CN1129301C - 图像转换设备和图像转换方法 - Google Patents

Abstract

一种将包括多个像素数据的第一图像信号转换成包括多个像素数据的第二图像数据的转换设备和方法。特别是，按照本发明的图像转换设备和图像转换方法，因为图像剪切的类抽头或预测抽头是根据表示输入图像数据模糊程度的特征量进行控制的，即使输入图像数据的图像质量差，也能提取最佳像素数据作为类抽头或预测抽头和执行充分的预测处理。

Description

图像转换设备和图像转换方法

技术领域

本发明涉及像素转换设备和方法。特别是它涉及到确定校正模糊图像的像素转换设备和方法。

背景技术

申请人为获得具有较高分辨率的像素数据而提出此项技术，该技术与日本临时出版物No.51599，1996所提出的技术属同一领域。在本申请中，由HD(高清晰度)像素数据组成的图像数据是从由SD(标准清晰度)像素数据组成的图像产生的，在这种情况下，采用位于产生的HD像素数据附近的SD像素数据实行分类(确定类别)。对于每一类预先获得了预测系数值集合。在图像静止部分采用帧间校正，在运动部分采用场间校正，获得了接近真实值的HD像素值。

顺便说一下，例如，采用这种技术能将图像质量很差(模糊图像)的图像数据校正成具有良好图像质量的图像数据。然而，对于图像质量非常差的图像数据，如果采用图像质量很差的图像数据实行分类，无法进行适当的分类确定合适的类别。因而，由于不能得到合适的类，就不能得到合适的预测系数组，最终，会出现不能充分校正图像质量的问题。

发明内容

考虑到上述情况，本发明提出一种图像转换设备和方法，即使输入的图像数据的图像质量很差，也能确定校正图像质量。

本发明提供一种图像转换设备，用于将包括多个像素数据的第一图像信号转换成包括多个像素数据的第二图像信号，包括：类抽头提取电路，用于从所述的第一图像数据提取作为类抽头的多个像素数据以产生类代码；分类电路，用于对所述的类抽头分类，产生代表类的类代码；产生电路，用于产生对应于所述类代码的预测数据；发生电路，用所述的预测数据输出所述的第二图像信号；以及检测电路，用于检测代表所述第一图像信号图像模糊程度的特征量，并用于按照检测结果控制所述类抽头提取电路的类抽头提取操作。

按照本发明的图像转换设备，其中所述的第二图像信号与所述的第一图像信号相比，是图像质量改善了的信号。

按照本发明的图像转换设备，其中所述的第一图像信号和所述的第二图像信号是相同格式的图像信号。

按照本发明的图像转换设备，其中所述产生电路包括存贮器，存贮器存贮以前通过学习，通过使用图像质量良好的学习信号，为每个类产生的预测数据，所述存贮器输出把所述类代码作为地址的预测数据。

按照本发明的图像转换设备，进一步包括：一个预测抽头提取电路，用于从所述的第一图像数据为预测操作提取多个像素数据，作为预测抽头；所述产生电路产生对应于类代码的一组预测系数；以及所述发生电路使用从所述预测抽头提取电路传送的预测抽头和从所述产生电路传送的预测系数组，执行预测操作，从而输出所述第二图像信号。

按照本发明的图像转换设备，其中所述产生电路包括存贮器，存贮器存贮以前通过学习，通过使用图像质量良好的学习信号为每个类产生的一组预测系数，所述存贮器输出把所述类代码作为地址的一组预测系数。

按照本发明的图像转换设备，其中所述检测电路在图像信号的声明范围内移动像素数据，从而计算出对应于相应移动位置的自相关系数，并检测表示所述图像模糊程度的特征量，把自相关系数当作表示图像模糊程度的一种标度。

按照本发明的图像转换设备，其中所述分类电路对所述的类抽头分类，从而产生出包括第一类代码和第二类代码两者的类代码，该第一类代码代表类，该第二类代码代表表示所述图像模糊程度的特征量。

按照本发明的图像转换设备，其中所述检测电路确定符合于参考值的所述自相关系数，并输出符合于确定的自相关系数的像素数据的位移量，作为表示所述图像模糊程度的特征量。

本发明提供一种图像转换方法，用于将包括多个像素数据的第一图像信号转换成包括多个像素数据的第二图像信号，所述方法包括以下步骤：从所述的第一图像数据提取作为类抽头的多个像素数据用于产生类代码；对所述的类抽头分类、产生代表类的类代码；产生与所述类代码对应的预测数据；通过使用所述的预测数据输出所述的第二图像信号；检测表示所述第一图像信号模糊程度的特征量；以及按照检测结果控制的所述第一提取电路的类抽头提取操作。

按照本发明的图像转换方法，其中所述的第二图像信号与所述的第一图像信号相比，是一个图像质量提高了的信号。

按照本发明的图像转换方法，其中所述的第一图像信号和所述的第二图像信号是相同格式的图像信号。

按照本发明的图像转换方法，其中所述预测数据产生步骤输出预测数据，所述预测数据是以前通过学习，通过使用具有良好图像质量的学习信号为每个类产生的，并且被存在存贮器中，把所述的类代码当作地址。

按照本发明的图像转换方法，进一步包括步骤：从所述的第一图像数据提取用于预测操作的多个像素数据作为一个预测抽头，其中所述的预测数据产生步骤产生一组对应于类代码的预测系数；以及所述的第二图像信号输出步骤使用所述的预测抽头和所述的预测系数组执行预测操作，从而输出所述的第二图像信号。

按照本发明的图像转换方法，其中所述预测系数组产生步骤输出预测系数组，所述预测系数组是以前通过学习，通过使用具有良好图像质量的学习信号产生的，并被存在存贮器中，把类代码当作地址。

按照本发明的图像转换方法，其中所述的特征量检测步骤在一图像信号所声明的范围内移动像素数据，从而计算出与相应移动位置一致的自相关系数，并检测表示所述图像模糊程度的特征量，把自相关系数当作表示图像模糊程度的一种标度。

按照本发明的图像转换方法，其中所述类代码产生步骤对所述类抽头分类，从而产生包括代表类的第一类代码和代表表示所述图像模糊程度的特征量的第二类代码的类代码。

按照本发明的图像转换方法，其中所述特征量检测步骤确定符合于参考值的自相关系数，以及输出符合于已确定自相关系数的像素数据的位移量，作为表示所述图像模糊程度的特征量。

因而，按照本发明的图像转换设备和图像转换方法，即使输入的图像数据的图像质量很差，也能提取最优的类抽头并执行优化预测处理，因为类抽头被控制对应于代表输入图像数据模糊量的特征量。

附图说明

图1是一个框图，给出了本发明的图像转换设备配置的一个例子。

图2是在图1中的一个区域剪切部分1的一种剪切处理的一个图解说明。

图3是在图1中的区域剪切部分1的剪切过程的一个图解说明。

图4是在图1的一个特征量提取部分3中的一个特征量提取过程的一个流程图说明。

图5图解说明了图4步骤S1中计算一个自相关(autocorrelation)系数的过程。

图6说明了在图4步骤S1中计算出的自相关系数。

图7图解说明了在图1的特征量提取部分3中的另一种特征量检测过程。

图8给出了在图1的特征量提取部分3中的特征量检测的另一个例子。

图9给出了在图1的特征量提取部分3中的特征量检测的另一个例子。

图10图解说明了在图1的区域剪切部分1中的剪切过程。

图11图解说明了在图1的区域剪切部分1中的剪切过程。

图12是一个框图，给出了用于执行图1中ROM表6的预测系数学习过程的一种配置的一个例子。

具体实施方式

下面解释本发明的一个实施例。图1是一个框图，给出了符合本发明的一种图像转换设备的一种配置的一个例子。在配置的这个例子中，给出了一种用于转换的配置，例如，它将图像质量差(模糊图像)的SD图像数据(或HD图像数据)转换成图像质量改善了的SD图像数据(或HD图像数据)。在此处将对输入图像数据是SD图像数据的情况给出一种解释。

例如，通过输入端，图像质量差(模糊图像)的图像数据被输入到图像转换设备。输入的图像数据提供给区域剪切部分1，区域剪切部分2，和特征量提取部分3。特征量提取部分3检测代表输入SD图像数据模糊量的一个特征量，并把被检测的特征量传送到区域剪切部分1，区域剪切部分2，和类代码产生部分5。区域剪切部分1从输入像素数据中剪切所声明范围的一系列类抽头，并将它传送到ADRC(自适应动态范围编码)模式提取部分4。根据特征量提取部分3输出的特征量，控制在区域剪切部分1中剪切的类抽头。出于空间中波形表示的目的，ADRC模式提取部分4执行划分类别。

类代码产生部分5产生一种类代码，所述类代码对应于从ADRC模式提取部分4输出的类，及对应于从特征量提取部分3输出的特征量，并且类代码产生部分5把类代码传送到ROM表6。对应于每个类(类代码)的所声明预测系数组以前已被存贮在ROM表6中，而且它把相应于类代码的预测系数组传送到预测操作部分7。

区域剪切部分2从输入图像数据中剪切所声明范围的像素数据作为预测抽头集，并把组成预测抽头的像素数据传送到预测操作部分7。根据从特征量提取部分3输出的、表示模糊量的特征量，控制被区域剪切部分2剪切的预测抽头集。在从区域剪切部分2输入的预测抽头集和从ROM表6中输入的预测系数组的基础上，预测操作部分7执行预测操作，并输出操作结果作为图像质量已经改善的图像数据，因此输出的图像数据用图中未指出的显示设备显示，用记录设备记录，或用传输设备传输。

接下来，解释操作。输入图像数据时，区域剪切部分1从输入图像数据中剪切所声明的像素数据作为类抽头。例如，如图2所示，它剪切总共5个像素数据，即一个受注意的像素数据和上、下、左、右方向的邻近像素数据，作为一个类抽头。或者，如图3所示，它提取受注意的像素数据和上、下、左、右方向离受注意像素数据对应于3个像素距离的邻近像素数据，作为一个类抽头。按照表示模糊量的，由特征量提取部分3输出的特征量，决定剪切什么样的像素数据作为类抽头。

接下来参考图4的流程图，将解释特征量提取部分3的特征量提取过程。首先，在步骤S1，特征量提取部分3相对于输入图像数据的每个像素数据，计算每帧的自相关系数。而且，这个自相关系数被用作表示像素数据模糊量的特征量的一种尺度。也就是说，如图5所示，假设一帧的图像数据由720像素×480像素的像素数据组成，构成一个块(称作参考块，根据各种情况而定)，这个块由720像素×480像素的像素数据中的512像素256像素的像素数据组成，并以所声明的受注意的像素为中心。参考块的位置在声明的范围内，以像素为单位向上、下、左、右方向移动，同时计算出对应于各个移动位置的自相关系数。对应于参考块被移动时刻的位置的自相关系数用下式表示，

其中，在以所声明的受注意的像素数据为中心的参考块中每个像素的值被定义为X_ij(i＝0，1，2…，n；j＝0，1，2，…，m)，在参考块中像素值的平均值被定义为 X，在对应于参考块移动到的位置的块中的每个像素值被定义为Y ij(i＝0，1，2…，n；j＝0，1，2，…，m)，在该块中像素值的平均值被定义为 X。

如上所述，这个实施例的参考块是由512像素×256像素的像素数据组成，因此n的值等于511，m的值等于255。用这种方式，在声明的范围内移动参考块，可以得到对应于各个位置的自相关系数。

图6给出用这种方式计算出来的自相关系数的例子。当不移动块(参考块)时，自相关系数为1。而且，在帧F1的情况下，当块(参考块)被右移对应3个像素的幅度时，自相关系数被降低到0.85，此外，偏移量增加得越多，自相关系数降低到的值越小。向左偏移的块(参考块)的情形与此相似。

另一方面，在帧F2的情况下，当块(参考块)被右移或左移对应1个像素的幅度时，自相关系数降低到0.85，当偏移更多时，自相关系数进一步降低。这意味着帧F1的自相关比帧F2的强，也就是说，帧F1的模糊量比帧F2的大。

特征量提取部分3找到在步骤S2自相关系数成为所声明参考值(例如0.85)的像素偏移量，然后输出这个像素偏移量，作为在步骤S3中表示模糊量的一个特征量。即，通过参考块在所声明范围内移动到的各个位置所对应的自相关系数与参考值的比较，找到自相关系数成为参考值的像素偏移量。在图6的例子中，在输入数据是帧F1的像素数据的情形下，这个特征量是3，在输入像素数据是帧F2的像素数据的情形下，这个特征量是1。

当从特征量提取部分3输入特征量1时，如图2所示，区域剪切部分1剪切(提取)位于狭窄空间的像素数据作为类抽头。另一方面，当输入特征量3时，如图3所示，区域剪切部分1剪切(提取)位于更宽广空间的像素数据作为类抽头。

如在图6中所示，具有强自相关系数的像素数据的范围很窄，在图像(帧F2)中，特征量为1。因此，如在图2中所示，位于狭窄范围内的像素数据被选作组成类抽头的像素数据。另一方面，在特征量为3的图像(帧F1)的情形下，具有强自相关系数的范围更宽。因此，如图3所示，从宽的范围中剪切用于构成类抽头的像素数据。用这种方式，根据表示模糊量的特征量，动态地改变作为类抽头而剪切的像素数据，通过这种途径，剪切更充足的类抽头是可能的。

随特征量而动态地改变在区域剪切部分2中作为预测抽头而剪切的像素数据，所述特征量表示模糊量，按在区域剪切部分1中类抽头剪切的相同方式，由特征量提取部分3输出，在区域剪切部分1中并没有被图解说明。在区域剪切部分2中剪切预测抽头的方式可以与在区域剪切部分1中类抽头的剪切方式相同或不同。

ADRC模式提取部分4对于在区域剪切部分1中剪切的类抽头进行ADRC处理，并划分类别(确定类别)。即，把提取出来作为类抽头的5个像素数称为DR，分配的比特数称为n，作为类抽头的每个像素数据的级别称为L，一个重新量化代码称为Q，用它们指定一个动态过程，计算出下式。

Q＝{(L-MIN+0.5)×2n/DR}

DR＝MAX-MIN+1

其中，{}表示四舍五入运算，如此处采用的那样。MAX和MIN分别代表组成类抽头的5个像素数据的最大值和最小值。通过这种方法，假设在区域剪切部分1中剪切的组成类抽头的5个像素数据分别由，例如，8位组成(n＝8)，这些值分别被压缩成2位。因此，代表一个由总共10位表示的空间类的数据被提供到类代码产生部分5。

类代码产生部分5把表示特征量的位数，特征量代表由特征量提取部分3提供的模糊量，加到表示从ADRC模式提取部分4输入的空间类的数据上，产生了类代码。假设表示模糊量的特征量由2位表示，一个12位的类代码被产生并被提供到ROM表6。这个类代码对应于ROM表6的一个地址。

对应于每个类(类代码)的预测系数组被贮存在ROM表6的类代码的对应地址内，在从类代码产生部分5提供的类代码的基础上，贮存在正是那个类代码对应的地址内的预测系数组ω1到ωn被读取并被送到预测操作部分7。

为找到预测结果y，预测操作部分7执行了如下式所示的积-和运算。

Y＝ω1X1+ω2X2+…+ωnXn其中X1到Xn指构成从区域剪切部分2提供的预测抽头的像素数据，而ω1到ωn指预测抽头集。

预测值Y成为图像质量(模糊)被校正的像素数据。

图7给出了在特征量提取部分3中特征量提取过程的另一个例子。在这个例子中的S11步，检测出了所述受注意的像素的邻近处的边界。在S12步，对应于被检测边界的边界代码被作为特征量输出。例如，如图8所示，检测出从右上到左下扭曲边界的情况下，特征量提取部分3输出0，而如图9所示，检测出水平边界的情形下，它输出边界代码1。

当如图8所示的边界代码0被从特征量提取部分3输入时，区域剪切部分1剪切(提取)这些如图10所示的像素数据作为一个类抽头。这个类抽头由检测从右上到左下边界的最佳像素数据组成。另一方面，当如图9所示的边界代码1被输入时，区域剪切部分1剪切(提取)这些如图11所示的像素数据作为类抽头。这个类抽头由检测水平边界的最佳像素数据组成。还是在区域剪切部分2，用类似的方式，根据边界代码执行剪切(提取)组成预测抽头的像素数据的过程。

用这种方法，根据特征量例如自相关作用和输入像素数据的边界，能动态地改变作为类抽头或预测抽头而被剪切的像素数据，因此，获得更充足预测操作结果是可能的。

图12给出了通过学习获取每个类(每个类代码)的预测系数组的一种配置的例子，预测系数组被贮存在ROM表6中。在这个配置例子中显示的是，采用具有良好图像质量，被用作教导信号(学习信号)的SD图像数据(或HD图像数据)，产生每个类(每个类代码)的预测系数组的一种配置。下面解释的一个配置例子是产生每个类的预测系数组的例子，所述的每个类对应于本实施例的图1的图像转换设备。

例如，用作教导信号(学习信号)的具有良好图像质量的图像数据被输入到一个标准方程运算部分27，还被输入到一个低通滤波器(LPF)21。LPF 21削减用作教导信号(学习信号)的输入图像数据的低频成分，产生图像质量被损坏了的图像数据(学习信号)。从LPF 21输出的图像质量被损坏的图像数据被输入到区域剪切部分22，用于剪切(提取)作为类抽头的所述范围内的图像数据，区域剪切部分23用于剪切(提取)作为预测抽头的所述范围内的图像数据，和特征量提取部分24用于提取表示模糊量的特征量。特征量提取部分24提取表示图像质量已被损坏的输入图像数据(学习信号)的像素数据模糊量的特征量，并把提取出的特征量提供给区域剪切部分22，区域剪切部分23，和类代码产生部分26。区域剪切部分22和区域剪切部分23根据表示模糊量的输入特征量，动态地改变作为类抽头和预测抽头而被剪切的像素数据。

ADRC模式提取部分25对用作类抽头从区域剪切部分22输入的像素进行分类(确定类别)，并把分类结果输出到类代码产生部分26。类代码产生部分26从已分类的类和表示模糊量的特征量中产生类代码，并把它输出到标准方程运算部分27。对于区域剪切部分22，区域剪切部分23，特征量提取部分24，ADRC模式提取部分25，以及上面提到的类代码产生部分26，它们的相应配置和操作，与图1所示的区域剪切部分1，区域剪切部分2，特征量提取部分3，ADRC模式提取部分4，以及类代码产生部分6的相应配置和操作是一致的，因此略去了对它们的解释。

标准方程运算部分27在输入教导信号(学习信号)和用作预测抽头、由区域剪切部分23提供的像素数据的基础上，为每个类(每个类代码)产生一个标准方程，然后把标准方程提供给类预测系数确定部分28。当得到了每个类的必要数量的标准方程时，采用例如最小平方法求解这些标准方程，接下来计算出每个类的预测系数组。所求得的每个类的预测系数组由预测系数确定部分28提供到存贮器29，并贮存在存贮器29中。存贮在存贮器29中的每个类的预测系数组被写成图1的ROM表6。

在上述解释中，每个类的预测系数组由图12所示的配置操作，然而，换一种说法，它实际上是由计算机模拟操作的。

在这个实施例中，由图12所示方法计算出来，并存贮在图1的ROM表6中的每个类的预测系数组，以及作为预测抽头被剪切的像素数据，产生出图像质量提高(模糊减轻)的像素数据；然而，我们不想将本发明限制于此。换句话说，由学习操作的每个类(每个类代码)的像素数据预测值本身被存在ROM表6中，并且预测值由类代码读出。若是这样的话，可以省去图1所示的区域剪切部分2和图12所示的区域剪切部分23，而图1所示的预测操作部分7适合于把ROM表6输出的像素数据转换成对应于输出设备的格式，然后再输出。此外，若是这样话，使用强移位(force placement)法，而不是图12所示的标准方程运算部分27和预测系数确定部分28，产生出每个类的预测值，之后再将每个类的预测值存在存贮器29中。此外，并非使用每个类的预测值本身，每个类的相应预测值用参考值进行归一化，每个类归一化的预测值被贮存在ROM表6中。在这种情况下，在图1所示的预测操作部分7中，从在参考值基础上归一化的预测值操作预测值。

此外，在本实施例中，作为类抽头或预测抽头剪切的像素数据的数量，在使用自相关系数的情况下是5，在找到边缘代码的情况下是13；但是，我们不想将本发明仅限于此。作为类抽头或预测抽头剪切的像素数据的数量可以是任何数。作为类抽头或预测抽头剪切的数量变得越多，图像质量提高的程度变得越高，运算次数增加了并且需要大的存贮器，因而额外的运算次数和额外的硬件变大了。因此，需要设置最优值。

此外，在这个实施例中，描述了从SD图像信号到SD图像信号的转换(SD-SD转换)和从HD图像信号到HD图像信号的转换(HD-HD转换)；然而，我们不想将本发明仅限于此。当然，可以将本发明应用到其它格式信号的转换之中(例如逐行信号，或隔行信号)。此外，可以将本发明应用到不同格式信号的转换，如从SD图像信号到HD图像信号的转换(SD-HD转换)和从逐行信号到隔行信号的转换(逐行-隔行转换)。然而，在这种不同格式信号的转换的情况中，在从输入图像数据中剪切图像数据以作为类抽头或预测抽头时，要作为受注意像素产生的像素实际上在所述输入图像数据中并不存在，所以该要作为受注意像素产生的像素不会是从输入图像数据中剪切出来的对象像素数据。

不脱离本发明的精神和范围可进行若干变化或修正。于是，本发明的主体并不限于实施例的各个方面。

如上所述，按照本发明的图像转换设备和图像转换方法，根据表示输入图像数据模糊量的特征量控制类抽头或预测抽头的剪切，因而，即使输入图像数据的图像质量差，也能提取最佳像素数据作为类抽头或预测抽头，执行充分的预测处理。

                       工业应用性

本发明可用于将输入图像信号转换到相同或不同格式的图像信号，而输入图像数据的图像质量差时，提供图像质量校正或提高了的图像信号。

Claims (18)

1.一种图像转换设备，用于将包括多个像素数据的第一图像信号转换成包括多个像素数据的第二图像信号，包括：

类抽头提取电路，用于从所述的第一图像数据提取作为类抽头的多个像素数据以产生类代码；

分类电路，用于对所述的类抽头分类，产生代表类的类代码；

产生电路，用于产生对应于所述类代码的预测数据；

发生电路，用所述的预测数据输出所述的第二图像信号；以及

检测电路，用于检测代表所述第一图像信号图像模糊程度的特征量，并用于按照检测结果控制所述类抽头提取电路的类抽头提取操作。

2.如权利要求1所述的图像转换设备，其中

所述的第二图像信号与所述的第一图像信号相比，是图像质量改善了的信号。

3.如权利要求1所述的图像转换设备，其中

所述的第一图像信号和所述的第二图像信号是相同格式的图像信号。

4.如权利要求1所述的图像转换设备，其中

所述产生电路包括存贮器，存贮器存贮以前通过学习，通过使用图像质量良好的学习信号，为每个类产生的预测数据，所述存贮器输出把所述类代码作为地址的预测数据。

5.如权利要求1所述的图像转换设备，进一步包括：

一个预测抽头提取电路，用于从所述的第一图像数据为预测操作提取多个像素数据，作为预测抽头；

所述产生电路产生对应于类代码的一组预测系数；以及

所述发生电路使用从所述预测抽头提取电路传送的预测抽头和从所述产生电路传送的预测系数组，执行预测操作，从而输出所述第二图像信号。

6.如权利要求5所述的图像转换设备，其中

所述产生电路包括存贮器，存贮器存贮以前通过学习，通过使用图像质量良好的学习信号为每个类产生的一组预测系数，所述存贮器输出把所述类代码作为地址的一组预测系数。

7.如权利要求1所述的图像转换设备，其中

所述检测电路在图像信号的声明范围内移动像素数据，从而计算出对应于相应移动位置的自相关系数，并检测表示所述图像模糊程度的特征量，把自相关系数当作表示图像模糊程度的一种标度。

8.如权利要求1所述的图像转换设备，其中

所述分类电路对所述的类抽头分类，从而产生出包括第一类代码和第二类代码两者的类代码，该第一类代码代表类，该第二类代码代表表示所述图像模糊程度的特征量。

9.如权利要求7所述的图像转换设备，其中

所述检测电路确定符合于参考值的所述自相关系数，并输出符合于确定的自相关系数的像素数据的位移量，作为表示所述图像模糊程度的特征量。

10.一种图像转换方法，用于将包括多个像素数据的第一图像信号转换成包括多个像素数据的第二图像信号，所述方法包括以下步骤：

从所述的第一图像数据提取作为类抽头的多个像素数据用于产生类代码；

对所述的类抽头分类、产生代表类的类代码；

产生与所述类代码对应的预测数据；

通过使用所述的预测数据输出所述的第二图像信号；

检测表示所述第一图像信号模糊程度的特征量；以及

按照检测结果控制的所述第一提取电路的类抽头提取操作。

11.如权利要求10所述的图像转换方法，其中

所述的第二图像信号与所述的第一图像信号相比，是一个图像质量提高了的信号。

12.如权利要求10所述的图像转换方法，其中

所述的第一图像信号和所述的第二图像信号是相同格式的图像信号。

13.如权利要求10所述的图像转换方法，其中

所述预测数据产生步骤输出预测数据，所述预测数据是以前通过学习，通过使用具有良好图像质量的学习信号为每个类产生的，并且被存在存贮器中，把所述的类代码当作地址。

14.如权利要求10所述的图像转换方法，进一步包括步骤：

从所述的第一图像数据提取用于预测操作的多个像素数据作为一个预测抽头，其中

所述的预测数据产生步骤产生一组对应于类代码的预测系数；以及

所述的第二图像信号输出步骤使用所述的预测抽头和所述的预测系数组执行预测操作，从而输出所述的第二图像信号。

15.如权利要求14所述的图像转换方法，其中

所述预测系数组产生步骤输出预测系数组，所述预测系数组是以前通过学习，通过使用具有良好图像质量的学习信号产生的，并被存在存贮器中，把类代码当作地址。

16.如权利要求10所述的图像转换方法，其中

所述的特征量检测步骤在一图像信号所声明的范围内移动像素数据，从而计算出与相应移动位置一致的自相关系数，并检测表示所述图像模糊程度的特征量，把自相关系数当作表示图像模糊程度的一种标度。

17.如权利要求10所述的图像转换方法，其中

所述类代码产生步骤对所述类抽头分类，从而产生包括代表类的第一类代码和代表表示所述图像模糊程度的特征量的第二类代码的类代码。

18.如权利要求16所述的图像转换方法，其中

所述特征量检测步骤确定符合于参考值的自相关系数，以及输出符合于已确定自相关系数的像素数据的位移量，作为表示所述图像模糊程度的特征量。

Images