関して前提技術で求められるp(5,0)の画像、図1(e)と図1(f)は、ふたりの人物の顔に関して前提技術で求められるp(5,1)の画像、図1(g)と図1(h)は、ふたりの人物の顔に関して前提技術で求められるp(5,2)の画像、図1(i)と図1(j)は、ふたりの人物の顔に関して前提技術で求められるp(5,3)の画像をそれぞれディスプレイ上に表示した中間調画像の写真である。
【図2】 図2(R)はもとの四辺形を示す図、図2(A)、図2(B)、図2(C)、図2(D)、図2(E)はそれぞれ相続四辺形を示す図である。
【図3】 始点画像と終点画像の関係、および第mレベルと第m−1レベルの関係を相続四辺形を用いて示す図である。
【図4】 パラメータηとエネルギーCの関係を示す図である。
【図5】 図5(a)、図5(b)は、ある点に関する写像が全単射条件を満たすか否かを外積計算から求める様子を示す図である。
【図6】 前提技術の全体手順を示すフローチャートである。
【図7】 図6のS1の詳細を示すフローチャートである。
【図8】 図7のS10の詳細を示すフローチャートである。
【図9】 第mレベルの画像の一部と、第m−1レベルの画像の一部の対応関係を示す図である。
【図10】 前提技術で生成された始点階層画像を示す図である。
【図11】 図6のS2に進む前に、マッチング評価の準備の手順を示す図である。
【図12】 図6のS2の詳細を示すフローチャートである。
【図13】 第0レベルにおいて副写像を決定する様子を示す図である。
【図14】 第1レベルにおいて副写像を決定する様子を示す図である。
【図15】 図12のS21の詳細を示すフローチャートである。
【図16】 あるf(m,s)についてλを変えながら求められたf(m,s)(λ=iΔλ)に対応するエネルギーC(m,s) の挙動を示す図である。
【図17】 ηを変えながら求められたf(n)(η=iΔη)(i=0,1,…)に対応するエネルギーC(n) の挙動を示す図である。
【図18】 実施の形態に係る画像符号化装置の構成図である。
【図19】 図18の装置によって生成されるストリームの模式図である。
【図20】 実施の形態に係る画像復号装置の構成図である。
【符号の説明】
10 画像符号化装置
12 画像入力部
14 マッチングプロセッサ
16 ストリーム生成部
18 通信部
20 検査部
22 指示付加部
24 UI
100 画像復号装置
102 通信部
104 画像入力部
106 中間画像生成部
108 バッファメモリ
110 表示部
112 検査部
114 指示検出部
116 UI
120 ブレンド処理部
122 解像度低減部
124 LPF[0001]
BACKGROUND OF THE INVENTION
The present invention relates to an image processing technique, and more particularly to an encoding and decoding technique for interpolating two images based on a matching technique.
[0002]
[Prior art]
MPEG (Motion Picture Expert Group), the de facto global standard for video compression, has expanded its target area from storage media such as CDs to transmission media such as networks and broadcasts. Broadcast digitalization cannot be considered without compression encoding technology centered on MPEG. Broadcasting and communication barriers have collapsed, service providers have become more diversified, and it is difficult to predict how the digital culture will evolve in the broadband era.
[0003]
[Problems to be solved by the invention]
Even in such chaos, there are certain things about the direction of video compression technology. That is, both higher compression ratio and image quality are compatible. As is well known in the art, block compression may prevent high compression. In addition, as the distribution of moving images becomes more realistic, more consideration than ever is necessary for real-time processing.
[0004]
The present invention has been made in view of such a current situation, and an object thereof is to provide an encoding and decoding technique for realizing efficient compression of image data. Another object is to provide an image encoding and decoding technique that meets the conflicting demands of maintaining image quality and improving compression rate. Yet another object is to improve the visual quality of an intermediate frame in an application that generates an intermediate frame by interpolation from a key frame.
[0005]
[Means for Solving the Problems]
The present invention relates to image encoding and decoding techniques. For this technique, the image matching technique (hereinafter referred to as “premise technique”) previously proposed by the present applicant in Japanese Patent No. 2927350 can be used.
[0006]
One embodiment of the present invention relates to an image decoding method. This method includes a step of acquiring key frame data, a step of acquiring corresponding point information between key frames, and a process of intentionally degrading image quality based on the corresponding point information and key frame data. Generating an intermediate frame.
[0007]
The key frame may be obtained by photographing with a camera by itself, in addition to reading from a storage device via a network. Corresponding point information may be acquired from the outside, or may be acquired by calculating matching between key frames.
[0008]
The “image quality reduction process” can be realized by reducing the resolution of the intermediate frame, passing the intermediate frame through a predetermined filter, for example, a low-pass filter, or applying a motion blur effect to the plurality of generated intermediate frames. Motion blur refers to “blurring” on an image caused by movement of a subject. The motion blur effect itself is known in image processing, and is described in, for example, Japanese Patent Application Laid-Open No. 11-283041.
[0009]
In the present invention, image quality degradation is intentionally caused when generating an intermediate frame. For example, if there is occlusion between the key frames, that is, if the subject is concealed or if there is a large difference between the key frames, the error of the corresponding point information becomes large, or there is a limit of expression in the corresponding point information, and the image quality of the intermediate frame is low. May decrease. In such cases, it may be more natural for the human eye to abandon the sharpness of the image and generate a somewhat ambiguous image. The present invention is based on such inventor's knowledge. Therefore, “degradation of image quality” as used in the present invention refers to objective image quality degradation in terms of image processing, and the present invention is characterized in that it leads to improvement in image quality rather than subjective image quality.
[0010]
The method may further include a step of detecting an instruction related to the image reduction process, and only when the instruction is detected, the intermediate frame may be generated by adding the process. An intermediate frame may be generated by performing an image reduction process only when the corresponding point information is further inspected and the movement amount of the corresponding point between the key frames is large. Further, the method may further include a step of accepting a user request, and an intermediate frame may be generated by performing an image reduction process only when a request is issued.
[0011]
Another aspect of the present invention is an image encoding method. This method includes a step of acquiring key frame data, a step of acquiring corresponding point information between key frames, and adding an instruction regarding deliberate image quality reduction processing to the acquired key frame and corresponding point information. Generating encoded data. In encoding, an instruction may be added only when the movement amount of the corresponding point between key frames is large, or may be added when a user request is issued.
[0012]
Among the modes described above, the base technology can be used for the encoding method for generating corresponding point information between key frames and the decoding method for generating an intermediate image using the same. However, the present invention does not require the prerequisite technology. Further, the present invention also includes those in which the above configurations and processes are arbitrarily replaced, a part or all of expressions are replaced or added between the method and the apparatus, or expressions are changed to computer programs, recording media, and the like. It is effective as
[0013]
DETAILED DESCRIPTION OF THE INVENTION
First, the multi-resolution singularity filter technique used in the embodiment and the image matching process using the technique will be described in detail as a “premise technique”. These techniques are the techniques for which the present applicant has already obtained Patent No. 2927350, and are most suitable for combination with the present invention. However, the image matching technique that can be employed in the embodiment is not limited to this. The image processing technique using the prerequisite technique will be specifically described below with reference to FIG.
[0014]
[Background of prerequisite technology]
First, the elemental technology of the prerequisite technology is described in detail in [1], and the processing procedure is specifically described in [2]. We will report the results of the experiment in [3].
[1] Details of elemental technology
[1.1] Introduction
A new multi-resolution filter called singularity filter is introduced to accurately calculate matching between images. No prior knowledge of objects is required. The calculation of matching between images is calculated at each resolution while proceeding through the resolution hierarchy. At that time, the resolution hierarchy is sequentially traced from the coarse level to the fine level. The parameters required for the calculation are set completely automatically by dynamic calculations similar to the human visual system. There is no need to manually identify corresponding points between images.
[0015]
The base technology can be applied to, for example, fully automatic morphing, object recognition, stereoscopic photogrammetry, volume rendering, and generation of a smooth moving image from a small number of frames. When used for morphing, a given image can be automatically transformed. When used for volume rendering, an intermediate image between cross sections can be accurately reconstructed. The same applies to the case where the distance between the cross sections is long and the shape of the cross section changes greatly.
[0016]
[1.2] Hierarchy of singularity filters
The multi-resolution singularity filter according to the base technology can store the brightness and position of each singularity included in the image while reducing the resolution of the image. Here, the width of the image is N, and the height is M. For simplicity, N = M = 2n(N is a natural number). The section [0, N] NR is described as I. The pixel of the image at (i, j) is p(I, j)(I, jεI).
[0017]
Here, a multi-resolution hierarchy is introduced. The hierarchized image group is generated by a multi-resolution filter. The multi-resolution filter performs a two-dimensional search on the original image to detect singular points, and generates another image having a lower resolution than the original image even if the detected singular points are extracted. . Here, the size of each image at the m-th level is 2m× 2m(0 ≦ m ≦ n). The singularity filter recursively constructs the following four types of new hierarchical images in a direction descending from n.
[Expression 1]
Figure 0004524412
Where
[Expression 2]
Figure 0004524412
And Hereinafter, these four images are called sub-images. minx ≦ t ≦ x + 1, Maxx ≦ t ≦ x + 1Is described as α and β, respectively, the sub-images can be described as follows.
[0018]
P(M, 0)= Α (x) α (y) p(M + 1,0)
P(M, 1)= Α (x) β (y) p(M + 1,1)
P(M, 2)= Β (x) α (y) p(M + 1, 2)
P(M, 3)= Β (x) β (y) p(M + 1,3)
That is, these are considered to be like tensor products of α and β. Each sub-image corresponds to a singular point. As is clear from these equations, the singularity filter detects a singularity for each block composed of 2 × 2 pixels in the original image. At this time, a point having the maximum pixel value or the minimum pixel value is searched for in two directions of each block, that is, vertical and horizontal. As the pixel value, luminance is adopted in the base technology, but various numerical values relating to the image can be adopted. The pixel with the maximum pixel value in both directions is the maximum point, the pixel with the minimum pixel value in both directions is the minimum point, the maximum pixel value in one of the two directions, and the minimum pixel value in the other direction Are detected as saddle points.
[0019]
The singularity filter reduces the resolution of the image by representing the image (4 pixels here) of the block with the image (1 pixel here) of the singularity detected inside each block. From the theoretical point of view of singularities, α (x) α (y) preserves the minimum point, β (x) β (y) preserves the maximum point, α (x) β (y) and β (x) α (y) preserves saddle points.
[0020]
First, a singular point filtering process is separately performed on a start point (source) image and an end point (destination) image to be matched, and a series of images, that is, a start point layer image and an end point layer image are generated. Four types of start point hierarchical images and end point hierarchical images are generated corresponding to the types of singular points.
[0021]
Thereafter, matching between the start point layer image and the end point layer image is performed within a series of resolution levels. First p(M, 0)Is used to match the local minimum points. Next, based on the result, p(M, 1)The saddle point is matched using(M, 2)Is used to match other saddle points. And finally p(M, 3)Is used to match local maxima.
[0022]
1 (c) and 1 (d) are sub-images p of FIGS. 1 (a) and 1 (b), respectively.(5,0)Is shown. Similarly, FIG. 1 (e) and FIG.(5, 1)FIG. 1 (g) and FIG.(5, 2)1 (i) and 1 (j) show p(5, 3)Respectively. As can be seen from these figures, the sub-image facilitates the matching of the feature portions of the image. First p(5,0)The eyes become clear. This is because the eyes are the minimum brightness points in the face. p(5, 1)According to the mouth becomes clear. This is because the mouth is low in luminance in the horizontal direction. p(5, 2)According to this, the vertical lines on both sides of the neck become clear. Finally, p(5, 3)Makes the brightest point of the ears and cheeks clear. This is because these are the maximum points of luminance.
[0023]
The feature of the image can be extracted by using the singular point filter. For example, by comparing the features of the image captured by the camera with the features of several objects that have been recorded in advance, the subject reflected in the camera is identified. can do.
[0024]
[1.3] Calculation of mapping between images
The pixel at the position (i, j) of the start image is p(N) (I, j)Similarly, the pixel at the position (k, l) of the end point image is q(N) (K, l)Describe in. Let i, j, k, lεI. Defines the energy of mapping between images (described later). This energy is determined by the difference between the luminance of the pixel of the start point image and the luminance of the corresponding pixel of the end point image, and the smoothness of the mapping. P with minimum energy first(M, 0)And q(M, 0)Map f between(M, 0): P(M, 0)→ q(M, 0)Is calculated. f(M, 0)P with minimum energy based on(M, 1), Q(M, 1)Map f between(M, 1)Is calculated. This procedure is p(M, 3)And q(M, 3)Map f between(M, 3)Continue until the calculation of is completed. Each map f(M, i)(I = 0, 1, 2,...) Is called a submapping. f(M, i)For convenience of calculation, the order of i can be rearranged as follows: The reason why the rearrangement is necessary will be described later.
[0025]
[Equation 3]
Figure 0004524412
Here, σ (i) ε {0, 1, 2, 3}.
[0026]
[1.3.1] bijection
When the matching between the start point image and the end point image is expressed by mapping, the mapping should satisfy the bijection condition between the two images. This is because there is no conceptual superiority or inferiority between the two images, and the pixels of each other should be connected bijectively and injectively. However, unlike the usual case, the map to be constructed here is a bijective digital version. In the base technology, a pixel is specified by a grid point.
[0027]
The mapping from the start point sub-image (sub-image provided for the start-point image) to the end-point sub-image (sub-image provided for the end-point image) is f(M, s): I / 2nm× I / 2nm→ I / 2nm× I / 2nm(S = 0, 1,...) Where f(M, s)(I, j) = (k, l) is p of the starting image(M, s) (I, j)Is the end point q(M, s) (K, l)It means that it is mapped to. For simplicity, the pixel q when f (i, j) = (k, l) holds(K, l)Qf (i, j)Is described.
[0028]
The definition of bijection is important when data is discrete, such as pixels (grid points) handled in the base technology. Here, it is defined as follows (i, i ', j, j', k, l are all integers). First, each square region denoted by R in the plane of the starting point image,
[Expression 4]
Figure 0004524412
(I = 0, ..., 2m−1, j = 0,..., 2m-1). Here, the direction of each side (edge) of R is determined as follows.
[Equation 5]
Figure 0004524412
This square must be mapped to a quadrilateral in the endpoint image plane by mapping f. f(M, s)The quadrilateral indicated by (R),
[Formula 6]
Figure 0004524412
Must meet the following bijective conditions:
[0029]
1. Quadrilateral f(M, s)The edges of (R) do not cross each other.
2. f(M, s)The direction of the edges of (R) is equal to those of R (clockwise in the case of FIG. 2).
3. As a relaxation condition, retraction is allowed.
[0030]
This is because unless there is any relaxation condition, the only map that completely satisfies the bijection condition is the unit map. Here f(M, s)The length of one edge of (R) is 0, that is, f(M, s)(R) may be a triangle. However, it should not be a figure with an area of 0, that is, one point or one line segment. When FIG. 2 (R) is the original quadrilateral, FIG. 2 (A) and FIG. 2 (D) satisfy the bijection condition, but FIG. 2 (B), FIG. 2 (C), FIG. ) Is not satisfied.
[0031]
In an actual implementation, the following conditions may be further imposed to easily guarantee that the mapping is surjective. That is, each pixel on the boundary of the start point image is mapped to a pixel occupying the same position in the end point image. That is, f (i, j) = (i, j) (where i = 0, i = 2)m−1, j = 0, j = 2m-1 on four lines). Hereinafter, this condition is also referred to as “additional condition”.
[0032]
[1.3.2] Mapping energy
[1.3.2.1] Cost related to pixel brightness
Define the energy of the map f. The purpose is to find a map that minimizes energy. The energy is mainly determined by the difference between the luminance of the pixel in the start point image and the luminance of the corresponding pixel in the end point image. That is, the map f(M, s)Energy C at point (i, j)(M, s) (I, j)Is determined by the following equation.
[Expression 7]
Figure 0004524412
Where V (p(M, s) (I, j)) And V (q(M, s) f (i, j)) Is pixel p(M, s) (I, j)And q(M, s) f (i, j)Brightness. Total energy C of f(M, s)Is an evaluation formula for evaluating matching.(M, s) (I, j)Can be defined as the sum of
[Equation 8]
Figure 0004524412
[1.3.2.2] Cost related to pixel location for smooth mapping
In order to obtain a smooth mapping, another energy Df for the mapping is introduced. This energy is independent of pixel brightness, and p(M, s) (I, j)And q(M, s) f (i, j)(I = 0,..., 2m−1, j = 0,..., 2m-1). Map f at point (i, j)(M, s)Energy D(M, s) (I, j)Is defined as:
[Equation 9]
Figure 0004524412
However, the coefficient parameter η is a real number of 0 or more, and
[Expression 10]
Figure 0004524412
## EQU11 ##
Figure 0004524412
And here,
[Expression 12]
Figure 0004524412
And f (i ', j') is determined to be 0 for i '<0 and j' <0. E0Is determined by the distance between (i, j) and f (i, j). E0Prevents the pixel from being mapped to a pixel too far away. E0Is later replaced with another energy function. E1Guarantees the smoothness of the mapping. E1Is p(I, j)Represents the distance between the displacement of and the displacement of its neighboring points. Based on the above consideration, energy D, which is another evaluation formula for evaluating matchingfIs determined by the following equation.
[Formula 13]
Figure 0004524412
[1.3.2.3] Total energy of the map
The total energy of the map, that is, the overall evaluation formula for integration of multiple evaluation formulas is λC(M, s) f+ D(M, s) fDefined by Here, the coefficient parameter λ is a real number of 0 or more. The purpose is to detect a state in which the comprehensive evaluation formula takes an extreme value, that is, to find a map that gives the minimum energy shown by the following formula.
[Expression 14]
Figure 0004524412
Note that for λ = 0 and η = 0, the map is a unit map (ie, all i = 0,..., 2m−1 and j = 0,..., 2mF for -1(M, s)(I, j) = (i, j)). As will be described later, since the base technology first evaluates the case of λ = 0 and η = 0, the mapping can be gradually changed from the unit mapping. Temporarily change the position of λ in the overall evaluation formula and change C(M, s) f+ ΛD(M, s) fIf λ = 0 and η = 0, the comprehensive evaluation formula is C(M, s) fIn other words, pixels that are not related to each other are associated with each other simply because the luminance is close, and the mapping becomes meaningless. Even if the map is transformed based on such a meaningless map, it does not make any sense. For this reason, consideration is given to how the coefficient parameter is given so that the unit map is selected as the best map at the start of evaluation.
[0033]
The optical flow also considers the difference in pixel brightness and the smoothness as in this base technology. However, the optical flow cannot be used for image conversion. This is because only local movement of the object is considered. A global correspondence can be detected by using a singularity filter according to the base technology.
[0034]
[1.3.3] Determination of mapping by introducing multi-resolution
A map f that gives minimum energy and satisfies the bijection condition fminIs determined using a multi-resolution hierarchy. The mapping between the start sub-image and the end sub-image is calculated at each resolution level. Starting from the top of the resolution hierarchy (the coarsest level), the mapping of each resolution level is determined taking into account the mappings of the other levels. The number of mapping candidates at each level is limited by using higher or coarser level mappings. More specifically, when determining a mapping at a certain level, a mapping obtained at one coarser level is imposed as a kind of constraint condition.
[0035]
First,
[Expression 15]
Figure 0004524412
P holds when(M-1, s) (I ', j'), Q(M-1, s) (I ', j')P(M, s) (I, j), Q(M, s) (I, j)I will call it the parent. [X] is a maximum integer not exceeding x. P(M, s) (I, j), Q(M, s) (I, j)P(M-1, s) (I ', j'), Q(M-1, s) (I ', j')Called child. The function parent (i, j) is defined by the following equation.
[Expression 16]
Figure 0004524412
p(M, s) (I, j)And q(M, s) (K, l)Map f between(M, s)Is determined by performing an energy calculation to find the minimum. f(M, s)The value of (i, j) = (k, l) is f(M-1, s)By using (m = 1, 2,..., N), it is determined as follows. First, q(M, s) (K, l)Imposes the condition that it must be inside the next quadrilateral, and narrows down the most realistic maps that satisfy the bijective condition.
[Expression 17]
Figure 0004524412
Where
[Expression 18]
Figure 0004524412
It is. The quadrilateral thus determined is called p below.(M, s) (I, j)Let's call it an inherited quadrilateral. Find the pixel that minimizes the energy inside the inherited quadrilateral.
[0036]
FIG. 3 shows the above procedure. In the figure, the A, B, C, and D pixels of the start point image are mapped to the end point images A ', B', C ', and D', respectively, at the (m-1) th level. Pixel p(M, s) (I, j)Is a pixel q existing inside the inherited quadrilateral A'B'C'D '(M, s) f (m) (i, j)Must be projected to With the above consideration, the mapping from the (m-1) th level mapping to the mth level mapping is performed.
[0037]
Energy E defined above0Is the submapping f at the m-th level(M, 0) To calculate
[Equation 19]
Figure 0004524412
Also, the submapping f(M, s)The following equation is used to calculate.
[Expression 20]
Figure 0004524412
This gives a map that keeps the energy of all submaps low. According to Equation 20, the sub-maps corresponding to different singular points are related within the same level so that the similarity between the sub-maps becomes high. Equation 19 expresses f(M, s)The distance between (i, j) and the position of the point to be projected indicates (i, j) when considered as a part of the m−1th level pixel.
[0038]
If there is no pixel satisfying the bijection condition inside the inherited quadrilateral A'B'C'D ', the following measures are taken. First, a pixel whose distance from the boundary line of A′B′C′D ′ is L (initially L = 1) is examined. If the one with the lowest energy satisfies the bijection condition, this is expressed as f(M, s)Select as the value of (i, j). Such a point is found or L is its upper limit L(M)L is increased until max is reached. L(M)max is fixed for each level m. If such a point is not found at all, a mapping in which the third condition of bijection is temporarily ignored and the area of the destination quadrilateral becomes zero is also accepted, and f(M, s)(I, j) is determined. If a point that satisfies the condition is still not found, the bijection first and second conditions are then removed.
[0039]
An approximation method using multiple resolutions is essential to determine the global correspondence between images while avoiding the mapping being affected by image details. Unless an approximation method based on multi-resolution is used, it is impossible to find a correspondence between distant pixels. In that case, the size of the image must be limited to a very small size, and only an image with small change can be handled. Furthermore, since the normal mapping requires smoothness, it is difficult to find the correspondence between such pixels. This is because the energy of mapping from pixel to pixel at a distance is high. According to the approximation method using multi-resolution, an appropriate correspondence between such pixels can be found. This is because these distances are small at the upper level (coarse level) of the resolution hierarchy.
[0040]
[1.4] Automatic determination of optimal parameter values
One of the main drawbacks of existing matching techniques is the difficulty of adjusting the parameters. In most cases, the parameter adjustment is performed manually, and it is extremely difficult to select an optimum value. According to the method according to the base technology, the optimum parameter value can be determined completely automatically.
[0041]
The system according to the base technology includes two parameters, λ and η. In short, λ is the weight of the difference in luminance of the pixels, and η is the stiffness of the mapping. The initial values of these parameters are 0. First, η is fixed at η = 0 and λ is gradually increased from 0. When the value of λ is increased and the value of the comprehensive evaluation formula (Equation 14) is minimized, C for each submapping(M, s) fThe value of generally decreases. This basically means that the two images must be better matched. However, when λ exceeds the optimum value, the following phenomenon occurs.
[0042]
1. Pixels that should not be associated with each other are erroneously associated with each other simply because the luminance is close.
2. As a result, the correspondence between the pixels becomes strange and the mapping starts to be broken.
[0043]
3. As a result, in equation 14, D(M, s) fTries to increase rapidly. 4). As a result, the value of Equation 14 tends to increase rapidly, so D(M, s) fTo suppress the rapid increase of f(M, s)Changes, resulting in C(M, s) fWill increase.
Therefore, while maintaining the state that Equation 14 takes the minimum value while increasing λ,(M, s) fDetects a threshold value from which decrease increases to increase, and sets λ as an optimum value at η = 0. Then gradually increase η(M, s) fAnd η is automatically determined by the method described later. Λ is also determined corresponding to η.
[0044]
This method is similar to the operation of the focus mechanism of the human visual system. In the human visual system, the left and right eyes are matched while moving one eye. When an object can be clearly recognized, its eyes are fixed.
[0045]
[1.4.1] Dynamic determination of λ
λ is increased from 0 by a predetermined step size, and the submapping is evaluated every time the value of λ changes. As shown in Equation 14, the total energy is λC(M, s) f+ D(M, s) fDefined by D in Equation 9(M, s) fRepresents smoothness, which is theoretically minimized in the case of unit mapping, and E is such that the mapping is distorted.0Also E1Will also increase. E1Is an integer, so D(M, s) fThe minimum step size is 1. Therefore, the current λC(M, s) (I, j)If the change (decrease amount) is not greater than 1, the total energy cannot be reduced by changing the mapping. Because D(M, s) fIncreases by 1 or more, so λC(M, s) (I, j)This is because the total energy does not decrease unless the value of 1 decreases by 1 or more.
[0046]
Under this condition, as λ increases, C(M, s) (I, j)Indicates a decrease. C(M, s) (I, j)Is described as h (l). h (l) is energy C(M, s) (I, j)Is l2Is the number of pixels. λl2Since ≧ 1 holds, for example, l2Consider the case of = 1 / λ. λ is λ1To λ2When a minute amount changes to
[Expression 21]
Figure 0004524412
A pixels indicated by
[Expression 22]
Figure 0004524412
Changes to a more stable state with the energy of. Here, it is approximated that the energy of these pixels is all zero. This formula is C(M, s) fValue of
[Expression 23]
Figure 0004524412
Show that only changes, and as a result,
[Expression 24]
Figure 0004524412
Is established. Since h (l)> 0, usually C(M, s) fDecrease. However, when λ tries to exceed the optimum value, the phenomenon described above, namely C(M, s) fAn increase occurs. By detecting this phenomenon, the optimum value of λ is determined.
[0047]
When H (h> 0) and k are constants,
[Expression 25]
Figure 0004524412
Assuming
[Equation 26]
Figure 0004524412
Holds. At this time, if k ≠ -3,
[Expression 27]
Figure 0004524412
It becomes. This is C(M, s) f(C is a constant).
[0048]
When detecting the optimum value of λ, the number of pixels that violate the bijection condition may be inspected for further safety. Here, when determining the mapping of each pixel, p is the probability of breaking the bijection condition.0Assume that in this case,
[Expression 28]
Figure 0004524412
Therefore, the number of pixels that violate the bijection condition increases at the rate of the following equation.
[Expression 29]
Figure 0004524412
Therefore,
[30]
Figure 0004524412
Is a constant. Suppose h (l) = HlkAssuming
[31]
Figure 0004524412
Becomes a constant. However, when λ exceeds the optimum value, the above value increases rapidly. This phenomenon is detected and B0λ3/2 + k / 2/ 2mValue is abnormal value B0thresIt is possible to determine the optimum value of λ. Similarly, B1λ3/2 + k / 2/ 2mValue is abnormal value B1thresThe pixel increase rate B that violates the third condition of bijection by checking whether or not1Confirm. Factor 2mThe reason for introducing will be described later. This system is not sensitive to these two thresholds. These thresholds are energy C(M, s) fThis observation can be used to detect excessive distortion of a map that is missed.
[0049]
In the experiment, the submapping f(M, s)When calculating λ, if λ exceeds 0.1, f(M, s)Stop calculating f(M, s + 1)Moved to the calculation. This is because a difference of only “3” in the luminance level of 255 pixels has affected the sub-mapping calculation when λ> 0.1, and it is difficult to obtain a correct result when λ> 0.1. .
[0050]
[1.4.2] Histogram h (l)
C(M, s) fThe test of is independent of the histogram h (l). It can be affected by h (l) during inspection of bijection and its third condition. Actually (λ, C(M, s) f), K is usually near 1. In the experiment, k = 1 and B0λ2And B1λ2Inspected. If the true value of k is less than 1, B0λ2And B1λ2Is not a constant and factor λ(1-k) / 2Gradually increase as you go. If h (l) is a constant, for example, the factor is λ1/2It is. However, this difference is the threshold B0thresCan be absorbed by setting correctly.
[0051]
Here, the center of the starting point image is (x0, Y0) And a circular object having a radius r.
[Expression 32]
Figure 0004524412
On the other hand, the end point image has a center (x1, Y1), An object having a radius r.
[Expression 33]
Figure 0004524412
Where c (x) is c (x) = xkSuppose that Center (x0, Y0) And (x1, Y1) Is sufficiently far away, the histogram h (l) has the form:
[Expression 34]
Figure 0004524412
When k = 1, the image shows an object with a sharp border embedded in the background. This object has a dark center and becomes brighter as you go around. When k = -1, the image represents an object with an ambiguous boundary. This object is brightest at the center and darkens as you move around. Even if you think that a general object is in between these two types of objects, you won't lose generality. Therefore, k can cover most cases with −1 ≦ k ≦ 1, and it is guaranteed that Equation 27 is generally a decreasing function.
[0052]
Note that, as can be seen from Equation 34, r is affected by the resolution of the image, i.e., r is proportional to 2 m. For this purpose, a factor of 2 m was introduced in [1.4.1].
[0053]
[1.4.3] Dynamic determination of η
The parameter η can be automatically determined by the same method. First, η = 0, and the final mapping f at the finest resolution(N)And energy C(N) fCalculate Subsequently, η is increased by a certain value Δη, and again the final mapping f at the finest resolution is obtained.(N)And energy C(N) fRecalculate This process is continued until the optimum value is obtained. η indicates the rigidity of the mapping. This is because the weight of the following equation.
[Expression 35]
Figure 0004524412
When η is 0, D(N) fIs determined independently of the immediately preceding submap, and the current submap is elastically deformed and excessively distorted. On the other hand, when η is a very large value, D(N) fIs almost completely determined by the immediately preceding submapping. At this time, the sub-mapping is very rigid and the pixels are projected to the same location. As a result, the map becomes a unit map. When the value of η increases gradually from 0, C(N) fGradually decreases. However, when the value of η exceeds the optimum value, the energy starts to increase as shown in FIG. In the figure, the X axis is η and the Y axis is C.fIt is.
[0054]
In this way C(N) fIt is possible to obtain an optimum value of η that minimizes. However, as a result of various factors affecting the calculation compared to the case of λ, C(N) fChanges with small fluctuations. In the case of λ, the submapping is only recalculated once every time the input changes by a small amount, but in the case of η, all the submappings are recalculated. For this reason, the obtained C(N) fIt is not possible to immediately determine whether the value of is minimal. If a candidate for the minimum value is found, it is necessary to search for the true minimum value by setting a finer section.
[0055]
[1.5] Super sampling
In order to increase the degree of freedom in determining the correspondence between pixels, f(M, s)Can be expanded to R × R (R is a set of real numbers). In this case, the luminance of the pixel of the end point image is interpolated, and a non-integer point,
[Expression 36]
Figure 0004524412
F with luminance at(M, s)Is provided. That is, super sampling is performed. In the experiment, f(M, s)Is allowed to take integer and half-integer values,
[Expression 37]
Figure 0004524412
Is
[Formula 38]
Figure 0004524412
Given by.
[0056]
[1.6] Normalization of pixel brightness of each image
When the start point image and the end point image include very different objects, it is difficult to use the luminance of the original pixel as it is for the calculation of mapping. Energy C related to luminance due to large luminance difference(M, s) fThis is because it becomes too large and correct evaluation is difficult.
[0057]
For example, consider the case of matching a human face and a cat face. The cat's face is covered with hair and contains very bright and very dark pixels. In this case, the sub-image is first normalized in order to calculate the sub-mapping between the two faces. That is, the brightness of the darkest pixel is set to 0, the brightest is set to 255, and the brightness of the other pixels is obtained by linear interpolation.
[0058]
[1.7] Implementation
An inductive method is used in which the calculation proceeds linearly according to the scan of the starting point image. First, for the top leftmost pixel (i, j) = (0,0) f(M, s)Determine the value of. Next, increase i by 1(M, s)Determine the value of (i, j). When the value of i reaches the width of the image, the value of j is increased by 1 and i is returned to 0. Thereafter, f is scanned along with the scan of the starting point image.(M, s)(I, j) is determined. If the correspondence of pixels is determined for all points, one map f(M, s)Is decided.
P(I, j)Corresponding point q forf (i, j)If p is decided, then p(I, j + 1)Corresponding point qf (i, j + 1)Is decided. At this time, qf (i, j + 1)The position of q satisfies the bijection condition, so qf (i, j)Limited by position. Therefore, the priority is higher in this system as the corresponding points are determined first. If (0,0) always has the highest priority, additional deflections are added to the final mapping required. In the base technology, in order to avoid this state, f(M, s)Is determined by the following method.
[0059]
First, when (s mod 4) is 0, the starting point is (0, 0) and i and j are gradually increased. When (s mod 4) is 1, the right end point of the uppermost row is used as a starting point, and i is decreased and j is increased. When (s mod 4) is 2, the starting point is the rightmost point in the bottom row, and i and j are determined while decreasing. When (smod 4) is 3, the left end point of the bottom row is used as a starting point, and i is increased and j is decreased. Since the sub-mapping concept, that is, the parameter s does not exist at the nth level with the finest resolution, two directions are calculated continuously assuming that s = 0 and s = 2.
[0060]
In an actual implementation, by giving a penalty to a candidate that violates the bijection condition, f satisfying the bijection condition as much as possible from the candidates (k, l).(M, s)The value of (i, j) (m = 0,..., N) was selected. Candidate energy D (k, l) that violates the third condition is multiplied by φ, while candidates that violate the first or second condition are multiplied by ψ. This time, φ = 2 and ψ = 100000 were used.
[0061]
In order to check the above bijective condition, the actual procedure is (k, l) = f(M, s)The following tests were performed in determining (i, j). That is, f(M, s)For each lattice point (k, l) included in the inherited quadrilateral of (i, j), it is ascertained whether the z component of the outer product of the following equation is 0 or more.
[39]
Figure 0004524412
Where
[Formula 40]
Figure 0004524412
[Expression 41]
Figure 0004524412
Where the vector is a three-dimensional vector and the z-axis is defined in an orthogonal right-handed coordinate system. If W is negative then D(M, s) (K, l)Is multiplied by ψ to give a penalty and avoid selecting as much as possible.
[0062]
FIG. 5A and FIG. 5B show the reason for inspecting this condition. FIG. 5A shows a candidate without a penalty, and FIG. 5B shows a candidate with a penalty. Mapping f for adjacent pixel (i, j + 1)(M, s)When determining (i, j + 1), if the z component of W is negative, there is no pixel that satisfies the bijection condition on the starting image plane. Because q(M, s) (K, l)Is because it crosses the boundary of the adjacent quadrilateral.
[0063]
[1.7.1] Submapping order
In the implementation, when the resolution level is an even number, σ (0) = 0, σ (1) = 1, σ (2) = 2, σ (3) = 3, σ (4) = 0 are used. In this case, σ (0) = 3, σ (1) = 2, σ (2) = 1, σ (3) = 0, and σ (4) = 3 were used. This effectively shuffled the submap. Note that there are essentially four types of submappings, and s is one of 0 to 3. However, in practice, processing corresponding to s = 4 was performed. The reason will be described later.
[0064]
[1.8] Interpolation calculation
After the mapping between the start point image and the end point image is determined, the luminance of the corresponding pixels is interpolated. In the experiment, trilinear interpolation was used. Square p in the starting image plane(I, j)p(I + 1, j)p(I, j + 1)p(I + 1, j + 1)Is the quadrangle q on the destination image planef (i, j)qf (i + 1, j)qf (i, j + 1)qf (i + 1, j + 1)Assuming that For simplicity, the distance between images is 1. The pixel r (x, y, t) (0 ≦ x ≦ N−1, 0 ≦ y ≦ M−1) of the intermediate image whose distance from the starting image plane is t (0 ≦ t ≦ 1) is as follows. Is required. First, the position of the pixel r (x, y, t) (where x, y, tεR) is obtained by the following equation.
[Expression 42]
Figure 0004524412
Subsequently, the luminance of the pixel at r (x, y, t) is determined using the following equation.
[Equation 43]
Figure 0004524412
Here, dx and dy are parameters and change from 0 to 1.
[0065]
[1.9] Mapping when imposing constraints
The determination of the mapping when there are no constraint conditions is described. However, when a correspondence is defined in advance between specific pixels of the start point image and the end point image, the mapping can be determined using this as a constraint.
[0066]
The basic idea is that the starting point image is roughly deformed by a rough mapping in which specific pixels of the starting point image are transferred to specific pixels of the end point image, and then the mapping f is accurately calculated.
[0067]
First, a specific pixel of the start point image is projected onto a specific pixel of the end point image, and a rough mapping for projecting other pixels of the start point image to an appropriate position is determined. That is, a pixel that is close to a specific pixel is a mapping that is projected near the place where the specific pixel is projected. Here is a rough mapping of the mth level F(M)Is described.
[0068]
The rough map F is determined as follows. First, a mapping is specified for several pixels. N for the start imagesPixels,
(44)
Figure 0004524412
When specifying, the following values are determined.
[Equation 45]
Figure 0004524412
The displacement amount of the other pixels of the start image is p(Ih, jh)(H = 0, ..., ns-1) is an average obtained by weighting the displacement. That is, pixel p(I, j)Are projected onto the following pixels of the end point image.
[Equation 46]
Figure 0004524412
Where
[Equation 47]
Figure 0004524412
[Formula 48]
Figure 0004524412
And
[0069]
Next, F(M)So that the candidate map f nearer has less energy(M, s) (I, j)To change. To be precise, D(M, s) (I, j)Is
[Formula 49]
Figure 0004524412
It is. However,
[Equation 50]
Figure 0004524412
And κ, ρ ≧ 0. Finally, f is completely determined by the automatic map calculation process described above.
[0070]
Where f(M, s)(I, j) is F(M)When they are close enough to (i, j), that is, their distance is
[Formula 51]
Figure 0004524412
Is within E2 (M, s) (I, j)Note that is zero. The reason for this definition is that each f(M, s)(I, j) is F(M)This is because, as long as it is sufficiently close to (i, j), it is desired to automatically determine the value so as to settle at an appropriate position in the end point image. For this reason, it is not necessary to specify an exact correspondence relationship in detail, and the start point image is automatically mapped so as to match the end point image.
[2] Specific processing procedure
The flow of processing by each element technology of [1] will be described.
FIG. 6 is a flowchart showing the overall procedure of the base technology. As shown in the figure, first, processing using a multi-resolution singularity filter is performed (S1), and then the start point image and the end point image are matched (S2). However, S2 is not essential, and processing such as image recognition may be performed based on the characteristics of the image obtained in S1.
[0071]
FIG. 7 is a flowchart showing details of S1 of FIG. Here, it is assumed that the start point image and the end point image are matched in S2. Therefore, first, the starting point image is hierarchized by a singular point filter (S10), and a series of starting point hierarchical images are obtained. Subsequently, the end point images are hierarchized by the same method (S11), and a series of end point layer images are obtained. However, the order of S10 and S11 is arbitrary, and the start point hierarchical image and the end point hierarchical image can be generated in parallel.
[0072]
FIG. 8 is a flowchart showing details of S10 in FIG. The original start image size is 2n× 2nAnd Since the start point hierarchical image is created in order from the finer resolution, the parameter m indicating the resolution level to be processed is set to n (S100). Next, the mth level image p(M, 0), P(M, 1), P(M, 2), P(M, 3)To detect singular points using a singular point filter (S101), and each of the m-1 level images p.(M-1, 0), P(M-1, 1), P(M-1, 2), P(M-1, 3)Is generated (S102). Here, since m = n, p(M, 0)= P(M, 1)= P(M, 2)= P(M, 3)= P(N)And four types of sub-images are generated from one starting point image.
[0073]
FIG. 9 shows a correspondence relationship between a part of the mth level image and a part of the m−1th level image. The numerical values in the figure indicate the luminance of each pixel. P in the figure(M, s)Is p(M, 0)~ P(M, 3)It symbolizes the four images of(M-1, 0)To generate p(M, s)Is p(M, 0)I believe that. According to the rules shown in [1.2], p(M-1, 0)For example, for the block in which the luminance is entered in FIG.(M-1, 1)Is "8", p(M-1, 2)Is "6", p(M-1, 3)Each “10” is acquired, and this block is replaced with one acquired pixel. Therefore, the size of the sub-image at the (m-1) th level is 2m-1× 2m-1become.
[0074]
Next, m is decremented (S103 in FIG. 8), it is confirmed that m is not negative (S104), and the process returns to S101 and a sub-image with a coarse resolution is generated. As a result of this iterative process, S10 ends when m = 0, that is, when the 0th level sub-image is generated. The size of the 0th level sub-image is 1 × 1.
[0075]
FIG. 10 illustrates the start point hierarchical image generated in S10 for n = 3. Only the first starting point image is common to the four sequences, and thereafter, sub-images are generated independently according to the types of singular points. Note that the processing in FIG. 8 is common to S11 in FIG. 7, and an end point hierarchical image is also generated through the same procedure. Thus, the process by S1 in FIG. 6 is completed.
[0076]
In the base technology, preparation for matching evaluation is made in order to proceed to S2 in FIG. FIG. 11 shows the procedure. As shown in the figure, first, a plurality of evaluation formulas are set (S30). Energy C for pixels introduced in [1.3.2.1](M, s) fAnd the energy D relating to the smoothness of the mapping introduced in [1.3.2.2](M, s) fThat is it. Next, a comprehensive evaluation formula is established by integrating these evaluation formulas (S31). Total energy λC introduced in [1.3.2.3](M, s) f+ D(M, s) fThat is, and using η introduced in [1.3.2.2],
ΣΣ (λC(M, s) (I, j)+ ΗE0 (M, s) (I, j)+ E1 (M, s) (I, j)(Formula 52)
It becomes. However, the sum is 0, 1, ..., 2 for i and j, respectively.mCalculate with -1. The matching evaluation is now complete.
[0077]
FIG. 12 is a flowchart showing details of S2 of FIG. As described in [1], matching between the start point hierarchical image and the end point hierarchical image is performed between images having the same resolution level. In order to obtain good global matching between images, matching is calculated in order from the level with the coarser resolution. Since the start and end layer images are generated using the singularity filter, the position and brightness of the singularity are clearly preserved even at a coarse level of resolution, and the results of global matching are compared to the conventional case. It will be very good.
[0078]
As shown in FIG. 12, first, the coefficient parameter η is set to 0 and the level parameter m is set to 0 (S20). Subsequently, a match is calculated between each of the four sub-images at the m-th level in the start point hierarchical image and the four sub-images at the m-th level in the end point hierarchical image, satisfying the bijection condition, and energy. Sub-maps f that minimize(M, s)(S = 0, 1, 2, 3) is obtained (S21). The bijection condition is checked using the inherited quadrilateral described in [1.3.3]. At this time, as shown in Expressions 17 and 18, since the submapping at the m-th level is constrained to those at the (m-1) -th level, matching at a level with a coarser resolution is sequentially used. This is a vertical reference between different levels. Although m = 0 and there is no coarser level, this exceptional processing will be described later with reference to FIG.
On the other hand, horizontal reference within the same level is also performed. As shown in Equation 20 of [1.3.3], f(M, 3)Is f(M, 2)And f(M, 2)Is f(M, 1)And f(M, 1)Is f(M, 0)To be similar to each other. The reason is that even if the types of singular points are different, it is unnatural that the submappings are completely different as long as they are originally included in the same start point image and end point image. As can be seen from Equation 20, the closer the sub-maps, the smaller the energy and the better the matching.
[0079]
In addition, f which should be decided first(M, 0)Since there is no submapping that can be referred to at the same level, one coarse level is referred to as shown in Equation 19. However, in the experiment f(M, 3)Until it is determined as f(M, 0)The procedure of renewing was taken once. This substitutes s = 4 into Equation 20 and f(M, 4)To the new f(M, 0)Is equivalent to f(M, 0)And f(M, 3)This is to avoid the tendency of the relevance of being too low, and this measure has improved the experimental results. In addition to this measure, the sub-map shuffle shown in [1.7.1] was also performed in the experiment. This is also intended to keep the degree of association between the submaps originally determined for each type of singularity closely. In addition, as described in [1.7], the position of the start point is changed according to the value of s in order to avoid deflection depending on the start point of processing.
[0080]
FIG. 13 is a diagram showing how the submapping is determined at the 0th level. At the 0th level, each sub-image consists of only one pixel, so there are four sub-mapsf (0, s)Are automatically determined to be unit maps. FIG. 14 is a diagram showing how the submapping is determined at the first level. At the first level, each sub-image is composed of 4 pixels. In the figure, these four pixels are indicated by solid lines. Now, p(1, s)The corresponding point of point x is q(1, s)Take the following steps when searching in:
[0081]
1. The upper left point a, the upper right point b, the lower left point c, and the lower right point d of the point x are obtained at the first level resolution.
2. The pixel to which the points a to d belong at one coarse level, that is, the 0th level is searched. In the case of FIG. 14, the points a to d belong to the pixels A to D, respectively. However, the pixels A to C are virtual pixels that do not originally exist.
3. Corresponding points A 'to D' of the pixels A to D already obtained at the 0th level are represented by q(1, s)Plot in. The pixels A ′ to C ′ are virtual pixels and are assumed to be at the same positions as the pixels A to C, respectively.
4). The corresponding point a 'of the point a in the pixel A is considered to be in the pixel A', and the point a 'is plotted. At this time, it is assumed that the position occupied by the point a in the pixel A (in this case, the lower right) is the same as the position occupied by the point a ′ in the pixel A ′.
Corresponding points b 'to d' are plotted in the same manner as in 5.4, and an inherited quadrilateral is created with the points a 'to d'.
6). The corresponding point x 'of the point x is searched so that the energy is minimized in the inherited quadrilateral. The candidate for the corresponding point x ′ may be limited to, for example, a pixel whose center is included in the inherited quadrilateral. In the case of FIG. 14, all four pixels are candidates.
[0082]
This is the procedure for determining the corresponding point of point x. Similar processing is performed for all other points to determine the submapping. At the level higher than the second level, it is considered that the shape of the inherited quadrilateral gradually collapses. Therefore, as shown in FIG. 3, a situation occurs in which the intervals between the pixels A ′ to D ′ are increased.
[0083]
When four sub-mappings at a certain m-th level are thus determined, m is incremented (S22 in FIG. 12), it is confirmed that m does not exceed n (S23), and the process returns to S21. Thereafter, every time the process returns to S21, a sub-mapping with a finer resolution level is obtained gradually. When the process finally returns to S21, the n-th level mapping f(N)Decide. Since this mapping is fixed with respect to η = 0, f(N)Write (η = 0).
[0084]
Next, η is shifted by Δη and m is cleared to zero in order to obtain a mapping for different η (S24). The new η is the predetermined search truncation value ηmax(S25), the process returns to S21, and the mapping f with respect to the current η(N)(Η = Δη) is obtained. This process is repeated, and f in S21(N)(Η = iΔη) (i = 0, 1,...) Is obtained. η is ηmaxWhen the value exceeds η, the process proceeds to S26, and the optimum η = η is determined by the method described later.optAnd f(N)(Η = ηopt) Finally map f(N)And
[0085]
FIG. 15 is a flowchart showing details of S21 of FIG. According to this flowchart, the submapping at the m-th level is determined for a certain η. When determining the submapping, the base technology determines the optimum λ for each submapping independently.
[0086]
As shown in the figure, s and λ are first cleared to zero (S210). Then the submap f that minimizes the energy for λ at that time (and implicitly for η)(M, s)(S211)(M, s)Write (λ = 0). Shifting λ by Δλ to obtain a mapping for different λ, the new λ is the predetermined search truncation value λmax(S213), the process returns to S211 and f is repeated in subsequent iterations.(M, s)(Λ = iΔλ) (i = 0, 1,...) Is obtained. λ is λmaxWhen the value exceeds λ, the process proceeds to S214 and the optimum λ = λoptAnd f(M, s)(Λ = λopt) Finally map f(M, s)(S214).
[0087]
Next, to obtain another submapping at the same level, λ is cleared to zero and s is incremented (S215). It is confirmed that s does not exceed 4 (S216), and the process returns to S211. When s = 4, as described above, f(M, 3)F(M, 0)To finish the determination of the submapping at that level.
[0088]
FIG. 16 shows f obtained by changing λ for certain m and s.(M, s)Energy C corresponding to (λ = iΔλ) (i = 0, 1,...)(M, s) fFIG. As described in [1.4], when λ increases,(M, s) fDecrease. However, if λ exceeds the optimum value, C(M, s) fTurns to increase. Therefore, in this base technology, C(M, s) fΛ when λ takes a local minimumoptDecide. As shown in the figure, λ> λoptAgain in the range(M, s) fEven if becomes smaller, the mapping is already broken at that point and it does not make sense, so you should pay attention to the first local minimum. λoptIs determined independently for each submap, and finally f(N)One is also determined.
[0089]
On the other hand, FIG. 17 shows f obtained while changing η.(N)Energy C corresponding to (η = iΔη) (i = 0, 1,...)(N) fFIG. Again, as η increases,(N) fDecreases, but if η exceeds the optimum value, C(N) fTurns to increase. So C(N) fIs the minimum value of ηoptDecide. FIG. 17 may be considered as an enlarged view of the vicinity of zero on the horizontal axis of FIG. ηoptF is decided(N)Can be finalized.
[0090]
As described above, according to the base technology, various advantages can be obtained. First, since it is not necessary to detect an edge, it is possible to solve the problem of the conventional technology of the edge detection type. In addition, a priori knowledge about the object included in the image is unnecessary, and automatic detection of corresponding points is realized. The singularity filter can maintain the luminance and position of the singularity even at a coarse resolution level, and is extremely advantageous for object recognition, feature extraction, and image matching. As a result, it is possible to construct an image processing system that greatly reduces manual work.
[0091]
It should be noted that the following modification technique is also conceivable for this prerequisite technique.
(1) In the base technology, the parameters are automatically determined when matching between the start layer image and the end layer image. However, this method performs matching between two normal images, not between layer images. If available in general.
[0092]
For example, the energy E relating to the difference in pixel brightness between two images.0E1And the linear sum E of these twotot= ΑE0+ E1Is a comprehensive evaluation formula. Focusing on the vicinity of the extreme value of this comprehensive evaluation formula, α is automatically determined. In other words, E for various αtotFind a mapping that minimizes. Of those maps, E with respect to α1Α is determined as an optimal parameter when takes a minimum value. The mapping corresponding to that parameter is finally regarded as the optimal matching between both images.
[0093]
There are various other methods for setting the evaluation formula, such as 1 / E.1And 1 / E2As described above, a value that takes a larger value as the evaluation result is better may be adopted. The comprehensive evaluation formula is not necessarily a linear sum, and an n-th power sum (n = 2, 1/2, −1, −2 etc.), a polynomial, an arbitrary function, or the like may be appropriately selected.
[0094]
The parameter may be either α, two cases of η and λ as in the base technology, or more than that. If the parameter is 3 or more, change it one by one.
(2) In this base technology, after determining the mapping so that the value of the comprehensive evaluation formula is minimized, C is one evaluation formula constituting the comprehensive evaluation formula.(M, s) fThe parameter was determined by detecting the point where became the minimum. However, instead of such a two-stage process, it is effective to determine parameters so that the minimum value of the comprehensive evaluation formula is minimized in some situations. In that case, for example, αE0+ ΒE1May be taken as a comprehensive evaluation formula, and a constraint condition such as α + β = 1 may be provided to treat each evaluation formula equally. This is because the essence of automatic parameter determination is that the parameter is determined so that the energy is minimized.
(3) In the base technology, four types of sub-images relating to four types of singular points are generated at each resolution level. However, of course, one, two, and three of the four types may be selectively used. For example, if there is only one bright spot in the image, f related to the maximum point(M, 3)Even if a hierarchical image is generated only by this, an appropriate effect should be obtained. In this case, since different submappings at the same level are not required, there is an effect of reducing the amount of calculation regarding s.
(4) In the base technology, when the level is advanced by one by the singularity filter, the pixel becomes 1/4. For example, a configuration in which 3 × 3 is one block and a singular point is searched for is possible. In this case, the pixel becomes 1/9 when the level advances by one.
(5) If the start point image and the end point image are in color, they are first converted to a black and white image and a mapping is calculated. The starting point color image is converted using the mapping obtained as a result. As another method, a submapping may be calculated for each component of RGB.
[0095]
[Embodiments relating to image encoding and decoding]
A specific example of image encoding and decoding using the above premise technology will be described.
FIG. 18 shows the configuration of the image encoding device 10. The image encoding device 10 incorporates an image input unit 12 that obtains key frames from the outside, a matching processor 14 that calculates corresponding points using key technologies between key frames, and encodes key frames and corresponding point information. A stream generation unit 16 that generates a data stream (hereinafter also simply referred to as a stream) and a communication unit 18 that transmits the stream to the image decoding apparatus via a network are included.
[0096]
The image encoding device 10 further includes an inspection unit 20 that confirms whether or not the amount of change between key frames is large from the corresponding point information, and a UI 24 that receives a user request regarding image processing. In addition, the stream generation unit 16 includes an instruction addition unit 22, which embeds an instruction for image quality reduction processing in the stream.
[0097]
The inspection unit 20 calculates, for example, the total sum of the shifts of corresponding point positions between the two key frames KF1 and KF2, and determines that the amount of change is large when the average value exceeds a predetermined threshold value. When such determination is made, the fact is transmitted to the instruction adding unit 22, and an instruction is incorporated to perform image quality reduction processing at least on an intermediate frame between the key frames KF1 and KF2. In addition to the instruction from the inspection unit 20, the user may explicitly input an instruction for image quality reduction processing via the UI 24 in the editing process. By realizing such user interaction, the image encoding device 10 has a character as an image editing tool.
[0098]
FIG. 19 shows the structure of a stream CDS (Coded Data Stream). As shown in the figure, first, data of two key frames KF1 and KF2 are placed and their corresponding point information C12This is followed by an instruction D indicating whether or not the image quality reduction processing should be performed on an intermediate frame between the key frames. In this case, it is possible to go further and incorporate the contents of the image quality reduction process.
[0099]
FIG. 20 shows a configuration of an image decoding apparatus 100 that receives a stream CDS and actually reproduces a moving image. The image decoding apparatus 100 performs interpolation calculation based on a communication unit 102 that receives data from an arbitrary network, an image input unit 104 that inputs a stream from the received data, and key frame data and corresponding point information included in the stream. Includes an intermediate image generation unit 106 that generates an intermediate frame, a buffer memory 108 that is used for adjusting the timing of the work area and image output at that time, and a display unit 110 that displays the finally obtained image. .
[0100]
The image decoding apparatus 100 further detects the corresponding point information from the stream input by the image input unit 104 and then verifies the magnitude of the change amount between the key frames, and the above-described instruction incorporated in the stream. If there is an instruction detection unit 114 that detects this, and a UI 116 that receives an instruction from the user regarding image reproduction. All of these do not need to be provided, any one is sufficient.
[0101]
The intermediate image generation unit 106 includes a blend processing unit 120, a resolution reduction unit 122, and an LPF 124. Each of these performs different image quality reduction processing, and the blend processing unit 120 applies a motion blur effect to a plurality of intermediate frames. For example, assuming that three consecutive intermediate frames are IF1, IF2, and IF3, the motion blur is obtained by blending these key frames with appropriate values. For example, the intermediate frame may be generated so that the blend ratio of IF1 increases at the timing when IF1 is to be displayed, and similarly the blend ratio increases at the display timing of IF2 and IF3.
[0102]
The resolution reduction unit 122 temporarily reduces the resolution of the intermediate frame, and then returns to the original number of pixels for output. The resolution reduction unit 122 may simply thin out pixels, or may repeat the process of applying an average filter in units of four pixels several times, or a process that essentially reduces image quality or reduces image sharpness. Can be applied.
[0103]
The LPF 124 smoothes the image by low-pass filtering. In any case, when it is determined that an accurate intermediate frame cannot be obtained, the image quality is lowered and the error of corresponding point information is made less visible. Any one of these three processing units is sufficient.
[0104]
The operation of the above image decoding apparatus 100 is as follows. If it is known that an instruction is included in the stream, the instruction detection unit 114 searches for the instruction, and if so, notifies the intermediate image generation unit 106 of the instruction. The intermediate image generation unit 106 activates any one of the blend processing unit 120, the resolution reduction unit 122, and the LPF 124 when generating an intermediate frame between the designated key frames. If the instruction itself specifies one, follow that. The buffer memory 108 is used as a work memory for processing such as motion blur. The buffer memory 108 also serves as a buffer in order to output the finally obtained intermediate frame together with the key frame at the correct timing.
[0105]
If it is unclear whether an instruction is included in the stream, or if it is desired to perform an image quality reduction process even if it is temporarily included, the inspection unit 112 or the UI 116 is used. The inspection unit 112 determines the magnitude of the change between key frames in the same manner as the inspection unit 20 in FIG. 18, and instructs the intermediate image generation unit 106 to perform image quality reduction processing as necessary.
[0106]
For example, when a person moves greatly between key frames, the intermediate frame by interpolation generally causes an unnatural image by miscorresponding to a part of the background that is not related to the person. According to the base technology, even in such a case, considerably high correspondence accuracy can be obtained, but it has been found that a more natural image can be obtained by adding the effect of the present embodiment. In general, when the change between key frames is large, the subject often moves fast, so the motion blur effect is natural in appearance, but it solves the problem of accuracy of intermediate frames at the same time. Because it is. Similarly, the low-pass filter and the decrease in resolution solve the problem without impairing the sense of speed of the image.
[0107]
The image encoding and decoding have been described above. As in the case of encoding, this apparatus also functions as an image editing tool by ensuring user interaction. In addition, these embodiment is an illustration and there are also various deformation techniques. Here are some examples.
[0108]
In the image encoding device 10, the matching processor 14 is not essential, and an instruction may only be added to an externally generated stream. Even if there is a matching processor 14, it is not essential to use the prerequisite technology. Further, a storage device (not shown) may be provided instead of the communication unit 18 and the stream may be stored in the storage device.
[0109]
There are other examples of image quality reduction processing. For example, there may be an idea that if there is an error, the intermediate frame is skipped. In that case, frame-to-frame advance is performed between key frames. Also in this case, it can be grasped as an image quality reduction process in the generation of the intermediate frame in the sense of generating zero intermediate frames.
[0110]
The amount of change between key frames may be verified not for the entire frame but for a part of the target area. For example, specify an area in one keyframe, check which point in that area corresponds to which point in the other keyframe, and compare the average deviation of those points to a predetermined threshold May be. In either case, the threshold value can be determined experimentally.
[0111]
By applying intra-frame compression such as JPEG or GIF to key frames, this embodiment is suitable for generating animations.
[0112]
In the embodiment, the inspection unit determines whether or not the change in the corresponding point information is large. However, the present invention is not limited to this, and the degree of change between the key frames may be inspected. For example, the degree of change can be determined by using a scene change detection technique or by generating a difference image between key frames. An instruction may be added only when it is determined that the degree of change is large.
[0113]
In the embodiment, the object is achieved by processing such as blurring the generated intermediate frame, but this may be performed not on the intermediate frame but on the key frame from which the intermediate frame is generated. For example, the intermediate frame may be generated after subjecting the key frame on both sides of the intermediate frame in question to any of the above or any other image quality reduction processing.
[Brief description of the drawings]
FIG. 1 (a) is an image obtained by applying an averaging filter to the faces of two persons, and FIGS. 1 (c) and 1 (d) are two persons. P required in the base technology for the face of(5,0)Fig. 1 (e) and Fig. 1 (f) are images required by the base technology regarding the faces of two people.(5, 1)Fig. 1 (g) and Fig. 1 (h) are images required by the base technology regarding the faces of two people.(5, 2)Fig. 1 (i) and Fig. 1 (j) show the p required by the base technology regarding the faces of two people.(5, 3)Is a halftone image photograph in which each of the images is displayed on a display.
FIG. 2 (R) is a diagram showing the original quadrilateral, and FIG. 2 (A), FIG. 2 (B), FIG. 2 (C), FIG. 2 (D), and FIG. It is a figure which shows an inheritance quadrilateral.
FIG. 3 is a diagram illustrating a relationship between a start point image and an end point image and a relationship between an mth level and an m−1th level using an inherited quadrilateral.
FIG. 4 Parameter η and energy CfIt is a figure which shows the relationship.
FIGS. 5 (a) and 5 (b) are diagrams showing a state in which whether or not a mapping related to a certain point satisfies a bijection condition is obtained from outer product calculation.
FIG. 6 is a flowchart showing an overall procedure of the base technology.
FIG. 7 is a flowchart showing details of S1 in FIG. 6;
FIG. 8 is a flowchart showing details of S10 in FIG.
FIG. 9 is a diagram illustrating a correspondence relationship between a part of an mth level image and a part of an m−1th level image.
FIG. 10 is a diagram showing a starting point hierarchical image generated by the base technology.
11 is a diagram showing a procedure for preparing for matching evaluation before proceeding to S2 in FIG. 6; FIG.
FIG. 12 is a flowchart showing details of S2 in FIG. 6;
FIG. 13 is a diagram showing how a submapping is determined at the 0th level.
FIG. 14 is a diagram showing how a submapping is determined at the first level.
FIG. 15 is a flowchart showing details of S21 in FIG.
FIG. 16 A certain f(M, s)F calculated while changing λ(M, s)Energy C corresponding to (λ = iΔλ)(M, s) fFIG.
FIG. 17 shows f obtained while changing η.(N)Energy C corresponding to (η = iΔη) (i = 0, 1,...)(N) fFIG.
FIG. 18 is a configuration diagram of an image encoding device according to an embodiment.
FIG. 19 is a schematic diagram of a stream generated by the apparatus of FIG.
FIG. 20 is a configuration diagram of an image decoding device according to an embodiment.
[Explanation of symbols]
10 Image encoding device
12 Image input section
14 Matching processor
16 Stream generator
18 Communication Department
20 Inspection Department
22 Instruction addition part
24 UI
100 Image decoding apparatus
102 Communication Department
104 Image input unit
106 Intermediate image generation unit
108 Buffer memory
110 Display section
112 Inspection Department
114 Instruction detection unit
116 UI
120 Blend processing section
122 Resolution reduction unit
124 LPF

Claims (18)

キーフレームのデータを取得する工程と、
キーフレーム間の対応点情報を取得する工程と、
前記対応点情報とキーフレームのデータをもとに、キーフレーム間で対応しあう点どおしの補間計算によって中間フレームを生成する工程と、
を含み、
中間フレームを生成する工程において、キーフレーム間に生成されるべき複数の中間フレームをブレンドすることによって得られるモーションブラー効果を与えつつ中間フレームを生成し、その際、モーションブラー効果を中間フレームにのみ与えることを特徴とする画像復号方法。
Acquiring keyframe data; and
Obtaining corresponding point information between key frames;
Based on the corresponding point information and key frame data, generating an intermediate frame by interpolation calculation between points corresponding to each other between key frames ;
Including
In the step of generating an intermediate frame, an intermediate frame is generated while giving a motion blur effect obtained by blending a plurality of intermediate frames to be generated between key frames , and the motion blur effect is applied only to the intermediate frame. image decoding method characterized by providing.
中間フレームにモーションブラー効果を与える処理に関する指示を検出する工程をさらに含み、その指示が検出されたときに限り、中間フレームにモーションブラー効果を与える処理を施して中間フレームが生成される請求項1に記載の方法。 2. The method of claim 1, further comprising: detecting an instruction related to a process for giving a motion blur effect to an intermediate frame, and only when the instruction is detected , a process for giving a motion blur effect to the intermediate frame is performed to generate the intermediate frame. The method described in 1. 前記対応点情報を検査する工程をさらに含み、キーフレーム間の対応点の移動量が大きい場合に限り、中間フレームにモーションブラー効果を与える処理を施して中間フレームが生成される請求項1に記載の方法。2. The method according to claim 1, further comprising a step of inspecting the corresponding point information, and only when a movement amount of the corresponding point between the key frames is large, the intermediate frame is generated by performing a process of giving a motion blur effect to the intermediate frame. the method of. ユーザの要求を受け付ける工程をさらに含み、要求が出された場合に限り、中間フレームにモーションブラー効果を与える処理を施して中間フレームが生成される請求項1に記載の方法。The method according to claim 1, further comprising a step of accepting a user request, and only when the request is issued, the intermediate frame is generated by performing a process of applying a motion blur effect to the intermediate frame. キーフレームのデータを取得する工程と、
キーフレーム間の対応点情報を取得する工程と、
取得されたキーフレームおよび対応点情報に、キーフレーム間に生成されるべき複数の中間フレームをブレンドすることによって得られるモーションブラー効果を与えつつ中間フレームを生成する処理に関する指示を付加して符号化データを生成する工程と、
を含むことを特徴とする画像符号化方法。
Acquiring keyframe data; and
Obtaining corresponding point information between key frames;
Encoding by adding instructions on processing to generate intermediate frames while giving motion blur effect obtained by blending multiple intermediate frames to be generated between key frames to the acquired key frame and corresponding point information Generating data; and
An image encoding method comprising:
キーフレーム間の対応点の移動量が大きい場合に限り、前記指示を付加する請求項に記載の方法。The method according to claim 5 , wherein the instruction is added only when the movement amount of the corresponding point between the key frames is large. ユーザの要求を受け付ける工程をさらに含み、要求が出されたとき前記指示を付加する請求項に記載の方法。6. The method of claim 5 , further comprising the step of accepting a user request, wherein the indication is added when a request is made. キーフレームのデータとキーフレーム間の対応点情報を取得する画像取得部と、
前記対応点情報とキーフレームのデータをもとに、キーフレーム間で対応しあう点どおしの補間計算によって中間フレームを生成する中間画像生成部と、
を含み、
前記中間画像生成部は、キーフレーム間に生成されるべき複数の中間フレームをブレンドすることによって得られるモーションブラー効果を与えつつ中間フレームを生成し、その際、モーションブラー効果を中間フレームにのみ与えることを特徴とする画像復号装置。
An image acquisition unit for acquiring corresponding point information between keyframe data and keyframes;
Based on the corresponding point information and key frame data, an intermediate image generating unit that generates an intermediate frame by interpolation calculation between points corresponding to each other between key frames ;
Including
The intermediate image generation unit generates an intermediate frame while giving a motion blur effect obtained by blending a plurality of intermediate frames to be generated between key frames , and at this time, the motion blur effect is given only to the intermediate frame. An image decoding apparatus characterized by that.
ユーザの要求を受け付けるUI部をさらに含み、ユーザの要求が出されたとき、中間フレームにモーションブラー効果を与える処理が施される請求項に記載の装置。The apparatus according to claim 8 , further comprising a UI unit that accepts a user request , wherein a process for giving a motion blur effect to an intermediate frame is performed when the user request is issued. キーフレームのデータとキーフレーム間の対応点情報を取得する画像取得部と、
取得されたキーフレームおよび対応点情報に、キーフレーム間に生成されるべき複数の中間フレームをブレンドすることによって得られるモーションブラー効果を与えつつ中間フレームを生成する処理に関する指示を付加して符号化データを生成するストリーム生成部と、
を含むことを特徴とする画像符号化装置。
An image acquisition unit for acquiring corresponding point information between keyframe data and keyframes;
Encodes the obtained key frame and corresponding point information with instructions on the process of generating an intermediate frame while giving motion blur effect obtained by blending multiple intermediate frames to be generated between key frames A stream generator for generating data;
An image encoding device comprising:
前記対応点情報を生成するマッチングプロセッサをさらに含む請求項10に記載の装置。The apparatus of claim 10 , further comprising a matching processor that generates the corresponding point information. 前記対応点情報を検査する検査部をさらに含み、キーフレーム間の対応点の移動量が大きい場合に限り、前記指示が付加される請求項10に記載の装置。The apparatus according to claim 10 , further comprising an inspection unit that inspects the corresponding point information, and the instruction is added only when a movement amount of the corresponding point between key frames is large. ユーザの要求を受け付けるUI部をさらに含み、ユーザの要求が出されたとき、前記指示が付加される請求項10に記載の装置。The apparatus according to claim 10 , further comprising a UI unit that accepts a user request, wherein the instruction is added when the user request is issued. キーフレームのデータを取得する工程と、
キーフレーム間の対応点情報を取得する工程と、
前記対応点情報とキーフレームのデータをもとに、キーフレーム間で対応しあう点どおしの補間計算によって中間フレームを生成する工程と、
をコンピュータに実行せしめるコンピュータプログラムであって、
中間フレームを生成する工程において、キーフレーム間に生成されるべき複数の中間フレームをブレンドすることによって得られるモーションブラー効果を与えつつ中間フレームを生成し、その際、モーションブラー効果を中間フレームにのみ与えることを特徴とするコンピュータプログラム。
Acquiring keyframe data; and
Obtaining corresponding point information between key frames;
Based on the corresponding point information and key frame data, generating an intermediate frame by interpolation calculation between points corresponding to each other between key frames ;
A computer program that causes a computer to execute
In the step of generating an intermediate frame, an intermediate frame is generated while giving a motion blur effect obtained by blending a plurality of intermediate frames to be generated between key frames , and the motion blur effect is applied only to the intermediate frame. A computer program characterized by giving .
キーフレームのデータを取得する工程と、
キーフレーム間の対応点情報を取得する工程と、
取得されたキーフレームおよび対応点情報に、キーフレーム間に生成されるべき複数の中間フレームをブレンドすることによって得られるモーションブラー効果を与えつつ中間フレームを生成する処理に関する指示を付加して符号化データを生成する工程と、
をコンピュータに実行せしめることを特徴とするコンピュータプログラム。
Acquiring keyframe data; and
Obtaining corresponding point information between key frames;
Encoding by adding instructions on processing to generate intermediate frames while giving motion blur effect obtained by blending multiple intermediate frames to be generated between key frames to the acquired key frame and corresponding point information Generating data; and
A computer program for causing a computer to execute.
前記キーフレーム間の変化の程度を検査する工程をさらに含み、その変化が大きい場合に限り、中間フレームにモーションブラー効果を与える処理を施して中間フレームが生成される請求項1に記載の方法。The method according to claim 1, further comprising the step of inspecting the degree of change between the key frames, and only when the change is large, the process of applying a motion blur effect to the intermediate frame is performed to generate the intermediate frame. 前記キーフレーム間の変化が大きい場合に限り、前記指示を付加する請求項に記載の方法。The method according to claim 5 , wherein the indication is added only when a change between the key frames is large. 前記キーフレーム間の変化の程度を検査する検査部をさらに含み、キーフレーム間の変化が大きい場合に限り、前記指示が付加される請求項10に記載の装置。The apparatus according to claim 10 , further comprising an inspection unit that inspects a degree of change between the key frames, and the instruction is added only when a change between the key frames is large.
JP2001331544A 2001-10-29 2001-10-29 Image encoding method, decoding method, image encoding device, and decoding device Expired - Fee Related JP4524412B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2001331544A JP4524412B2 (en) 2001-10-29 2001-10-29 Image encoding method, decoding method, image encoding device, and decoding device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2001331544A JP4524412B2 (en) 2001-10-29 2001-10-29 Image encoding method, decoding method, image encoding device, and decoding device

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2007017136A Division JP2007174690A (en) 2007-01-26 2007-01-26 Image encoding method, image decoding method, image encoding device and image decoding device

Publications (2)

Publication Number Publication Date
JP2003134512A JP2003134512A (en) 2003-05-09
JP4524412B2 true JP4524412B2 (en) 2010-08-18

Family

ID=19147103

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2001331544A Expired - Fee Related JP4524412B2 (en) 2001-10-29 2001-10-29 Image encoding method, decoding method, image encoding device, and decoding device

Country Status (1)

Country Link
JP (1) JP4524412B2 (en)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4483501B2 (en) 2004-09-22 2010-06-16 株式会社ニコン Image processing apparatus, program, and method for performing preprocessing for reproducing still image as moving picture
JP5125294B2 (en) 2007-07-31 2013-01-23 株式会社ニコン Program, image processing apparatus, imaging apparatus, and image processing method
CN113992913B (en) * 2021-12-29 2022-05-17 康达洲际医疗器械有限公司 Intra-frame cross-component prediction method and system applicable to VVC (variable value code) coding standard

Also Published As

Publication number Publication date
JP2003134512A (en) 2003-05-09

Similar Documents

Publication Publication Date Title
JP3889233B2 (en) Image encoding method and apparatus, and image decoding method and apparatus
JP3877651B2 (en) Image processing method and apparatus
JP2008252860A (en) Image processing method and image processing apparatus
JPWO2005122593A1 (en) Video encoding method and video decoding method
JP2002271788A (en) Image coding method and device and image decoding method and device
JP4157686B2 (en) Method and apparatus for image encoding and decoding
JP4050472B2 (en) Image generation method, apparatus and system
JP4039858B2 (en) Image matching method and apparatus, and image encoding method and apparatus
JP2003037842A (en) Picture coding method, decoding method, picture coder and decoder
JP4524412B2 (en) Image encoding method, decoding method, image encoding device, and decoding device
JP2007122751A (en) Method, device and program for image processing
JP3839353B2 (en) Image encoding method and apparatus, and image decoding method and apparatus
JP4023727B2 (en) Monitoring device and monitoring method
JP2002190020A (en) Method and device for image effect
JP3827981B2 (en) Image encoding method and apparatus, and image decoding method and apparatus
JP2002230575A (en) Method and device for image effect
JP3773417B2 (en) Method and apparatus for image data encoding and decoding
JP3828048B2 (en) Image encoding method and apparatus, and image decoding method and apparatus
JP2007288614A (en) Image compression method and device, and moving image encoding method
JP4220735B2 (en) Image processing method and image processing apparatus
JP2007174690A (en) Image encoding method, image decoding method, image encoding device and image decoding device
JP2009003656A (en) Image processing device and image processing method
JP2002359842A (en) Method and device for encoding image, and method and device for decoding image
JP2004048595A (en) Method and device of image encoding
JPWO2007069350A1 (en) Image encoding and decoding method and apparatus

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20041013

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20061205

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20070126

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20070619

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20070820

A911 Transfer of reconsideration by examiner before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20070830

A912 Removal of reconsideration by examiner before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A912

Effective date: 20080404

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20080613

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20100430

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130611

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees