CN107169927A - 一种图像处理系统、方法及显示装置 - Google Patents

一种图像处理系统、方法及显示装置 Download PDF

Info

Publication number
CN107169927A
CN107169927A CN201710324036.9A CN201710324036A CN107169927A CN 107169927 A CN107169927 A CN 107169927A CN 201710324036 A CN201710324036 A CN 201710324036A CN 107169927 A CN107169927 A CN 107169927A
Authority
CN
China
Prior art keywords
image
resolution
image processing
processing system
input
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.)
Granted
Application number
CN201710324036.9A
Other languages
English (en)
Other versions
CN107169927B (zh
Inventor
刘瀚文
那彦波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201710324036.9A priority Critical patent/CN107169927B/zh
Publication of CN107169927A publication Critical patent/CN107169927A/zh
Priority to PCT/CN2017/117116 priority patent/WO2018205627A1/zh
Priority to US16/073,712 priority patent/US11216910B2/en
Application granted granted Critical
Publication of CN107169927B publication Critical patent/CN107169927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种图像处理系统、方法及显示装置，该图像处理系统包括至少一个分辨率转换子系统，所述分辨率转换子系统包括级联的卷积神经网络模块、复合器和激活模块，所述卷积神经网络模块，用于对输入信号进行卷积处理，得到具有第一分辨率的多个第一特征图像；所述复合器，用于利用所述第一特征图像合成具有大于第一分辨率的第二分辨率的第二特征图像；激活模块，与所述复合器连接，用于利用激活函数对所述第二特征图像进行选择。由于在分辨率转换子系统中设置了激活模块对复合器输出的第二特征图像进行自适应的选择，因此可以生成不同像素排布方式的第二特征图像，从而提高了图像处理的灵活度。

Description

一种图像处理系统、方法及显示装置
技术领域
本发明涉及图像信号处理技术领域，尤其涉及一种图像处理系统、方法及显示装置。
背景技术
目前，在图像信号处理的过程中，一般是利用标准的诸如双三次(bicubic)和线性等标准升频(提高图像分辨率)方式对图像进行分辨率的提升。如图1所示，示出了一个2x的升频方式，对输入图像的各像素(加上邻像素)使用四个不同的滤波器F1、滤波器F2、滤波器F3和滤波器F4，每个滤波器产生四分之一的输出图像的像素，这个过程可以看作是对输入图像应用4个滤波器(卷积)后交错或复用以创建宽度和高度翻倍的单一输出图像；但该图像处理方法使得数据计算量较大，无法灵活调节升频倍数。
为了减少数据计算量，提高升频倍数调节的灵活度，在现有技术中提出了一种通过使用卷积神经网络来提高视频图像的分辨率的方法；如图2所示，将输入的特征图像中的每四个特征图像为一组，将其图像的像素值交叉后，生成一个4倍像素的特征图像；显然，该处理方法只能以固定的像素值排布方式生成特征图像。因此现有技术中，存在图像处理的灵活度较差的问题。
发明内容
本发明实施例提供一种图像处理系统、方法及显示装置，以解决图像处理的灵活度较差的问题。
第一方面，本发明实施例提供了一种图像处理系统，所述图像处理系统包括至少一个分辨率转换子系统，所述分辨率转换子系统包括级联的卷积神经网络模块、复合器和激活模块，所述卷积神经网络模块，用于对输入信号进行卷积处理，得到具有第一分辨率的多个第一特征图像；所述复合器，用于利用所述第一特征图像合成具有大于第一分辨率的第二分辨率的第二特征图像；激活模块，与所述复合器连接，用于利用激活函数对所述第二特征图像进行选择。
第二方面，本发明实施例还提供了一种显示装置，该显示装置包括图像处理系统，该图像处理系统包括至少一个分辨率转换子系统，所述分辨率转换子系统包括级联的卷积神经网络模块、复合器和激活模块，所述卷积神经网络模块，用于对输入信号进行卷积处理，得到具有第一分辨率的多个第一特征图像；所述复合器，用于利用所述第一特征图像合成具有大于第一分辨率的第二分辨率的第二特征图像；激活模块，与所述复合器连接，用于利用激活函数对所述第二特征图像进行选择。
第三方面，本发明实施例提供了一种图像处理方法，包括：
对输入信号进行卷积处理，得到具有第一分辨率的多个第一特征图像；
利用所述第一特征图像合成具有大于第一分辨率的第二分辨率的第二特征图像；
利用激活函数对所述第二特征图像进行选择。
第四方面，本发明实施例提供了一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序被执行时实现上述的图像处理方法中的步骤。
第五方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述图像处理方法中的步骤。
本发明实施例提供的图像处理系统包括至少一个分辨率转换子系统，所述分辨率转换子系统包括级联的卷积神经网络模块、复合器和激活模块，所述卷积神经网络模块，用于对输入信号进行卷积处理，得到具有第一分辨率的多个第一特征图像；所述复合器，用于利用所述第一特征图像合成具有大于第一分辨率的第二分辨率的第二特征图像；激活模块，与所述复合器连接，用于利用激活函数对所述第二特征图像进行选择。由于在分辨率转换子系统中设置了激活模块对复合器输出的第二特征图像进行自适应的选择，因此可以生成不同像素排布方式的第二特征图像，从而提高了图像处理的灵活度。此外，由于复合器直接利用卷积神经网络模块的输出第一特征图像进行放大处理，能够保证尽可能多的特征图像参与到放大处理过程中，从而提高放大效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为现有技术中2x的升频示意图；
图2为现有技术中的图像升频系统中复合器的升频示意图；
图3是本发明实施例提供的图像处理系统的结构图之一；
图4是本发明实施例提供的图像处理系统中分辨率转换子系统的结构图之一；
图5是本发明实施例提供的图像处理系统中分辨率转换子系统的结构图之二；
图6是本发明实施例提供的图像处理系统中分辨率转换子系统的结构图之三；
图7a是本发明实施例提供的图像处理系统中分辨率转换子系统的结构图之四；
图7b是本发明实施例提供的图像处理系统中分辨率转换子系统的结构图之五；
图7c是本发明实施例提供的图像处理系统中分辨率转换子系统的结构图之六；
图8是本发明实施例提供的图像处理系统的结构图之二；
图9是本发明实施例提供的图像处理系统的结构图之三；
图10是本发明实施例提供的图像处理系统的结构图之四；
图11是本发明实施例提供的图像处理系统的一分辨率转换子系统中复合器进行放大处理的示意图；
图12是本发明实施例提供的图像处理方法的流程图；
图13是本发明实施例提供的电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种图像处理系统，如图3所示，该图像处理系统包括至少一个分辨率转换子系统10，所述分辨率转换子系统10包括级联的卷积神经网络模块110、复合器120和激活模块130，所述卷积神经网络模块110，用于对输入信号进行卷积处理，得到具有第一分辨率的多个第一特征图像；所述复合器120，用于利用所述第一特征图像合成具有大于第一分辨率的第二分辨率的第二特征图像；激活模块130，与所述复合器120连接，用于利用激活函数对所述第二特征图像进行选择。
具体实施例中，图像处理系统中还可以包括一个或者多个级联的卷积神经网络子系统20，其中，卷积神经网络子系统20和分辨率转换子系统10的连接关系可以根据实际情况进行设置。例如，每一分辨率转换子系统10的输入端级联有两个卷积神经网络子系统20，输出端级联有两个卷积神经网络子系统20，当然在其他的实施例中，卷积神经网络子系统20的数量和位置还可以采用其他方式，在此不再一一列举。在本实施例中，卷积神经网络子系统20包括级联的卷积神经网络模块和激活模块。
应理解，利用图像处理系统处理的图像可以是持续播放的视频图像。值得注意的是，在本发明实施例提供的上述处理系统中，输入信号中不仅包括待处理的图像，还可以包括噪声图像；该噪声图像可以人工生成细节，并且，一个噪声大于1的输入图像可以产生更多的细节，有助于对视频图像进行更为细致的处理；不仅如此，针对视频图像，在输入信号中加入噪声图像还有助于输入低分辨率帧和几个过去的帧，以保持视频图像的稳定。
本发明实施例提供的图像处理系统包括至少一个分辨率转换子系统10，所述分辨率转换子系统10包括级联的卷积神经网络模块110、复合器120和激活模块130，所述卷积神经网络模块110，用于对输入信号进行卷积处理，得到具有第一分辨率的多个第一特征图像；所述复合器120，用于利用所述第一特征图像合成具有大于第一分辨率的第二分辨率的第二特征图像；激活模块130，与所述复合器120连接，用于利用激活函数对所述第二特征图像进行选择。由于在分辨率转换子系统10中设置了激活模块130对复合器输出的第二特征图像进行自适应的选择，因此可以生成不同像素排布方式的第二特征图像，从而提高了图像处理的灵活度。此外，由于复合器120直接利用卷积神经网络模块110的输出第一特征图像进行放大处理，能够保证尽可能多的特征图像参与到放大处理过程中，从而提高放大效果。
在具体实施时，在本发明实施例提供的上述图像处理系统中，分辨率转换子系统10中的卷积神经网络模块110与复合器120的连接方式有以下几种，如图4至图6所示；其中，在图4中，分辨率转换子系统10可以包括一个卷积神经网络模块110、一个复合器120和一个激活模块130，且卷积神经网络模块110的信号输出端与复合器120的信号输入端连接，复合器的信号输出端与激活模块130的输入端连接。在图5中，分辨率转换子系统10可以包括一个卷积神经网络模块110、两个复合器120和一个激活模块130，且卷积神经网络模块110的信号输出端与第一级的复合器120的信号输入端连接，第一级的复合器120的信号输出端与第二级的复合器120的信号输入端连接，第二级的复合器120的信号输出端与激活模块130的输入端连接。在图6中，分辨率转换子系统10可以包括两个卷积神经网络模块110、两个复合器120和两个激活模块130，且卷积神经网络模块110、复合器120和激活模块130依次交错连接。
具体地，在本发明实施例提供上述图像处理系统中，分辨率转换子系统10中设置多个复合器120时，为了使每个复合器进行放大处理时可以采用高质量的第一特征图像合成高质量的分辨率为n倍的第二特征图像，如图6所示，一般各复合器120的信号输入端与卷积神经网络模块110的输出端连接，各复合器120的信号的输出端与激活模块130的输入端连接，先采用卷积神经网络模块110来获取特征图像后输入到对应的复合器120的输入端，即在分辨率转换子系统10中卷积神经网络模块110、复合器120和激活模块130可以成对设置。
进一步地，在本发明提供的上述图像处理系统中，设置多个分辨率转换子系统10时，各分辨率转换子系统10的放大倍数可以相同也，可以不同，在此不做限定。同一分辨率转换子系统10设置多个复合器120时，各复合器120的放大倍数可以相同，也可以不同，在此不做限定。以图5和图6为例，若两个复合器120的放大倍数均为M倍，那么在图片经过分辨率转换子系统10后，图像的分辨率将放大到原来的M2倍；若图像处理系统存在两个分辨率转换子系统10，且两个分辨率转换子系统10放大的倍数相同，那么在图片经过图像处理系统后，图像的分辨率将放大到原来的M4倍。
在具体实施时，在一个分辨率转换子系统中，当需要对输入的第一特征图像进行较大倍数的放大处理时，为了不影响每个复合器的计算精度和处理速度，在本发明实施例提供的上述处理系统中，复合器可以包括多个子复合器；并且，可以根据对输入的第一特征图像需要放大的倍数，将放大倍数进行因式分解，即将较大的放大倍数分解为多个较小的放大倍数，使各子复合器分别以较小的放大倍数对输入的第一特征图像进行处理；因此，子复合器的个数一般设置为输出的第二特征图像相对于输入的第一特征图像的分辨率放大倍数的因式分解的个数；或者，还可以根据输入的第一特征图像在行方向上的分辨率和在列方向上的分辨率，设置用于放大输入的第一特征图像的列方向的垂直子复合器，和用于放大输入的特征图像的行方向的水平子复合器，使得垂直子复合器和水平子复合器分别对输入的第一特征图像在列方向和行方向进行放大处理，因此，子复合器可以包括：用于放大输入的第一特征图像的列方向的垂直子复合器，以及用于放大输入的特征图像的行方向的水平子复合器。
也可就是说，本实施例中，上述复合器为分辨率放大M倍的复合器，所述复合器包括：
级联的多个在行列方向同时进行在行和列方向进行放大处理的子复合器，所述子复合器的放大倍数的乘积等于所述M；
或者
级联的用于在行方向进行放大处理的水平子复合器和用于在列方向进行放大处理的垂直子复合器，所述水平子复合器在行方向的放大倍数与所述垂直子复合器在列方向的放大倍数的乘积等于所述M。
具体地，以图4所示的分辨率转换子系统中，且输出的第二特征图像相对于输入的第一特征图像的分辨率放大36x为例，可以按照以下两种方式设置子复合器：第一，可以将放大倍数36x因式分解为放大4x(2×2)和放大9x(3×3)，即将较大地放大倍数因式分解成两个较小的放大倍数，相应地，如图7a所示，将子复合器的个数设置为两个，分别为用于将输入的第一特征图像的分辨率放大4x的子复合器121，和用于将输入的第一特征图像的分辨率放大9x的子复合器122；第二，还可以使子复合器包括用于放大输入的第一特征图像的列方向的垂直子复合器，以及用于放大输入的第一特征图像的行方向的水平子复合器，相应地，为了使输入的第一特征图像放大36x，如图7b所示，在子复合器中可以包括：放大倍数为2x(1×2)的第一垂直子复合器123，放大倍数为3x(1×3)的第二垂直子复合器124，放大倍数为2x(2×1)的第一水平子复合器125和放大倍数为3x(3×1)的第二水平子复合器126；当然，各垂直子复合器和各水平子复合器还可以交叉设置，如图7c所示；通过以上两种设置方式，可以对图片进行多层次分布式的处理，有助于对每个处理过程进行优化，以提高视频图像处理的效率。
本实施例中，由于复合器120输出的每个第二特征图像的像素排布方式均不相同，即可以采用多种像素值排布方式生成多个第二特征图像，这样不仅可以使输入信号中各第一特征图像的信息不损失的记载到生成的第二特征图像中，还可以使与激活模块130的信号输出端相连接的下一层级对第二特征图像进行自适应地选择，在保持不丢失图像信息的前提下，提高了图像处理的灵活度。
应当说明的，在还可以在不同的分辨率转换子系统10中部署不同类型的复合器实现对图像的分辨率进行放大。例如，在第一级的分辨率转换子系统10中部署复合器为用于放大输入的第一特征图像的行方向的水平子复合器，在第二级的分辨率转换子系统10中部署复合器为用于放大输入的第一特征图像的列方向的水平子复合器。应理解，上述第一特征图像和第二特征图像仅仅是用于说明通过复合器转换之前的特征图像，以及通过复合器转换之后的特征图像，并不用于限定图像本身。也就是说，针对所有的复合器，其输入的特征图像为第一特征图像，输出的图像为第二特征图像。
应理解，在具体实施时，上述图像处理系统还可以包括：
转换模块，用于将接收RGB格式的输入图像转换为YUV格式，输出Y通道信号、U通道信号和V通道信号；
所述至少一个分辨率转换子系统10对所述Y通道信号、U通道信号和/或V通道信号进行分辨率放大处理。
本实施例中，YUV格式为一种图片格式，由Y、U和V组成，其中，Y表示亮度，U和V表示颜色的色度。
参照图8至图10所示，在图像处理系统中，可以采用上述分辨率转换子系统对所述Y通道信号、U通道信号和/或V通道信号进行分辨率放大处理。
如图8所示，Y通道信号、U通道信号和V通道信号的放大倍数均采用本实施例中的分辨率转换子系统实现。
如图9所示，Y通道信号的放大倍数采用本实施例中的分辨率转换子系统实现。U通道信号和V通道信号的放大倍数采用本实施例中的分辨率转换子系统和现有的分辨率放大子系统配合实现。
例如，上述图像处理系统对所述输入图像的分辨率的放大倍数为N倍，则有Y通道信号通过至少一个分辨率转换子系统进行分辨率放大的放大倍数为N倍；
U通道信号通过至少一个分辨率转换子系统进行分辨率放大的放大倍数为N1倍，N1小于N；
V通道信号通过至少一个分辨率转换子系统进行分辨率放大的放大倍数为N2倍，N2小于N。
其中，N1和N2的大小可以根据实际需要进行设置，在此不做进一步的限定。例如，上述N为100，N1和N2均为50，则在本发明实施例中，U通道信号和V信号通过设置至少一个分辨率转换子系统进行分辨率放大10倍处理，同时设置现有的分辨率放大子系统进行放大10倍处理。应理解，为了减少放大的计算量，通常的，首先通过本发明中的至少一个分辨率转换子系统进行放大10倍之后，再采用现有的分辨率放大子系统进行放大10倍处理。现有的分辨率放大子系统的计算算法可以根据实际需要进行选择，例如可以采用双三次(bicubic)和线性等标准升频的方式对图像的像素进行放大处理。
如图10所示，所述至少一个分辨率转换子系统仅对所述Y通道信号进行分辨率放大处理。U通道信号和V通道信号采用现有的分辨率放大子系统进行放大处理。
由于本发明实施例中的分辨率转换子系统需要在对第一特征图像放大到第二特征图像后，进行第二特征图像的选择，因此放大的计算量较大，在本实施例中，可以综合考虑系统的资源开销，采用图8至图10任一种方式实现放大处理。对于图像而言，都包括两方面的信息：色彩和灰阶，而对应于放大技术而言，其中灰阶信息的处理对放大效果的影响大于色彩信息。因此，根据上述对放大的认知，本发明具体实施例中，将RGB图像转换为YUV格式之后，采用图9和图10所示的放大方式，可以减小系统的资源开销，同时保证放大效果。
具体的，对于每一通道信号均可以采用一个或者多个分辨率转换子系统，具体的每一通道设置分辨率转换子系统的数量可以根据实际需要进行设置，在此不做进一步的限定。
应当说明的是，上述激活模块130选择第二特征图像的方式可以根据实际需要进行设置。可选的，所述激活模块130具体用于在条件满足时，输出所述第二特征图像或施加偏移量后的第二特征图像，否则丢弃所述第二特征图像。
上述条件可以根据实际需要进行设置，例如，在本实施例中，可以将第二特征图像与-b(偏移量参数b的负数)进行比较，根据比较的结果确定是否输出第二特征图像，以及如何输出第二特征图像。具体的，当第二特征图像大于-b时，可以直接输出第二特征图像或者增加偏移量b之后的第二特征图像，当第二特征图像小于或等于-b时，则直接丢弃该第二特征图像，输出为0。其中，第二特征图像具有卷积处理中的权重参数a。
现有的卷积处理中，通常都包括权重参数a和偏移量参数b，而本发明具体实施例中，本发明通过不断的实验发现，在卷积处理中仅使用权重参数也可达到同时使用权重参数a和偏移量参数b的放大效果，同时还能降低训练和调试难度。
进一步的，上述在分辨率转换子系统10中，上述复合器为分辨率放大M倍的复合器，具体用于：将每M个第一特征图像的像素值交叉后合成M个第二特征图像并输出。
在具体实施时，当分辨率转换子系统10放大的倍数为M倍，确定输入的第一特征图像相当于输出的第二特征图像在行方向上的放大因子Mx和行方向上的放大因子My，Mx和My为正整数。复合器，具体用于将输入的第一特征图像中每M个输入的第一特征图像的像素值交叉后合成M个分辨率放大为输入的第一特征图像M倍的第二特征图像并输出；输入的第一特征图像的数量为M的整数倍。其中，第二特征图像和第一特征图像相比，第二特征图像在行方向上放大了Mx倍，在列方向上放大了My倍。
具体的，以图6所示的分辨率转换子系统10中的复合器120为例。在图11中，复合器120的放大倍数为4，即输入的第一特征图像相对于输出的第二特征图像在行方向上的放大因子为Mx为2，输入的第一特征图像相对于输出的第二特征图像在列方向上的放大因子为My为2，因此，复合器120将输入的4个第一特征图像的像素值交叉后合成4个分辨率放大为输入的第一特征图像4倍的特征图像，并输出至激活模块130进行选择自适应选择，然后输出到下一层级进行放大，并进行再次自适应选择，因此提高了视频图像处理的灵活度。
在具体实施时，在本发明实施例提供的上述图像处理系统中，每个复合器可以为自适应插值滤波器。如图11所示，将输入的第一特征图像中每4个第一特征图像为一组交错其图像的像素值后生成4个分辨率放大为输入的第一特征图像4倍的第二特征图像并输出；如图11所示，复合器的工作原理是将4个输入的第一特征图像中各相同像素点位置的像素值进行矩阵排列记载在输出的第二特征图像中，因此，在此放大过程中不会修改(丢失或增加)特征图像中的任何像素信息。
具体地，为了确定复合器合成输出的第二特征图像，在本发明实施例提供的上述图像处理系统中，上述复合器采用如下公式合成第二特征图像：
其中，i的取值范围为(0...H-1)，j的取值范围为(0...W-1)，p的取值范围为(0...MyH-1)，q的取值范围为(0...MxW-1)，H表示第二特征图像的高度，W表示第二特征图像的宽度，c表示第一特征图像的个数，Mx表示第一特征图像相对于第二特征图像在行方向的放大因子，My表示第一特征图像相对于第二特征图像在列方向的放大因子，％为取余运算符，表示小于(n-1)/My的最大整数，表示第一特征图像，和均表示的第二特征图像，n表示第二特征图像的编号。
可选的，所述卷积神经网络模块和所述激活模块的训练基于结构相似性SSIM准则的成本函数进行判断。
本实施例中，成本函数可以为：
Cost(INPUT,REFRENCE)
＝1-SSIM(Output(INPUT)+REFRENCE)+λ1DownReg(INPUT)+λ2WBratioReg(W,b)
其中，INPUT为原始图像，SSIM为结构相似性计算函数，DownReg(INPUT)为描述原始图像和训练图像的相似度函数，λ1为DownReg(INPUT)的权重系数和λ2为WBratioReg(W,b)的权重系数，WBratioReg(W,b)为权重偏移比函数；
其中L1(W)为权重参数的L1范数，L1(b)为偏移参数的L1范数，eps为常数。
在具体实施时，在系统运行过程中，由于每个滤波器的标量权重，以及偏置的数值相对固定，在系统运行前需要采用一系列的标准输入输出图像来对系统进行训练，并且依靠应用程序调整到满足某些优化准则。因此，在本发明实施例提供的上述处理系统运行之前，需要进行一系列的训练。本发明实施例还对神经网络以及激活器的训练进行了优化，对此详细说明如下。
结合图3所示的子系统结构以及子系统中各模块的说明可知，本发明实施例的图像处理系统中，由于复合器不会引入任何的参数，因此涉及到的参数仅包括卷积神经网络的权重参数和激活器的偏移参数。
在训练过程中，首先需要准备一系列的训练图像，对训练图像的取得简要说明如下。
这些训练图像取自于一个数据库，该数据库中具有大量的样本图像，如具有分辨率为480*320的500个图像。该训练图像可以是随机选择部分样本图像，然后从选择样本图像中随机选择一定数量的80*80的图像块，如30000个。
这些随机选择的图像块就构成了本发明实施例的训练图像。
在得到训练图像之后，可以采用各种标准的分辨率压缩算法，对该训练图像进行分辨率缩小X倍的操作后，得到输入到图像处理系统的原始图像。
在得到原始图像之后，将原始图像输入到参数初始化的图像处理系统，并调整图像处理系统的各参数，以使得参数调整后的图像处理系统对原始图像进行X倍放大操作得到的目标图像。
而参数的调整可以采用各种已有的算法来进行，如标准随机梯度下降SGD算法等。
而参数是否合适可以以目标图像和训练图像的损失函数COST进行判决，当二者之间的差异度较小时，表明图像处理系统的放大效果较好，则COST较小，反之较差。
现有技术中，损失函数COST可以采用多种准则来进行处理，如常用的均方差MSE。
然而，发明人在实现本发明实施例的过程中发现，现有的判断准则都与人类视觉系统的相关度较差，举例说明如下。
现有技术中，对于图像而言，都包括两方面的信息：色彩和灰阶，而人类视觉系统对不同的参数的敏感度并不相同。而现有的参数设置是否合理的准则把所有的信息同等对待，与人类视觉系统的相关度较差。
发明人在实现本发明实施例的过程中潜心研究，发现采用SSIM(StructuralSimilarity，结构相似性)准则能够更好地训练卷积神经网络和激活器。
对此进一步说明如下。
SSIM，是一种全参考的图像质量评价指标，它分别从亮度、对比度、结构三方面度量图像相似性，定义如下：
其中uO、uR分别表示目标图像和原始图像的均值，σO、σR分别表示目标图像和原始图像的方差，σOR表示目标图像和原始图像Y的协方差，C1和C2为非零常数。
SSIM取值范围[0,1]，值越大，表示图像失真越小，即当SSIM等于1时，表示目标图像和原始图像完全相同。
在实际应用中，可以利用滑动窗将图像分块，令分块总数为N，考虑到窗口形状对分块的影响，采用高斯加权计算每一窗口的均值、方差以及协方差，然后计算对应块的结构相似度SSIM，最后将平均值作为两图像的结构相似性度量，即平均结构相似性MSSIM：
而损失函数COST则可以表示为1-SSIM，标识目标图像和原始图像的差异程度，即：
COST＝1-SSIM。
本发明具体实施例中，为进一步提高卷积神经网络和激活器的收敛程度，该COST函数也可以附加其他的参数，如权重参数的L1范数等。
本发明具体实施例中进一步增加如下的两种新的参数：DownReg(INPUT)以及权重偏移比函数。
其中，
DownReg(INPUT)＝MSE(Downscale(Output(INPUT)),INPUT)
或者，
DownReg(INPUT)＝1-SSIM(Downscale(Output(INPUT)),INPUT)
其中INPUT为原始图像，Downscale(Output(INPUT)为训练图像，MSE为图像均方差计算函数，SSIM为结构相似性计算函数。
对于神经卷积网络而言，为了将特征进行分类，神经卷积网络(包括神经卷积模块和激活器)包括权重参数和偏移参数，理想情况下，偏移参数相对权重参数而言应该尽可能大。
为此，本发明具体实施例定义如下函数权重偏移比函数，如下：
其中L1(W)为权重参数的L1范数，L1(B)为偏移参数的L1范数如下：
其中：l为神经网络的层序号，f为特征序号，滤波器大小为N*M。其中eps为非常小的常数，如le-6。
其中：
Cost＝1-SSIM(Output(INPUT)+REFRENCE)+λ1DownReg(INPUT)+λ2WBratioReg(W,b)
其中λ1为DownReg(INPUT)的权重系数和λ2为WBratioReg(W,b)的权重系数，其具体取值取决于其重要程度。
基于同一发明构思，本发明实施例还提供了一种显示装置，包括如本发明实施例提供的上述图像处理系统。该显示装置可以为：手机、平板电脑、电视机、显示器、笔记本电脑、数码相框、导航仪等任何具有显示功能的产品或部件。该显示装置的实施可以参见上述图像处理系统的实施例，重复之处不再赘述。由于在显示装置中采用了上述图像处理系统，因此具有与上述图像处理系统相同的有益效果。
基于同一发明构思，本发明实施例还提供了一种图像处理方法，该图像处理方法可以在上述图像处理系统中被执行，具体的，参照图12，本发明实施例提供的图像处理方法包括：
步骤1201，对输入信号进行卷积处理，得到具有第一分辨率的多个第一特征图像；
步骤1202，利用所述第一特征图像合成具有大于第一分辨率的第二分辨率的第二特征图像；
步骤1203，利用激活函数对所述第二特征图像进行选择。
具体的，步骤1201可以由上述分辨率转换子系统的卷积神经网络模块执行，步骤1202可以由上述分辨率转换子系统的复合器执行，步骤可以由上述分辨率转换子系统的激活模块执行，该卷积神经网络模块、复合器和激活模块的具体结构可以参照上述实施例，在此不再赘述。
本发明实施例提供的图像处理方法首先对输入信号进行卷积处理，得到具有第一分辨率的多个第一特征图像；然后利用所述第一特征图像合成具有大于第一分辨率的第二分辨率的第二特征图像；最后利用激活函数对所述第二特征图像进行选择。由于在分辨率转换子系统中设置了激活模块对复合器输出的第二特征图像进行自适应的选择，因此可以生成不同像素排布方式的第二特征图像，从而提高了图像处理的灵活度。此外，由于复合器直接利用卷积神经网络模块的输出第一特征图像进行放大处理，能够保证尽可能多的特征图像参与到放大处理过程中，从而提高放大效果。
参照图13，图13是本发明实施例提供的电子设备的结构图，如图13所示电子设备包括：至少一个处理器1301、存储器1302、至少一个网络接口1304和用户接口1303。电子设备中的各个组件通过总线系统1305耦合在一起。可理解，总线系统1305用于实现这些组件之间的连接通信。总线系统1305除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图13中将各种总线都标为总线系统1305。
其中，用户接口1303可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(track ball)、触感板或者触摸屏等。
可以理解，本发明实施例中的存储器1302可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EP ROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous D RAM，SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleData Rate SD RAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SD RAM，ESDRAM)、同步连接动态随机存取存储器(Synch link D RAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本文描述的系统和方法的存储器1302旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器1302存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统13021和应用程序13022。
其中，操作系统13021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序13022，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序13022中。
在本发明实施例中，通过调用存储器1302存储的程序或指令，具体的，可以是应用程序13022中存储的程序或指令，处理器1301用于：对输入信号进行卷积处理，得到具有第一分辨率的多个第一特征图像；利用所述第一特征图像合成具有大于第一分辨率的第二分辨率的第二特征图像；利用激活函数对所述第二特征图像进行选择。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一个方法实施例中的图像处理方法中的步骤。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (15)

1.一种图像处理系统，其特征在于，所述图像处理系统包括至少一个分辨率转换子系统，所述分辨率转换子系统包括级联的卷积神经网络模块、复合器和激活模块，所述卷积神经网络模块，用于对输入信号进行卷积处理，得到具有第一分辨率的多个第一特征图像；所述复合器，用于利用所述第一特征图像合成具有大于第一分辨率的第二分辨率的第二特征图像；激活模块，与所述复合器连接，用于利用激活函数对所述第二特征图像进行选择。
2.根据权利要求1所述的图像处理系统，其特征在于，还包括：
转换模块，用于将接收RGB格式的输入图像转换为YUV格式，输出Y通道信号、U通道信号和V通道信号；
所述至少一个分辨率转换子系统对所述Y通道信号、U通道信号和/或V通道信号进行分辨率放大处理。
3.根据权利要求2所述的图像处理系统，其特征在于，所述至少一个分辨率转换子系统仅对所述Y通道信号进行分辨率放大处理。
4.根据权利要求2所述的图像处理系统，其特征在于，所述图像处理系统对所述输入图像的分辨率的放大倍数为N倍；
所述Y通道信号通过至少一个分辨率转换子系统进行分辨率放大的放大倍数为N倍；
所述U通道信号通过至少一个分辨率转换子系统进行分辨率放大的放大倍数为N1倍，N1小于N；
所述V通道信号通过至少一个分辨率转换子系统进行分辨率放大的放大倍数为N2倍，N2小于N。
5.根据权利要求1所述的图像处理系统，其特征在于，所述激活模块具体用于在条件满足时，输出所述第二特征图像或施加偏移量后的第二特征图像，否则丢弃所述第二特征图像。
6.如权利要求1-5中任意一项所述的图像处理系统，其特征在于，所述复合器为分辨率放大M倍的复合器，具体用于：将每M个第一特征图像的像素值交叉后合成M个第二特征图像并输出。
7.如权利要求6所述的图像处理系统，其特征在于，所述复合器为自适应插值滤波器。
8.如权利要求7所述的图像处理系统，其特征在于，所述复合器采用如下公式合成第二特征图像：
其中，i的取值范围为(0...H-1)，j的取值范围为(0...W-1)，p的取值范围为(0...MyH-1)，q的取值范围为(0...MxW-1)，H表示第二特征图像的高度，W表示第二特征图像的宽度，c表示第一特征图像的个数，Mx表示第一特征图像相对于第二特征图像在行方向的放大因子，My表示第一特征图像相对于第二特征图像在列方向的放大因子，表示小于(n-1)/My的最大整数，表示第一特征图像，和均表示的第二特征图像，n表示第二特征图像的编号。
9.如权利要求1-5中任意一项所述的图像处理系统，其特征在于，所述复合器为分辨率放大M倍的复合器，所述复合器包括：
级联的多个在行列方向同时进行在行和列方向进行放大处理的子复合器，所述子复合器的放大倍数的乘积等于所述M；
或者
级联的用于在行方向进行放大处理的水平子复合器和用于在列方向进行放大处理的垂直子复合器，所述水平子复合器在行方向的放大倍数与所述垂直子复合器在列方向的放大倍数的乘积等于所述M。
10.如权利要求1-5中任意一项所述的图像处理系统，其特征在于，所述卷积神经网络模块和所述激活模块的训练基于结构相似性SSIM准则的成本函数进行判断。
11.如权利要求10所述的图像处理系统，其特征在于，所述成本函数为：
Cost(INPUT,REFRENCE)
＝1-SSIM(Output(INPUT)+REFRENCE)+λ1DownReg(INPUT)+λ2WBratioReg(W,b)
其中，INPUT为原始图像，SSIM为结构相似性计算函数，DownReg(INPUT)为描述原始图像和训练图像的相似度的函数，λ1为DownReg(INPUT)的权重系数和λ2为WBratioReg(W,b)的权重系数，WBratioReg(W,b)为权重偏移比函数；
其中L1(W)为权重参数的L1范数，L1(b)为偏移参数的L1范数，eps为常数。
12.一种显示装置，其特征在于，包括如权利要求1-11中任一项所述图像处理系统。
13.一种图像处理方法，其特征在于，包括：
对输入信号进行卷积处理，得到具有第一分辨率的多个第一特征图像；
利用所述第一特征图像合成具有大于第一分辨率的第二分辨率的第二特征图像；
利用激活函数对所述第二特征图像进行选择。
14.一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，其特征在于，所述程序被执行时实现权利要求13所述的图像处理方法中的步骤。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求13所述的图像处理方法中的步骤。
CN201710324036.9A 2017-05-08 2017-05-08 一种图像处理系统、方法及显示装置 Active CN107169927B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201710324036.9A CN107169927B (zh) 2017-05-08 2017-05-08 一种图像处理系统、方法及显示装置
PCT/CN2017/117116 WO2018205627A1 (zh) 2017-05-08 2017-12-19 一种图像处理系统、方法及显示装置
US16/073,712 US11216910B2 (en) 2017-05-08 2017-12-19 Image processing system, image processing method and display device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710324036.9A CN107169927B (zh) 2017-05-08 2017-05-08 一种图像处理系统、方法及显示装置

Publications (2)

Publication Number Publication Date
CN107169927A true CN107169927A (zh) 2017-09-15
CN107169927B CN107169927B (zh) 2020-03-24

Family

ID=59812839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710324036.9A Active CN107169927B (zh) 2017-05-08 2017-05-08 一种图像处理系统、方法及显示装置

Country Status (3)

Country Link
US (1) US11216910B2 (zh)
CN (1) CN107169927B (zh)
WO (1) WO2018205627A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018205627A1 (zh) * 2017-05-08 2018-11-15 京东方科技集团股份有限公司 一种图像处理系统、方法及显示装置
CN108876737A (zh) * 2018-06-06 2018-11-23 武汉大学 一种联合残差学习和结构相似度的图像去噪方法
CN110298810A (zh) * 2019-07-24 2019-10-01 深圳市华星光电技术有限公司 图像处理方法及图像处理系统
CN110363709A (zh) * 2019-07-23 2019-10-22 腾讯科技（深圳）有限公司 一种图像处理方法、图像展示方法、模型训练方法及装置
CN110827211A (zh) * 2019-10-10 2020-02-21 杭州智团信息技术有限公司 一种图像细节增强方法
CN111194458A (zh) * 2017-10-11 2020-05-22 高通股份有限公司 用于处理图像的图像信号处理器
US11537873B2 (en) 2017-05-08 2022-12-27 Boe Technology Group Co., Ltd. Processing method and system for convolutional neural network, and storage medium
TWI813338B (zh) * 2022-01-27 2023-08-21 英屬維京群島商爍星有限公司 影像處理系統以及處理影像的方法
US11836951B2 (en) 2017-10-11 2023-12-05 Qualcomm Incorporated Image signal processor for processing images

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7302410B2 (ja) * 2019-09-25 2023-07-04 株式会社Ｊｖｃケンウッド 画像認識装置、画像認識システム、画像認識方法及びプログラム
CN114723608B (zh) * 2022-04-14 2023-04-07 西安电子科技大学 基于流体粒子网络的图像超分辨率重建方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140185953A1 (en) * 2013-01-02 2014-07-03 Chunghwa Picture Tubes, Ltd. Weighted image enhancement method and system
CN105120130A (zh) * 2015-09-17 2015-12-02 京东方科技集团股份有限公司 一种图像升频系统、其训练方法及图像升频方法
CN106204467A (zh) * 2016-06-27 2016-12-07 深圳市未来媒体技术研究院 一种基于级联残差神经网络的图像去噪方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016019324A2 (en) * 2014-08-01 2016-02-04 The Regents Of The University Of California Device and method for iterative phase recovery based on pixel super-resolved on-chip holography
CN204948182U (zh) 2015-09-17 2016-01-06 京东方科技集团股份有限公司 一种图像升频系统及显示装置
CN106600553B (zh) 2016-12-15 2019-12-17 华中科技大学 一种基于卷积神经网络的dem超分辨率方法
US11354577B2 (en) * 2017-03-15 2022-06-07 Samsung Electronics Co., Ltd System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions
US10803378B2 (en) * 2017-03-15 2020-10-13 Samsung Electronics Co., Ltd System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions
US10776904B2 (en) * 2017-05-03 2020-09-15 Samsung Electronics Co., Ltd. Method and apparatus for processing image
CN107169927B (zh) 2017-05-08 2020-03-24 京东方科技集团股份有限公司 一种图像处理系统、方法及显示装置
US10733714B2 (en) * 2017-11-09 2020-08-04 Samsung Electronics Co., Ltd Method and apparatus for video super resolution using convolutional neural network with two-stage motion compensation
US10547823B2 (en) * 2018-09-25 2020-01-28 Intel Corporation View interpolation of multi-camera array images with flow estimation and image super resolution using deep learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140185953A1 (en) * 2013-01-02 2014-07-03 Chunghwa Picture Tubes, Ltd. Weighted image enhancement method and system
CN105120130A (zh) * 2015-09-17 2015-12-02 京东方科技集团股份有限公司 一种图像升频系统、其训练方法及图像升频方法
CN106204467A (zh) * 2016-06-27 2016-12-07 深圳市未来媒体技术研究院 一种基于级联残差神经网络的图像去噪方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11537873B2 (en) 2017-05-08 2022-12-27 Boe Technology Group Co., Ltd. Processing method and system for convolutional neural network, and storage medium
WO2018205627A1 (zh) * 2017-05-08 2018-11-15 京东方科技集团股份有限公司 一种图像处理系统、方法及显示装置
US11216910B2 (en) 2017-05-08 2022-01-04 Boe Technology Group Co., Ltd. Image processing system, image processing method and display device
US11836951B2 (en) 2017-10-11 2023-12-05 Qualcomm Incorporated Image signal processor for processing images
CN111194458B (zh) * 2017-10-11 2023-10-13 高通股份有限公司 用于处理图像的图像信号处理器
CN111194458A (zh) * 2017-10-11 2020-05-22 高通股份有限公司 用于处理图像的图像信号处理器
CN108876737A (zh) * 2018-06-06 2018-11-23 武汉大学 一种联合残差学习和结构相似度的图像去噪方法
CN108876737B (zh) * 2018-06-06 2021-08-03 武汉大学 一种联合残差学习和结构相似度的图像去噪方法
CN110363709A (zh) * 2019-07-23 2019-10-22 腾讯科技（深圳）有限公司 一种图像处理方法、图像展示方法、模型训练方法及装置
CN110298810A (zh) * 2019-07-24 2019-10-01 深圳市华星光电技术有限公司 图像处理方法及图像处理系统
CN110827211A (zh) * 2019-10-10 2020-02-21 杭州智团信息技术有限公司 一种图像细节增强方法
CN110827211B (zh) * 2019-10-10 2023-11-21 杭州智团信息技术有限公司 一种图像细节增强方法
TWI813338B (zh) * 2022-01-27 2023-08-21 英屬維京群島商爍星有限公司 影像處理系統以及處理影像的方法

Also Published As

Publication number Publication date
CN107169927B (zh) 2020-03-24
US20210209730A1 (en) 2021-07-08
WO2018205627A1 (zh) 2018-11-15
US11216910B2 (en) 2022-01-04

Similar Documents

Publication Publication Date Title
CN107169927B (zh) 一种图像处理系统、方法及显示装置
CN105120130B (zh) 一种图像升频系统、其训练方法及图像升频方法
US10311547B2 (en) Image upscaling system, training method thereof, and image upscaling method
CN108022212B (zh) 高分辨率图片生成方法、生成装置及存储介质
CN101933330B (zh) 使用空间和时间处理减少视频序列中的噪声和/或闪烁
US20180315165A1 (en) Apparatus for upscaling an image, method for training the same, and method for upscaling an image
US8189944B1 (en) Fast edge-preserving smoothing of images
JP2007067917A (ja) 画像データ処理装置
CN108154474A (zh) 一种超分辨率图像重构方法、装置、介质及设备
JP2009524861A (ja) デジタル画像の解像度向上方法及び装置
US8422767B2 (en) Method and apparatus for transforming signal data
CN204948182U (zh) 一种图像升频系统及显示装置
CN106780336B (zh) 一种图像缩小方法及装置
CN109817170A (zh) 像素补偿方法、装置和终端设备
CN107220934B (zh) 图像重建方法及装置
KR102669220B1 (ko) 지향성 스케일링 시스템들 및 방법들
WO2011108144A1 (ja) 画像拡大装置、画像拡大プログラム、画像拡大プログラムを記憶した記憶媒体、及び表示装置
US9928577B2 (en) Image correction apparatus and image correction method
JPWO2017203941A1 (ja) 画像処理装置、および画像処理方法、並びにプログラム
CN115564655A (zh) 基于深度学习的视频超分辨率重建方法、系统及介质
RU2661537C2 (ru) Способ и система сверхразрешения с помощью комбинированной разреженной аппроксимации
RU2310911C1 (ru) Способ интерполяции изображений
JP2006238188A (ja) 補間フィルタおよび映像信号処理装置
JP7183015B2 (ja) 画像処理装置、画像処理方法、及びプログラム
CN114612294A (zh) 一种图像超分辨率处理方法和计算机设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant