CN1545809A - 数据转换设备和数据转换方法、学习设备和学习方法、及记录媒体 - Google Patents

数据转换设备和数据转换方法、学习设备和学习方法、及记录媒体 Download PDF

Info

Publication number
CN1545809A
CN1545809A CNA038008076A CN03800807A CN1545809A CN 1545809 A CN1545809 A CN 1545809A CN A038008076 A CNA038008076 A CN A038008076A CN 03800807 A CN03800807 A CN 03800807A CN 1545809 A CN1545809 A CN 1545809A
Authority
CN
China
Prior art keywords
data
class
learning
specific items
prediction tapped
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
CNA038008076A
Other languages
English (en)
Other versions
CN1293757C (zh
Inventor
近藤哲二郎
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.)
Sony Corp
Original Assignee
Sony Corp
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 Sony Corp filed Critical Sony Corp
Publication of CN1545809A publication Critical patent/CN1545809A/zh
Application granted granted Critical
Publication of CN1293757C publication Critical patent/CN1293757C/zh
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/40—Picture signal circuits
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/01—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level
    • H04N7/0125—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level one of the standards being a high definition standard
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/01—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level
    • H04N7/0135—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level involving interpolation processes
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/01—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level
    • H04N7/0135—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level involving interpolation processes
    • H04N7/0145—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level involving interpolation processes the interpolation being class adaptive, i.e. it uses the information of class which is determined for a pixel based upon certain characteristics of the neighbouring pixels

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Television Systems (AREA)
  • Complex Calculations (AREA)
  • Image Processing (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明涉及可以将图像转换成更高质图像的数据转换设备和学习设备。类抽头生成电路(2)和预测抽头生成电路(3)从SD图像中分别生成分类HD图像的指定像素的类抽头和确定指定像素的预测抽头。分类电路(4)根据类抽头分类指定像素。系数RAM(5)从通过利用监督者像素和学习者像素和通过根据从学习者像素中生成的预测抽头的活动性，在把权重应用于监督者像素和学习者像素的同时，学习至少一个类中的每一个的学习监督者像素和学习者像素之间的关系而获得的抽头系数中，为指定像素的类获取抽头系数。预测计算电路(6)利用抽头系数和预测抽头确定指定像素。

Description

数据转换设备和数据转换方法、 学习设备和学习方法、及记录媒体
技术领域
本发明涉及数据转换设备和方法、学习设备和方法、程序和记录媒体。更具体地说，本发明涉及可以将，例如，图像数据转换成更高质图像数据的数据转换设备和方法、学习设备和方法、程序和记录媒体。
背景技术
本申请的申请人曾经提出分类自适应处理，作为提高图像的质量或进行其它类型的图像转换的数据转换处理。
分类自适应处理包括分类处理和自适应处理：根据数据的特性，通过分类处理分类数据，和对每一类的数据都进行自适应处理。对于自适应处理像举例说明如下。
例如，在自适应处理中，利用预定抽头系数来映射，低质或标准质量图像(下文称之为“SD(标准清晰度)图像”)数据，以便将其转换成高质图像(下文有时称之为“HD(高清晰度)图像”)数据。
现在假设将，例如，线性耦合模型用作利用抽头系数的映射方法。在这种情况下，根据如下线性方程(线性耦合)，通过利用抽头系数和作为预测抽头提取的形成SD图像数据(以下有时称之为“SD像素”)的数个像素用于预测HD像素，确定形成HD图像数据(以下有时称之为“HD像素”)的像素y的像素值。
y = Σ n = 1 N w n x n . . . ( 1 )
在方程(1)中，xn表示为HD像素y形成预测抽头的SD图像数据(以下有时称之为“SD像素”)的第n像素的像素值，wn表示要与第n个SD像素的像素值相乘的第n抽头系数。在方程(1)中，假设预测抽头由N个SD像素x1，x2，…，xN组成。
HD像素的像素值y可以通过像二次方程那样的更高次方程，而不是通过如(1)所表达的线性方程来确定。
当第k样本HD像素的像素值的真值用yk表示时，和当通过方程(1)确定的真值yk的预测值用yk′表示时，预测误差ek通过下列方程表达。
ek＝yk-yk′                                      …(2)
由于方程(2)中的预测值yk′通过方程(1)确定，将方程(1)代入方程(2)中的yk′中，从而获得如下方程。
e k = y k - ( Σ n = 1 N w n x n , k ) . . . ( 3 )
在方程(3)中，xn，k表示为第k样本HD像素形成预测抽头的第n个SD像素。
将方程(3)中预测误差ek设成0的抽头系数wn是预测HD像素的最佳值。但是，一般说来，难以为所有HD像素确定这样的抽头系数wn。
因此，作为最佳抽头系数wn的标准，使用，例如，最小二乘法。然后，通过使作为由下列方程表达的统计误差的平方误差之和E达到最小，可以确定最佳抽头系数wn。
E = Σ k = 1 K e k 2 . . . ( 4 )
在方程(4)中，K表示HD像素yk和为HD像素yk形成预测抽头的SD像素x1，k，x2，k，…，xN，k的样本组数。
使方程(4)中的平方误差之和E达到最小的抽头系数wn必须满足条件：通过对求和E求出关于抽头系数wn的偏导数而确定的值变成0，因此，下列方程必须成立。
∂ E ∂ w n = e 1 ∂ e 1 ∂ w n + e 2 ∂ e 2 ∂ w n + · · · + e n ∂ e n ∂ w n = 0 - - - ( n = 1,2 , . . . , N ) . . . ( 5 )
因此，通过求方程(3)关于抽头系数wn的偏导数，可以得出下列方程。
∂ e k ∂ w 1 = - x 1 , k , ∂ e k ∂ w 2 = - x 2 , k , · · · , ∂ e k ∂ w N = - x N , k , ( k = 1,2 , . . . , K ) . . . ( 6 )
根据方程(5)和(6)可以得出下列方程。
Σ k = 1 K e k x 1 , k = 0 , Σ k = 1 K e k x 2 , k = 0 , · · · , Σ k = 1 K e k x N , k = 0 . . . ( 7 )
通过把方程(3)代入方程(7)中的ek中，方程(7)可以通过由方程(8)表达的正规方程来表达。
通过准备一定组数的HD像素yk和SD像素xn，k，可以得出个数与要确定的抽头系数wn的个数相同的方程(8)，和通过求解方程(8)(为了求解方程(8)，方程(8)中左侧与抽头系数wn相邻的矩阵必须是规则的)，可以确定最佳抽头系数wn。在求解方程(8)的过程中，可以应用，例如，清除(sweep-out)法(高斯-约当(Gauss-Jardan)消元法)。
如上所述，通过把许多个HD像素y1，y2，…，yK设置成监督者数据，作为学习抽头系数的监督者，和把为每个HD像素yk形成预测抽头的SD像素x1，k，x2，k，…，xN，k设置成学习者数据，作为学习这些抽头系数的学习者，求解方程(8)，可以进行确定最佳抽头系数wn的学习。通过利用最佳抽头系数wn，利用方程(1)把SD图像数据映射(转换)成HD图像数据。上述处理就是自适应处理。
自适应处理与仅仅内插的处理的不同之处在于，再现不是包含在SD图像中，而是包含在HD图像中的成分。更具体地说，仅从方程(1)来看，自适应处理与利用内插滤波器的所谓“内插处理”相似。但是，通过把HD图像数据用作监督者数据和把SD图像数据用作学习者数据，通过学习确定与用在内插滤波器中的抽头系数相对应的抽头系数wn。因此，可以再现包含在HD图像中的成分。由此，自适应处理可以为创建图像(创建分辨率)的功能服务。
在学习抽头系数wn的过程中，可以改变监督者数据y和学习者数据x的组合，以便获取进行各种转换的抽头系数wn。
如果HD图像数据用作监督者数据y，和如果通过把噪声或模糊加入HD图像数据中确定的SD图像数据用作学习者数据x，可以获得将图像转换成没有噪声或模糊的图像的抽头系数wn。如果HD图像数据用作监督者数据y，和如果通过降低HD图像数据的分辨率确定的SD图像数据用作学习者数据x，可以获得将图像转换成分辨率提高了的图像的抽头系数wn。如果图像数据用作监督者数据y，和如果通过对图像数据进行DCT(离散余弦变换)确定的DCT系数用作学习者数据x，可以获得将DCT系数转换成图像数据的抽头系数wn。
如上所述，在分类自适应处理中，为每一类确定使方程(4)中平方误差之和达到最小的抽头系数wn，和利用抽头系数wn计算方程(1)，从而把SD图像转换成高质HD图像。也就是说，通过利用抽头系数wn和通过SD图像生成的预测抽头xn，计算方程(1)，从而确定形成HD图像的HD像素。
由此，当预测抽头的动态范围小时，与当动态范围大时相比，HD像素更易于受预测抽头xn的值(形成预测抽头的SD像素xn的像素值)的变化的影响。
为了简单起见，如图1A所示，现在假设预测抽头由两个SD像素x1和x2组成，和HD像素的像素值y通过与方程(1)相对应的下列方程确定。
y＝w1x1+w2x2                                              …(9)
由于预测抽头的动态范围是通过从形成预测抽头的最大值中减去最小值确定的，如图1A所示的预测抽头的动态范围D通过下列方程表达。
D＝x2-x1                                         …(10)
在这种情况下，根据方程(10)，方程(9)中的HD像素y可以通过如下方程表达。
y＝(w1+w2)x1+w2D                                 …(11)
如图1B所示，现在假设，在形成如图1A所示的预测抽头的SD像素x1和x2之间，使SD像素x2位移Δx2，并且用x2′表示它。然后，根据下列方程，可以从由SD像素x1和x2′组成的预测抽头确定HD像素y′。
y′＝w1x1+w2x2′                                 …(12)
如图1B所示的预测抽头的动态范围D′通过下列方程表达。
D′＝x2′-x1                                     …(13)
在这种情况下，根据方程(13)，方程(12)中的HD像素y′可以通过下列方程表达。
y′＝(w1+w2)x1+w2D′                             …(14)
由于SD像素x2′相对于SD像素x2位移了Δx2，可以通过下列方程表达它。
x2′＝x2+Δx2                                    …(15)
根据方程(15)，方程(13)中的动态范围D′可以通过下列方程表达。
D′＝x2+Δx2-x1
   ＝D+Δx2                                      …(16)
通过把方程(16)代入方程(14)中，HD像素y′可以通过下列方程确定。
y′＝(w1+w2)x1+w2(D+Δx2)                        …(17)
由此，当如图1A所示形成预测抽头的SD像素x2位移Δx2时，所得的HD像素从方程(11)表达的y改变成方程(17)表达的y′。
等于位移之前通过预测抽头确定的HD像素改变成位移之后通过预测抽头确定的HD像素的改变量的值被称为可以通过，例如，下列方程表达的“位移率R”。
R = | y ′ - y | y · · · ( 18 )
通过把方程(11)和(17)代入方程(18)中，位移率R可以通过如下方程确定。
R = w 2 Δx 2 ( w 1 + w 2 ) x 1 + w 2 D · · · ( 19 )
根据方程(19)，随着预测抽头的动态范围D越来越大，位移率R变成越来越小，相反，随着预测抽头的动态范围D越来越小，位移率R变成越来越大。
这意味着，当预测抽头的动态范围D大时，预测抽头的位移几乎不影响所得的HD像素，相反，当预测抽头的动态范围D小时，预测抽头的位移相当大地影响所得的HD像素。
由此，当预测抽头的动态范围大时，预测抽头的位移对所得HD像素的影响可以通过因大的动态范围引起的所谓“屏蔽效应”(下文有时称之为通过大动态范围屏蔽预测抽头的位移对所得HD像素的影响的“DR屏蔽效应”)来抑制。但是，当预测抽头的动态范围小时，上述DR屏蔽效应不起作用，因此，预测抽头的位移相当大地影响所得的HD像素。
因此，所得HD图像的质量在当预测抽头具有大动态范围时和当预测抽头具有小动态范围时之间变得不同，从而使用户感到不自然。
DR屏蔽效应的程度也改变着作为执行分类自适应处理的结果获得的HD图像的质量。由此，如果DR屏蔽效应的程度可由用户来调整，用户就能够获得具有所需质量的图像。
发明内容
因此，鉴于这种背景，本发明的目的是将，例如，图像数据转换成更高质图像数据，并且还使用户能够调整图像数据的图像质量。
本发明的数据转换设备包括：类抽头生成装置，用于从第一数据中生成用于把第二数据的指定项分类成至少一个类中的一类的类抽头；分类装置，用于根据类抽头，分类第二数据的指定项；预测抽头生成装置，用于从第一数据中生成确定第二数据的指定项的预测抽头；抽头系数获取装置，用于从通过利用与第二数据相对应的第二学习数据和与第一数据相对应的第一学习数据，和通过根据从第一学习数据中生成的预测抽头的活动性，在把权重应用于第二学习数据和第一学习数据的同时，为至少一个类的每一个学习第二学习数据和第一学习数据之间的关系获得的抽头系数中，为第二数据的指定项的类获取抽头系数；和计算装置，用于通过把预测抽头和抽头系数用于第二数据的指定项的类，确定第二数据的指定项。
本发明的数据转换方法包括：类抽头生成步骤，用于从第一数据中生成用于把第二数据的指定项分类成至少一个类的一个类的类抽头；分类步骤，用于根据类抽头，分类第二数据的指定项；预测抽头生成步骤，用于从第一数据中生成确定第二数据的指定项的预测抽头；抽头系数获取步骤，用于从通过利用与第二数据相对应的第二学习数据和与第一数据相对应的第一学习数据，和通过根据从第一学习数据中生成的预测抽头的活动性，在把权重应用于第二学习数据和第一学习数据的同时，为至少一个类的每一个学习第二学习数据和第一学习数据之间的关系获得的抽头系数中，为第二数据的指定项的类获取抽头系数；和计算步骤，用于通过把预测抽头和抽头系数用于第二数据的指定项的类，确定第二数据的指定项。
本发明的第一程序包括：类抽头生成步骤，用于从第一数据中生成用于把第二数据的指定项分类成至少一个类的一个类的类抽头；分类步骤，用于根据类抽头，分类第二数据的指定项；预测抽头生成步骤，用于从第一数据中生成确定第二数据的指定项的预测抽头；抽头系数获取步骤，用于从通过利用与第二数据相对应的第二学习数据和与第一数据相对应的第一学习数据，和通过根据从第一学习数据中生成的预测抽头的活动性，在把权重应用于第二学习数据和第一学习数据的同时，为至少一个类的每一个学习第二学习数据和第一学习数据之间的关系获得的抽头系数中，为第二数据的指定项的类获取抽头系数；和计算步骤，用于通过把预测抽头和抽头系数用于第二数据的指定项的类，确定第二数据的指定项。
本发明的第一记录媒体记录包括如下步骤的程序：类抽头生成步骤，用于从第一数据中生成用于把第二数据的指定项分类成至少一个类的一个类的类抽头；分类步骤，用于根据类抽头，分类第二数据的指定项；预测抽头生成步骤，用于从第一数据中生成确定第二数据的指定项的预测抽头；抽头系数获取步骤，用于从通过利用与第二数据相对应的第二学习数据和与第一数据相对应的第一学习数据，和通过根据从第一学习数据中生成的预测抽头的活动性，在把权重应用于第二学习数据和第一学习数据的同时，为至少一个类的每一个学习第二学习数据和第一学习数据之间的关系获得的抽头系数中，为第二数据的指定项的类获取抽头系数；和计算步骤，用于通过把预测抽头和抽头系数用于第二数据的指定项的类，确定第二数据的指定项。
本发明的第一学习设备包括：类抽头生成装置，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习抽头系数的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；分类装置，用于根据类抽头，分类第二数据的指定项；预测抽头生成装置，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；学习装置，用于通过在把预定权重应用于预测抽头和第二学习数据的指定项的同时，为至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为至少一个类的每一个确定抽头系数；活动性检测装置，用于确定为第二数据的指定项获得的预测抽头的活动性；和权重控制装置，用于根据为第二数据的指定项获得的预测抽头的活动性，控制学习装置中应用于预测抽头和第二数据的指定项的权重。
本发明的第一学习方法包括：类抽头生成步骤，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习抽头系数的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；分类步骤，用于根据类抽头，分类第二数据的指定项；预测抽头生成步骤，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；学习步骤，用于通过在把预定权重应用于预测抽头和第二学习数据的指定项的同时，为至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为至少一个类的每一个确定抽头系数；活动性检测步骤，用于确定为第二数据的指定项获得的预测抽头的活动性；和权重控制步骤，用于根据为第二数据的指定项获得的预测抽头的活动性，控制学习步骤中应用于预测抽头和第二数据的指定项的权重。
本发明的第二程序包括：类抽头生成步骤，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习抽头系数的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；分类步骤，用于根据类抽头，分类第二数据的指定项；预测抽头生成步骤，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；学习步骤，用于通过在把预定权重应用于预测抽头和第二学习数据的指定项的同时，为至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为至少一个类的每一个确定抽头系数；活动性检测步骤，用于确定为第二数据的指定项获得的预测抽头的活动性；和权重控制步骤，用于根据为第二数据的指定项获得的预测抽头的活动性，控制学习步骤中应用于预测抽头和第二数据的指定项的权重。
本发明的第二记录媒体记录包括如下步骤的程序：类抽头生成步骤，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习抽头系数的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；分类步骤，用于根据类抽头，分类第二数据的指定项；预测抽头生成步骤，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；学习步骤，用于通过在把预定权重应用于预测抽头和第二学习数据的指定项的同时，为至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为至少一个类的每一个确定抽头系数；活动性检测步骤，用于确定为第二数据的指定项获得的预测抽头的活动性；和权重控制步骤，用于根据为第二数据的指定项获得的预测抽头的活动性，控制学习步骤中应用于预测抽头和第二数据的指定项的权重。
本发明的第二学习设备包括：类抽头生成装置，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习抽头系数的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；分类装置，用于根据类抽头，分类第二数据的指定项；预测抽头生成装置，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；学习装置，用于通过在把预定权重应用于预测抽头和第二学习数据的指定项的同时，为至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为至少一个类的每一个确定系数源数据；活动性检测装置，用于确定为第二数据的指定项获得的预测抽头的活动性；和权重控制装置，用于根据为第二数据的指定项获得的预测抽头的活动性，控制学习装置中应用于预测抽头和第二数据的指定项的权重。
本发明的第二学习方法包括：类抽头生成步骤，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习抽头系数的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；分类步骤，用于根据类抽头，分类第二数据的指定项；预测抽头生成步骤，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；学习步骤，用于通过在把预定权重应用于预测抽头和第二学习数据的指定项的同时，为至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为至少一个类的每一个确定系数源数据；活动性检测步骤，用于确定为第二数据的指定项获得的预测抽头的活动性；和权重控制步骤，用于根据为第二数据的指定项获得的预测抽头的活动性，控制学习步骤中应用于预测抽头和第二数据的指定项的权重。
本发明的第三程序包括：类抽头生成步骤，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习抽头系数的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；分类步骤，用于根据类抽头，分类第二数据的指定项；预测抽头生成步骤，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；学习步骤，用于通过在把预定权重应用于预测抽头和第二学习数据的指定项的同时，为至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为至少一个类的每一个确定系数源数据；活动性检测步骤，用于确定为第二数据的指定项获得的预测抽头的活动性；和权重控制步骤，用于根据为第二数据的指定项获得的预测抽头的活动性，控制学习步骤中应用于预测抽头和第二数据的指定项的权重。
本发明的第三记录媒体记录包括如下步骤的程序：类抽头生成步骤，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习抽头系数的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；分类步骤，用于根据类抽头，分类第二数据的指定项；预测抽头生成步骤，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；学习步骤，用于通过在把预定权重应用于预测抽头和第二学习数据的指定项的同时，为至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为至少一个类的每一个确定系数源数据；活动性检测步骤，用于确定为第二数据的指定项获得的预测抽头的活动性；和权重控制步骤，用于根据为第二数据的指定项获得的预测抽头的活动性，控制学习步骤中应用于预测抽头和第二数据的指定项的权重。
根据本发明的数据转换设备、数据转换方法、第一程序、和第一记录媒体，从第一数据中生成用于把第二数据的指定项分类成至少一个类的一个类的类抽头、和用于确定第二数据的指定项的预测抽头，和根据类抽头分类第二数据的指定项。并且，从通过利用与第二数据相对应的第二学习数据和与第一数据相对应的第一学习数据，和通过根据从第一学习数据中生成的预测抽头的活动性，在把权重应用于第二学习数据和第一学习数据的同时，为至少一个类的每一个学习第二学习数据和第一学习数据之间的关系获得的抽头系数中，为第二数据的指定项的类获取抽头系数。然后，利用预测系数和预测抽头确定第二数据的指定项。
根据本发明的第一学习设备、第一学习方法、第二程序、和第二记录媒体，从与第一数据相对应的第一学习数据中生成用于把与用于学习抽头系数的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类的类抽头、和用于确定第二数据的指定项的预测抽头。然后，根据类抽头，分类第二数据的指定项。并且，通过在把预定权重应用于第二学习数据的指定项和预测抽头的同时，为至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为至少一个类的每一个确定抽头系数；同时，确定为第二数据的指定项获得的预测抽头的活动性，和根据这个活动性，控制应用于第二数据的指定项和预测抽头的权重。
根据本发明的第二学习设备、第二学习方法、第三程序、和第三记录媒体，从与第一数据相对应的第一学习数据中生成用于把与用于学习抽头系数的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类的类抽头、和用于确定第二数据的指定项的预测抽头。然后，根据类抽头，分类第二数据的指定项。并且，通过在把预定权重应用于第二学习数据的指定项和预测抽头的同时，为至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为至少一个类的每一个确定系数源数据；同时，确定为第二数据的指定项获得的预测抽头的活动性，和根据这个活动性，控制应用于第二数据的指定项和预测抽头的权重。
附图说明
图1A例示了预测值随预测抽头的位移而发生的改变；
图1B例示了预测值随预测抽头的位移而发生的改变；
图2是例示应用本发明的图像处理设备的第一实施例的配置的例子的方块图；
图3是例示图像处理设备进行的处理的流程图；
图4是例示应用本发明的学习设备的第一实施例的配置的例子的方块图；
图5是例示求和电路67的配置的例子的方块图；
图6是例示加权特性的例子的图形；
图7是例示学习设备进行的处理的流程图；
图8是例示应用本发明的图像处理设备的第二实施例的配置的例子的方块图；
图9是例示图像处理设备进行的处理的流程图；
图10是例示应用本发明的学习设备的第二实施例的配置的例子的方块图；
图11是例示学习设备进行的处理的流程图；
图12是例示应用本发明的图像处理设备的第三实施例的配置的例子的方块图；
图13是例示图像处理设备进行的处理的流程图；
图14是例示应用本发明的学习设备的第三实施例的配置的例子的方块图；
图15是例示学习设备进行的处理的流程图；和
图16是例示应用本发明的计算机的一个实施例的配置的例子的方块图。
实施本发明的最佳方式
图2是例示应用本发明的图像处理设备的第一实施例的配置的例子的方块图。
在这个图像处理设备中，输入，例如，模糊的SD图像，并对模糊的SD图像进行分类自适应处理，从而与原始SD图像的模糊度无关地输出充分减小了模糊的HD图像。
更具体地说，图像处理设备包括：帧存储器1、类抽头生成电路2、预测抽头生成电路3、分类电路4、系数RAM(随机访问存储器)5、和预测计算电路6。模糊的SD图像被输入这个图像处理设备中。
帧存储器1以，例如，帧(或半帧)为单位暂时存储输入到图像处理设备中的SD图像。在本实施例中，帧存储器1通过进行存储体切换，能够存储由数个帧组成的SD图像，从而，即使输入到图像处理设备中的SD图像是运动画面，也可以进行实时图像处理。
类抽头生成电路2把要通过分类自适应处理确定的HD像素(从SD像素中完全消除了模糊的理想HD像素)设置成指定像素，并且，从存储在帧存储器1中的SD图像中生成用于分类指定像素的类抽头，从而把生成的类抽头输出到分类电路4。也就是说，类抽头生成电路2从存储在帧存储器1中的SD图像中提取，例如，在空间或时间上位于指定像素附近的数个SD像素，并且把提取的SD像素设置成类抽头，从而把类抽头输出到分类电路4。
预测抽头生成电路3从存储在帧存储器1中的SD图像中生成要用于在预测计算电路6中确定指定像素的预测值的预测抽头，并且把生成的预测抽头提供给预测计算电路6。也就是说，类抽头生成电路2从存储在帧存储器1中的SD图像提取，例如，在空间或时间上位于指定像素附近的数个SD像素，并且把提取的SD像素设置成预测抽头，从而把预测抽头输出到预测计算电路6。
在本实施例中，预测抽头和类抽头(下文有时将其简称为“抽头”)由SD像素本身构成。但是，由于可以从SD图像检测运动矢量，抽头也可以由运动矢量以及SD像素构成。
用作预测抽头的SD像素和用作类抽头的SD像素可以相同，也可以不同。也就是说，可以独立形成(生成)预测抽头和类抽头。
分类电路4根据从类抽头生成电路2输出的类抽头，分类指定像素，并且把与指定像素的类相对应的类代码输出到系数RAM5，作为地址。也就是说，分类电路4对从类抽头生成电路2输出的类抽头进行1-位ADRC(自适应动态范围编码)处理，并且把所得的ADRC代码输出到系数RAM5，作为类代码。
在K-位ADRC处理中，检测形成类抽头的SD像素的最大值MAX和最小值MIN，并把DR＝MAX-MIN设置成局部动态范围。然后，根据这个动态范围DR，把形成类抽头的SD像素重新量化成K个位。也就是说，从形成类抽头的每个SD像素的像素值减去最小值MIN，把所得的值除以DR/2K(用DR/2K量化)。由此，当对类抽头进行1-位ADRC处理时，形成类抽头的每个SD像素的像素值被重新量化成1个位。在这种情况下，以预定次序将形成类抽头的各个SD像素的1-位像素值安排到位流中，并且输出位流，作为ADRC代码。分类处理可以通过另一种技术进行，例如，可以把形成类抽头的SD像素当作矢量分量，并且可以量化该矢量。在分类处理中，可以只使用一个类，在这种情况下，分类电路4与提供哪个类抽头无关地输出固定类代码。
系数RAM5存储通过利用作为HD图像数据、用作学习的监督者的监督者数据、和作为SD图像、用作学习的学习者的学习者数据，和通过根据从学习者数据中生成的预测抽头的活动性，在把权重应用于监督者数据和学习者数据的同时，学习至少一个类的监督者数据和学习者数据之间的关系所获得的抽头系数。在接收到来自分类电路4的类代码时，系数RAM5读取存储在与类代码相对应的地址上的抽头系数，以便获得指定像素的类的抽头系数，和把它提供给预测计算电路6。下面描述用于抽头系数的学习方法的细节。
预测计算电路6通过使用从系数RAM5提供的指定像素的类的抽头系数w1，w2，…和形成来自预测抽头生成电路3的预测抽头的SD像素的像素值x1，x2，…，进行方程(1)所表达的计算，以便确定指定像素y的预测值，从而输出预测值，作为模糊减小了的HD像素的像素值。
下面参照图3的流程图，描述如图2所示的图像处理设备进行的将SD图像转换成HD图像的图像转换处理。
以帧为单位依次将要经过图像转换处理的SD图像(运动画面)提供给帧存储器1，并且将SD图像的帧依次存储在帧存储器1中。
在步骤S1中，类抽头生成电路2选择还没有确定为指定像素的HD像素，然后，进程转到步骤S2。
在步骤S2中，类抽头生成电路2和预测抽头生成电路3从存储在帧存储器1中的SD图像提取在空间或时间上位于指定像素附近的数个SD像素，以便分别生成类抽头和预测抽头，从而把它们分别提供给分类电路4和预测计算电路6。
然后，进程转到步骤S3，在步骤S3中，分类电路4根据从类抽头生成电路2提供的类抽头，分类指定像素，并且向系数RAM5输出代表指定像素的所得类的类代码，作为地址。然后，进程转到步骤S4。在步骤S4中，系数RAM5读取存储在与分类电路4提供的类代码相对应的地址上的抽头系数，以便为指定像素的类获取抽头系数，并且将它提供给预测计算电路6。
随后，在步骤S4中，预测计算电路6利用预测抽头生成电路3提供的预测抽头和系数RAM5提供的抽头系数，进行方程(1)所表达的计算，以便确定作为指定像素的HD像素y的预测值。然后，进程转到步骤S6。
预测计算电路6存储在步骤S5中获得的HD像素，直到确定一个帧的HD像素为止，并且，当确定一个帧的HD像素时，输出由HD像素组成的一个帧的HD图像。
在步骤S6中，类抽头生成电路2确定是否存在还没有被确定为指定像素的HD像素。如果确定存在未指定的HD像素，进程返回到步骤S1，重复与上述处理类似的处理。
如果在步骤S6中确定不存在还没有被确定为指定像素的HD像素，进程即告结束。
图3例示了为要存储在如图2所示的系数RAM5中的每一类确定抽头系数而进行学习的学习设备的一个实施例的配置的例子。
在学习数据库61中，存储着，例如，HD图像数据，作为学习抽头系数的图像数据。
学习对生成电路62从存储在学习数据库61中的学习图像数据生成学习对数据，作为用于学习抽头系数的一组监督者数据和学习者数据，并且把学习对数据提供给学习对数据库63。
也就是说，学习对生成电路62读取存储在学习数据库61中的学习图像数据，并且把作为学习图像数据的HD图像数据直接设置成监督者数据。在如图2所示的图像处理设备中获得的HD图像等效于如图3所示的学习设备中用作监督者数据的HD图像数据的图像质量。
学习对生成电路62还降低作为监督者数据的HD图像数据的图像质量，更具体地说，学习对生成电路62减少，例如，作为监督者数据的HD图像数据的像素个数，然后，利用LPF(低通滤波器)过滤像素个数减少了的HD图像数据，从而生成通过使作为监督者数据的HD图像数据模糊确定的、作为SD图像数据的学习者数据。作为学习者数据的SD图像数据必须与要在如图2所示的图像处理设备中处理的SD图像数据的图像质量一致。
学习对生成电路62生成监督者数据和从如上所述的监督者数据生成的相应学习者数据，并且把一组监督者数据和学习者数据提供给学习对数据库63，作为学习对数据。
学习对数据库63暂时存储学习对生成电路62提供的学习对数据库。
通过使用作为存储在学习对数据库63中的学习对数据的学习者数据的、形成SD图像的SD像素，类抽头生成电路64和预测抽头生成电路65为作为指定像素的监督者数据的HD像素分别生成抽头结构与图2所示的类抽头生成电路2或预测抽头生成电路3中的抽头结构相同的类抽头和预测抽头，并且把类抽头和预测抽头分别提供给分类电路66和求和电路67。
被配置成与图2所示的分类电路4类似的分类电路66根据类抽头生成电路64提供的类抽头，分类指定像素，并且把代表指定像素的类的类代码提供给求和电路67。
求和电路67和抽头系数计算电路68在权重控制电路71的控制下，在把权重应用于作为指定像素的监督者数据和预测抽头生成电路65提供的预测抽头的同时，为分类电路66提供的每个类进行与作为存储在学习对数据库63中的学习对数据的监督者数据和学习者数据之间的关系有关的学习，从而确定每个类的抽头系数。
也就是说，对于从分类电路66输出的每个类代码，求和电路67为预测抽头生成电路65提供的预测抽头和存储在学习对数据库63中的学习对数据的指定HD像素进行方程(8)中的求和。
更具体地说，通过把形成预测抽头的SD像素xn，k用于与分类电路66提供的类代码相对应的每个类，求和电路67进行与方程(8)左边的矩阵中SD像素的相乘(xn，kxn′，k)和求和(∑)相对应的计算。
通过把形成预测抽头的SD像素xn，k和作为监督者数据的指定HD像素yk用于与分类电路66提供的每个类代码相对应的每个类，求和电路67还进行与方程(8)右边的矢量中SD像素xn，k的相乘(xn，kyk)和求和(∑)相对应的计算。
当为预测抽头和指定像素进行方程(8)中的求和时，求和电路67在权重控制电路71的控制下，把权重应用于预测抽头和指定像素。由此，当应用于第k样本指定像素yk和为指定像素yk生成的预测抽头xn，k的权重用hk表示时，求和电路67进行方程(20)中的求和，方程(20)是将方程(8)左边的矩阵中和右边的矢量中的各个分量乘以hk获得的。
Figure A0380080700261
也就是说，对于与分类电路66提供的类代码相对应的每个类，求和电路67在方程(20)左边的矩阵中，利用形成预测抽头的SD像素xn，k进行SD像素的相乘(xn，kxn′，k)计算，和应用权重hk进行加权(xn，kxn′，khk)计算，并且进行求和(∑)计算。
对于与分类电路66提供的类代码相对应的每个类，求和电路67还在方程(20)右边的矢量中，利用SD像素xn，k和监督者数据的指定HD像素yk进行SD像素xn，k和指定像素yk的相乘(xn，kyk)计算，和应用权重hk进行加权(xn，kykhk)计算，并且进行求和(∑)计算。
图5例示了如图4所示的求和电路67的配置的例子。
将新指定像素yk+1的预测抽头xn，k+1从预测抽头生成电路65提供到加法器电路81，和将指示应用于新像素值yk+1和预测抽头xn，k+1的权重hk+1的加权信息从权重控制电路70提供到加法器电路81。存储器83存储为作为以前的指定像素yk的监督者数据获得的方程(20)左边的矩阵中的分量(∑xn，kxn′，khk)。把分类电路66输出的新指定像素yk+1的类代码提供给存储器83。然后，存储器83读取与类代码相对应的方程(20)左边的矩阵中的分量(∑xn，kxn′，khk)，并且把该分量提供给加法器电路81。
加法器电路81利用预测抽头xn，k+1和新指定像素yk+1的权重hk+1，计算方程(20)左边的矩阵中的分量(xn，k+1xn′，k+1hk+1)，并且把计算的分量加入存储器83提供的分量(∑xn，kxn′，khk)中，从而确定新分量∑xn，k+1xn′，k+1hk+1。然后，加法器电路81把新分量∑xn，k+1xn′，k+1hk+1提供给存储器83，和存储器83通过用新分量盖写以前的分量∑xn，kxn′，khk存储它。
将来自预测抽头生成电路65的新指定像素yk+1的预测抽头xn，k+1、和来自权重控制电路70的指示应用于新像素值yk+1和预测抽头xn，k+1的权重hk+1的加权信息也提供给加法器电路82。存储器84存储作为以前的指定像素yk的、为监督者数据获得的方程(20)右边的矢量中的分量∑xn，kykhk。将分类电路66输出的新指定像素yk+1的类代码也提供给存储器84。然后，存储器84读取与类代码相对应的方程(20)右边的矢量中的分量∑xn，kykhk，并且把该分量提供给加法器电路82。
加法器电路82从学习对数据库63中读取新指定像素yk+1，并且利用指定像素yk+1、预测抽头xn，k+1和权重hk+1，计算方程(20)右边的矢量中的分量xn，k+1yk+1hk+1。然后，加法器电路82把计算的分量xn，k+1yk+1hk+1与从存储器84提供的分量∑xn，kykhk相加。然后，加法器电路82把新分量∑xn，k+1yk+1hk+1提供给存储器84，和存储器84通过用新分量盖写以前的分量∑xn，kykhk存储它。
返回到图4，求和电路67对存储在学习对数据库63中的学习对数据的监督者数据的所有项进行如上所述的求和，以便为每个类建立方程(20)所表达的正规方程，然后，把正规方程(存储在如图5所示的存储器83中、方程(20)左边的矩阵中的分量和存储在存储器84中、方程(20)右边的矢量中的分量)提供给抽头系数计算电路68。
当从求和电路67接收到每个类的、方程(20)所表达的正规方程时，抽头系数计算电路68就求解正规方程，以确定每个类的抽头系数，并且输出它。
抽头系数存储器69存储抽头系数计算电路68提供的每个类的抽头系数。
DR(动态范围)检测电路70检测，例如，指示预测抽头生成电路65输出的指定像素的预测抽头的活动性的动态范围，并且把检测的动态范围提供给权重控制电路71。也就是说，DR检测电路70从形成预测抽头的SD像素的最大值减去最小值，并且把所得值提供给权重控制电路71，作为动态范围。
权重控制电路71根据作为预测抽头的活动性的、DR检测电路70提供的动态范围，控制要由求和电路67应用于指定像素和相应预测抽头的权重。
更具体地说，权重控制电路71存储使活动性和权重h彼此相关的预定加权特性。然后，权重控制电路71根据加权特性，确定与DR检测电路70提供的预测抽头的动态范围相对应的权重h，并且把指示利用确定的权重h对指定像素和预测抽头进行加权的指令的加权信息提供给求和电路67。
加权特性的例子显示在图6中。
在图6中，水平轴表示预测抽头的动态范围，和垂直轴代表权重。假设在图6中SD像素含有8个位，因此，动态范围是从0到255的整数。
在图6中，6个加权特性显示在图6A到6F中。图6A到6C所表示的加权特性是阶跃函数形式的权重：当动态范围从0到127时，权重大于1，和当动态范围从128到255时，权重是1。在图6A中的加权特性中，动态范围是0到127时的权重与动态范围是128到255时的权重之间的差值较大。在图6B中的加权特性中，动态范围是0到127时的权重与动态范围是128到255时的权重之间的差值中等。在图6C中的加权特性中，动态范围是0到127时的权重与动态范围是128到255时的权重之间的差值较小。
在如图6D到6F所示的加权特性中，随着动态范围越来越小，权重从1开始越来越大，并且，随着动态范围越来越大，权重变成越来越接近于1。在如图6D所示的加权特性中，随着动态范围越来越大，权重按指数规律变小。在如图6E所示的加权特性中，权重与动态范围成比例地变小。在如图6F所示的加权特性中，当动态范围小时，权重逐渐变化，而当动态范围大时，权重显著变化。
存储在权重控制电路71中的加权特征不局限于如图6所示的那些。
在如图6所示的所有加权特性中，当动态范围越来越小时，权重变得越来越大。其理由如下。
正如上述所讨论的，当预测抽头的动态范围较大时，预测抽头的变化对所得HD像素的影响可以因DR屏蔽效应而受到抑制。另一方面，当预测抽头的动态范围较小时，DR屏幕效应不起作用，预测抽头的变化相当大地影响所得的HD像素。
由此，当预测抽头的动态范围较小时，与当预测抽头的动态范围较大时相比，在方程(1)中确定的HD像素y的预测值的预测精度必然提高。也就是说，当预测抽头的动态范围较小时，应该进行对方程(1)中的预测抽头wn的学习，以便与当预测抽头的动态范围较大时相比，方程(3)所表达的预测误差ek变得更小。这可以通过进行与当预测抽头的动态范围较大时相比，当预测抽头的动态范围较小时应用较大权重的学习来实现。由此，存储在权重控制电路71中的加权特性是这样的，使当动态范围较小时的权重比当动态范围较大时的权重大。
下面参照图7所示的流程图，描述在如图3所示的学习设备中进行的、确定每个类的抽头系数的学习处理。
在步骤S21中，学习对生成电路62从学习数据库61中读取学习图像数据，以便生成监督者数据和学习者数据。此外，在步骤S21中，学习对生成电路62通过形成一组监督者数据和学习者数据，生成学习对数据，并且把学习对数据提供给学习对数据库63和将它存储在其中。
然后，进程转到步骤S22。在步骤S22中，类抽头生成电路64选择形成存储在学习对数据库63中的学习对数据的监督者数据的HD像素之一(还没有被确定为指定像素的那个)，然后，进程转到步骤S23。在步骤S23中，类抽头生成电路64和预测抽头生成电路65从形成存储在学习对数据库63中的学习者数据的SD像素，为指定像素分别生成类抽头和预测抽头，并且把生成的类抽头和预测抽头分别提供给分类电路66和求和电路67。然后，进程转到步骤S24。预测抽头生成电路65还把预测抽头提供给DR检测电路70。
在步骤S24中，与图2所示的分类电路4一样，分类电路66利用类抽头生成电路64提供的类抽头，分类指定像素，并且把指示指定像素的所得类的类代码提供给求和电路67。然后，进程转到步骤S25。
在步骤S25中，DR检测电路70检测预测抽头生成电路65提供的预测抽头的动态范围，并且把检测的动态范围提供给权重控制电路71。然后，进程转到步骤S26。在步骤S26中，权重控制电路71根据DR检测电路70提供的动态范围，确定要应用于指定像素和预测抽头的权重，并且把指示权重的加权信息提供给求和电路67。
然后，进程转到步骤S27。在步骤S27中，求和电路67根据分类电路66提供的类代码所代表的指定像素的每个类，对预测抽头生成电路65提供的预测抽头、存储在学习对数据库63中作为指定像素的监督者数据、和权重控制电路71提供的加权信息所指的权重进行方程(20)中的求和。然后，进程转到步骤S28。
在步骤S28中，类抽头生成电路64确定在存储在学习对数据库63中的监督者数据中是否存在未确定为指定像素的HD像素。如果在步骤S28中确定在存储在学习对数据库63中的监督者数据中存在未指定HD像素，进程返回到步骤S22，重复与上述处理相似的处理。
如果在步骤S28中确定在存储在学习对数据库63中的监督者数据中不存在未被确定为指定像素的HD像素，求和电路67把作为步骤S27中进行求和的结果，为每个类获得的方程(20)所表达的正规方程提供给抽头系数计算电路68。然后，进程转到步骤S29。
在步骤S29中，抽头系数计算电路68求解求和电路67提供的每个类的方程(20)所表达的正规方程，以便确定每个类的抽头系数，并且把它提供给抽头系数存储器60和将它存储在其中。然后，进程即告结束。
在上述对抽头系数的学习处理中，可能存在不能依照准备的学习图像数据为其获取确定抽头系数的所需数目正规方程的类。对于这样的类，可以输出，例如，默认的抽头系数。可选地，如果存在不能为其获取确定抽头系数的所需个正规方程的类，可以准备新的学习图像数据，以便重新进行对抽头系数的学习。同理可应用于如下所述的对系数源数据的学习。
如上所述，使用了监督者数据和学习者数据，并根据从学习者数据中生成的预测抽头的动态范围，在把权重应用于监督者数据和学习者数据的同时，为每个类学习监督者数据和学习者数据之间的关系，从而确定每个类的抽头系数。因此，可以获得在预测抽头的整个动态范围上提高预测精度的的抽头系数。
在如图2所示的图像处理设备中，将这样的抽头系数存储在系数RAM5中，和利用抽头系数将SD图像数据转换成HD图像数据。由此，在当预测抽头存在较大动态范围时和当预测抽头存在较小动态范围时之间，所得的HD图像的图像质量没有差异，从而可以把更高质量的图像数据提供给用户。
在上述的例子中，预测抽头的动态范围用作预测抽头的活动性。但是，作为活动性，可以使用在，例如，日本待审专利申请公布第11-27564、2000-115721、2000-299862、和2000-348019号、和日本专利申请第2000-241803号中公开的元素。
根据在日本待审专利申请公布第11-27564号中公开的方法，计算形成预测抽头的SD像素的自关联，作为活动性。根据在日本待审专利申请公布第2000-115721号中公开的方法，减少形成预测抽头的SD像素的个数，并内插所得的SD像素。然后，计算内插SD像素和原始像素之间的误差的和的绝对值，作为活动性。根据在日本待审专利申请公布第2000-299862号中公开的方法，计算形成预测抽头的SD像素的正交变换系数，例如，DCT系数的方差，作为活动性。根据在日本待审专利申请公布第2000-348019号中公开的方法，计算形成预测抽头的SD像素的标准偏差、方差、差的和的绝对值、或差值之差(二阶微分的和的绝对值，作为活动性。根据在日本专利申请第2000-241803号中公开的方法，计算预测抽头中SD图像的运动量，作为活动性。
在上述例子中，权重控制电路71控制在求和电路67中确定的方程(20)中的权重hk，以便把权重应用于指定像素和预测抽头。可选地，权重控制电路71可以控制方程(8)中对指定像素和预测抽头的求和次数，从而，基本上可以以控制方程(20)中的权重hk相同的方式把权重应用于指定像素和预测抽头。同理可应用于如下所述的、图10中的权重控制电路71A到71C和图14中的权重控制电路114。
如上所述，在图3所示的学习设备中，根据从监督者数据生成的预测抽头的动态范围，在把权重应用于监督者数据和学习者数据的同时，为每个类学习监督者数据和学习者数据之间的关系，从而确定每个类的抽头系数。因此，可以获得在预测抽头的整个动态范围上提高预测精度的抽头系数。通过在如图2所示的图像处理设备中，利用这样的抽头系数将SD图像数据转换成HD图像数据，可以向用户提供作为使上述DR屏蔽效应在预测抽头的动态范围上基本上起相同作用的结果获得的定性高质图像数据(即，尽管未必是具有高S/N(信噪比)的定性高质图像数据，但从美学上使用户感到愉悦的图像数据)。
但是，每个用户有他/她自己喜爱的图像质量，因此，如果用户能够调整DR屏蔽效应的程度，他/她可以有利地获取所需质量的图像。
图8例示了使用户能够调整DR屏蔽效应的程度的图像处理设备的一个实施例的配置的例子。在图8中，与图2所示的部件对应的那些部件用相同的标号表示，因此，省略对它们的说明。也就是说，除了提供新的部件，即，三个抽头系数存储器101A到101C、操作单元102、和选择器103之外，图8中的图像处理设备的配置与如图2所示的图像处理设备的配置相似。
在三个抽头系数存储器101A到101C中，存储着各个类的抽头系数。存储在抽头系数存储器101A到101C中的抽头系数是与图4所示的学习设备中，通过应用三种不同类型的权重，学习监督者数据和学习者数据之间的系数获得的三种不同类型的权重相对应的抽头系数。也就是说，存储在系数存储器101A到A01C中抽头系数是在把三种不同类型的权重存储在图4所示的学习设备的权重控制电路71中的同时，进行学习而获得的。
操作单元102由用户操作，把与该操作相对应的操作信号提供给选择器103。
选择器103根据来自操作单元102的操作信号，选择抽头系数存储器101A到101C之一，并且读取存储在所选抽头系数存储器中的抽头系数。然后，选择器103把读取的抽头系数提供给系数RAM5，和通过用它盖写以前的抽头系数将它存储在其中。
由此，在如图8所示的图像处理设备中，按照用户在操作单元102上进行的操作，利用与加权特性相对应的抽头系数，可以将SD图像数据转换成HD图像数据。
下面参照图9所示的流程图，描述如图8所示的图像处理设备进行的将SD图像转换成HD图像的图像转换处理。
以帧为单位依次将要经过图像转换处理的SD图像(运动画面)提供给帧存储器1。将提供的SD图像的帧依次存储在帧存储器1中。
在步骤S31中，选择器103确定是否已经提供了与用户在操作单元102上进行的操作相对应的操作信号。如果在步骤S31中确定还没有提供操作信号，跳过步骤S32，然后，进程转到步骤S33。
如果在步骤S31中确定已经提供了操作信号，进程转到步骤S32。在步骤S32中，选择器103根据操作单元102提供的操作信号，选择抽头系数存储器101A到101C之一，并且读取存储在所选抽头系数存储器中的抽头系数。然后，选择器103把抽头系数提供给系数RAM5，和通过用它盖写以前的抽头系数将它存储在其中。
进程转到步骤S33，进行与图3中的步骤S1到S6相似的步骤S33到S38。
更具体地说，在步骤S33中，类抽头生成电路2选择还没有确定为指定像素的HD像素，然后，进程转到步骤S34。
在步骤S34中，类抽头生成电路2和预测抽头生成电路3从存储在帧存储器1中的SD图像中提取在空间或时间上位于指定像素附近的数个SD像素，以便分别生成类抽头和预测抽头，从而把它们分别提供给分类电路4和预测计算电路6。
然后，进程转到步骤S35，在步骤S35中，分类电路4根据类抽头生成电路2提供的类抽头，分类指定像素，并且向系数RAM51输出代表指定像素的所得类的类代码，作为地址。然后，进程转到步骤S36。在步骤S36中，系数RAM5读取存储在与分类电路4提供的类代码相对应的地址上的抽头系数，以便为指定像素的类获取抽头系数，并且将它提供给预测计算电路6。
随后，在步骤S37中，预测计算电路6利用预测抽头生成电路3提供的预测抽头和系数RAM5提供的抽头系数，进行方程(1)所表达的计算，以便确定作为指定像素的HD像素y的预测值。然后，进程转到步骤S38。
在步骤S38中，类抽头生成电路2确定是否存在还没有被确定为指定像素的HD像素。如果确定存在未指定的HD像素，进程返回到步骤S31，重复与上述处理类似的处理。
如果在步骤S38中确定不存在还没有被确定为指定像素的HD像素，进程即告结束。
由此，在如图8所示的图像处理设备中，按照用户在操作单元102上进行的操作，利用与预定加权特性相对应的抽头系数，可以将SD图像数据转换成HD图像数据。因此，用户通过操作操作单元102，调整DR屏蔽效应的程度，能够获得所需图像质量的图像。
在图8所示的图像处理设备中，预先存储与三种类型的加权特性相对应的抽头系数，和从这些抽头系数中选择将SD图像数据转换成HD图像数据的一个抽头系数。但是，在该图像处理设备中，也可以存储与二种类型或四种或更多种类型的加权特性相对应的抽头系数。
在上述例子中，在图4所示的学习设备中，把通过在依次将三种类型的加权特性存储在权重控制电路71中的同时重复进行学习获得的、与三种类型的加权特性相对应的抽头系数存储在抽头系数存储器101A到101C中。但是，要存储在抽头系数存储器101A到101C中的与三种类型的加权特性相对应的抽头系数也可以通过同时进行学习确定。
图10例示了通过同时进行学习确定与三种类型的加权特性相对应的抽头系数的学习设备的一个实施例的配置的例子。在图10中，与图4中的部件相对应的那些部件用相同标号表示，因此，省略对它们的说明。在图10中的学习设备中，把新的部件，即，切换控制电路91和切换器92和93加入图4的学习设备中。在图10中的学习设备中，提供了三个权重控制电路71A到71C，代替图4的学习设备中的单个权重控制电路71，并提供了三个抽头系数存储器69A到69C，代表单个抽头系数存储器69。
在抽头系数存储器69A到69C中，存储如下所述的、与三种类型的加权特性相对应的、从抽头系数计算单元68输出的各个类的抽头系数。权重控制电路71A到71C存储不同的加权特性。权重控制电路71A到71C的每一个根据存储的加权特性，确定与通过切换器92从DR检测电路70提供的预测抽头的动态范围相对应的权重，并且通过切换器93把指示权重的加权信息提供给求和电路67。
切换控制电路91监视在预测抽头生成电路65中生成指定像素的预测抽头的定时，并且，根据该定时控制切换器92和93。
在切换控制电路91的控制下，切换器92选择权重控制电路71A到71C之一，并且把DR检测电路70输出的预测抽头的动态范围提供给所选的权重控制电路。此外，在切换控制电路91的控制下，切换器93选择权重控制电路71A到71C之一，并且把所选权重控制电路输出的加权信息提供给求和电路76。
下面参照图11所示的流程图，描述在如图10所示的学习设备中进行的、确定每个类的抽头系数的学习处理。
在步骤S41到S45中，进行分别与图7中步骤S21到S25中的那些处理相似的处理。
更具体地说，在步骤S41中，学习对生成电路62从学习数据库61中读取学习图像数据，以便生成作为一组监督者数据和学习者数据的学习对数据，并且把学习对数据提供给学习对数据库63和将它存储在其中。
然后，进程转到步骤S42。在步骤S42中，类抽头生成电路64选择形成存储在学习对数据库63中的学习对数据的监督者数据的HD像素之一(还没有被确定为指定像素的那个)，然后，进程转到步骤S43。在步骤S43中，类抽头生成电路64和预测抽头生成电路65从形成存储在学习对数据库63中的学习者数据的SD像素中，为指定像素分别生成类抽头和预测抽头。把类抽头从类抽头生成电路64提供到分类电路66，和把预测抽头从预测抽头生成电路65提供到求和电路67和DR检测电路70。
然后，进程转到步骤S44，在步骤S44中，分类电路66利用类抽头生成电路64提供的类抽头，分类指定像素，并且把指示指定像素的所得类的类代码提供给求和电路67。然后，进程转到步骤S45。
在步骤S45中，DR检测电路70检测预测抽头生成电路65提供的预测抽头的动态范围，并且输出检测的动态范围。把DR检测电路70输出的预测抽头的动态范围提供给切换器92。
然后，进程转到步骤S46。在步骤S46中，切换控制电路91与在步骤S43中，在预测抽头生成电路3中生成预测抽头同步地选择存储在权重控制电路71A到71C中的三种类型加权特性之一，所选的加权特性被称为指定加权特性。此外，在步骤S46中，切换控制电路91控制切换器92和93，以便从权重控制电路71A到71C中选择在其中存储指定加权特性的加权控制电路(下文有时称之为“指定权重控制电路”)。然后，进程转到步骤S47。
然后，根据步骤S46的处理，DR检测电路70和指定权重控制电路通过切换器92彼此连接，和指定权重控制电路和求和电路67通过切换器93彼此连接。
在步骤S47中，指定权重控制电路通过切换器92接收从DR检测电路70输出的预测抽头的动态范围，并且根据基于存储在指定权重控制电路中的加权特性的动态范围，确定用于指定像素和预测抽头的权重。在步骤S47中，指定权重控制电路还通过切换器93把指示确定的权重的加权信息提供给求和电路67。
然后，进程转到步骤S48。在步骤S48中，求和电路67根据分类电路66提供的类代码所代表的指定像素的每个类，对预测抽头生成电路65提供的预测抽头、存储在学习对数据库63中作为指定像素的监督者数据、和指定权重控制电路通过切换器93提供的加权信息所代表的权重进行方程(20)中的求和。然后，进程转到步骤S49。
在步骤S48中，求和电路67根据存储在权重控制电路71A到71C的每一个中的加权特性，进行方程(20)中的求和。因此，在如图10所示的实施例中，对于求和电路67中的至少一个类，为三种加权特性的每一种独立建立方程(20)所表达的正规方程。
在步骤S49中，切换控制电路91确定对于指定像素，存储在权重控制电路71A到71C中的所有三种类型的加权特性是否都得到确定。
如果在步骤S49中，对于指定像素，所有三种类型的加权特性还没有得到确定，进程返回到步骤S46，重复与上述处理相似的处理。
在这种情况下，为指定像素选择未指定加权特性之一，然后，重复与上述处理相似的处理。
如果在步骤S49中，对于指定像素，所有三种类型的加权特性全部得到确定，进程转到步骤S50。在步骤S50中，类抽头生成电路64确定在存储在学习对数据库63中的监督者数据中是否存在尚未确定为指定像素的像素。如果在步骤S50中确定在存储在学习对数据库63中的监督者数据中存在未确定像素，进程返回到步骤S42，重复与上述处理相似的处理。
如果在步骤S50中确定在存储在学习对数据库63中的监督者数据中不存在未被确定为指定像素的像素，求和电路67把在步骤S48中进行求和获得的、为每个类和为每种类型的加权特性获得的方程(20)所表达的正规方程提供给抽头系数计算电路68。然后，进程转到步骤S51。
在步骤S51中，抽头系数计算电路68求解求和电路67提供的为每个类和三种类型加权特性的每一种获得的方程(20)所表达的正规方程，以便确定每个类和三种类型加权特性的每一种的抽头系数。然后，抽头系数计算电路68把确定的抽头系数提供给抽头系数存储器69A到69C和将它们存储在其中。然后，进程即告结束。
在如图8所示的图像处理设备中，如上所述，用户通过操作操作单元102，利用三种类型加权特性的所需那一种的抽头系数，能够获得从SD图像数据转换而来的HD图像数据。由此，用户能够从三种类型的HD图像数据中选择他/她喜爱的图像质量。
但是，可能存在着在三种类型的HD图像数据当中不存在用户所需的图像质量的情况。
由此，存在把与更多类型的加权特性相对应的抽头系数存储在如图8所示的图像处理设备中，以便选择将SD图像数据转换成HD图像数据的抽头系数的方法。
但是，如果把与更多类型的加权特性相对应的抽头系数存储在如图8所示的图像处理设备中，需要更大量的存储器来存储这样的抽头系数，从而扩大了设备的规模。
另外，即使与更多类型的加权特性相对应的抽头系数被存储在如图8所示的图像处理设备中，也不可能利用与未存储在如图8所示的图像处理设备中的加权特性相对应的抽头系数获取HD图像数据。
图12例示了生成与所需加权特性相对应的抽头系数，以便利用这样的抽头系数将SD图像数据转换成具有用户所需的质量的HD图像数据的图像处理设备的一个实施例的配置的例子。在图12中，与如图2所示的部件相同的那些部件用相同的标号表示，因此，省略对它们的说明。除了提供新的部件，即，操作单元111、参数存储器112、系数生成电路113和系数源RAM114之外，如图12所示的图像处理设备的配置与如图2所示的图像处理设备的配置相似。
操作单元111由用户操作，输入代表加权特性的参数z，并且把参数z提供给参数存储器112。
参数存储器112通过用操作单元111提供的参数z盖写以前的参数，将它存储在其中。
根据存储在参数存储器112中的参数z，系数生成电路113通过把系数源数据用于存储在系数源RAM114中的相应类，生成与参数z所代表的加权特性相对应的每个类的抽头系数。然后，系数生成电路113把生成的抽头系数提供给系数RAM5和通过用它盖写以前的抽头系数将它存储在其中。
系数源RAM114存储用作生成每个类的抽头系数的源的、每个类的系数源数据，系数源数据由如下所述的、图14所示的学习设备确定。
下面参照图13所示的流程图，描述如图12所示的图像处理设备进行的图像转换处理。
在图像处理设备中，与图2所示的图像处理设备一样，以帧为单位依次将要经过图像转换处理的SD图像(运动画面)提供给帧存储器1。将提供的SD图像的帧依次存储在帧存储器1中。
在步骤S61中，当对操作单元111进行操作时，参数存储器112就确定操作单元111是否提供了新参数z。
如果在步骤S61中确定已经将新参数z从操作单元111提供到参数存储器112，进程转到步骤S62。在步骤S62中，参数存储器112通过用新参数z盖写以前的参数，将它存储在其中。然后，进程转到步骤S63。
如果在步骤S61中确定还没有将新参数z从操作单元111提供到参数存储器112，跳过步骤S62，然后，进程转到步骤S63。
由此，如果用户对操作单元111进行操作，输入新参数z，那么，用新参数z更新参数存储器112的存储内容。
在步骤S63中，系数生成电路113从系数源RAM114中读取每个类的系数源数据，并且还从参数存储器112中读取参数z，以便从系数源数据中确定与参数z所代表的加权特性相对应的每个类的抽头系数。然后，进程转到步骤S64。在步骤S64中，系数生成电路113把每个类的抽头系数提供给系数RAM5，并且通过用它盖写以前的抽头系数将它存储在其中。
然后，进程依次从步骤S65转到S70，进行与图3中步骤S1到S6中的那些处理相同的处理。
更具体地说，在步骤S65中，类抽头生成电路2选择还没有确定为指定像素的一个HD像素，然后，进程转到步骤S66。在步骤S66中，类抽头生成电路2和预测抽头生成电路3为指定像素分别生成类抽头和预测抽头，并且把类抽头和预测抽头分别提供给分类电路4和预测计算电路7。
然后，进程转到步骤S67，在步骤S67中，分类电路4根据类抽头生成电路2提供的类抽头，分类指定像素，并且向系数RAM5提供代表指定像素的所得类的类代码。然后，进程转到步骤S69。在步骤S69中，系数RAM5读取存储在与分类电路4提供的类代码相对应的地址上的抽头系数，以便为指定像素的类获取抽头系数，并且将它提供给预测计算电路6。
如上所述，在系数RAM5中，存储与存储在参数存储器112中的参数z所代表的加权特性相对应和在系数生成电路113中生成的抽头系数。由此，把这样的抽头系数提供给预测计算电路6。
然后，进程转到步骤S69。在步骤S39中，预测计算电路6利用预测抽头生成电路3提供的预测抽头和系数RAM5提供的抽头系数，进行计算方程(1)，以便确定作为指定像素的HD像素y的预测值。然后，进程转到步骤S70。
与图2中的图像处理设备一样，预测计算电路6存储在步骤S69中获得的HD像素，直到确定一个帧的HD像素为止，并且，当确定一个帧的HD像素时，输出由那些HD像素组成的一个帧的HD图像。
在步骤S70中，类抽头生成电路2确定是否存在还没有被确定为指定像素的HD像素。如果确定存在未指定的HD像素，进程返回到步骤S61，重复与上述处理类似的处理。
如果在步骤S70中确定不存在还没有被确定为指定像素的HD像素，进程即告结束。
如上所述，由于代表加权特性的参数z可以通过用户操作操作单元111来输入，用户能够改变加权特性，从而获得所需质量的HD图像。
在图13中，只有当新参数z盖写参数存储器112中的以前的参照时，才可以执行步骤S63和S64，在其它情况下，可以省略它们。
现在描述如图12所示的系数生成电路113生成抽头系数的生成处理和对要存储在系数源RAM114中的系数源数据的学习处理。
在如图12所示的实施例中，在系数生成电路113中，从存储在系数源RAM114中的系数源数据和存储在参数存储器112中的参数z中生成用在计算方程(1)中的抽头系数wn。现在假设系数生成电路113中的抽头系数wn是利用系数源数据和参数，通过，例如，下列方程生成的。
w n = Σ m = 1 M β m , n z m - 1 · · · ( 21 )
在方程(21)中，βm，n表示用于确定第n抽头系数wn的第m系数源数据，和z表示参数。在方程(21)中，利用M项系数源数据βm，1，βm，2，…，βm，M确定抽头系数wn。
确定抽头系数wn的方程不限于方程(21)
现在，引入新的变量tm，通过下列方程定义方程(21)中通过参数z确定的值zm-1。
tm＝zm-1    (m＝1，2，…，M)                            …(22)
通过把方程(22)代入方程(21)中，获得如下方程。
w n = Σ m = 1 M β m , n t m · · · ( 23 )
根据方程(23)，可以通过系数源数据βn，m和变量tm的线性方程确定抽头系数wn。当通过方程(23)确定的抽头系数用wn′表示时，把使方程(4)中的平方误差之和达到最小的抽头系数wn(下文有时称之为“最佳抽头系数”)和通过方程(23)确定的抽头系数wn′之间的、方程(24)所表达的误差en设置为0的系数源数据βn，m是确定最佳抽头系数wn的最佳值。
en＝wn-wn′                                           …(24)
但是，一般说来，非常难以为所有抽头系数wn确定把方程(24)中的误差en设为0的系数源数据βn，m。
作为指示系数源数据βn，m是最佳的标准，可以应用，例如，最小二乘法。然后，根据方程(23)，可以把方程(24)修改成如下方程。
e n = w n - ( Σ m = 1 M β m , n t m ) · · · ( 25 )
然后，根据最小二乘法，通过使下列方程所表达的、方程(25)中误差en的平方误差之和E达到最小，可以确定最佳系数源数据βn，m。
E = Σ n = 1 N e n 2 · · · ( 26 )
通过满足方程(27)所表达的条件的系数源数据βn，m，可以给出方程(26)中平方误差之和E的最小值(相对最小值)，方程(27)所表达的条件是使求和值E关于系数源数据βn，m偏导数确定的值变成0。
∂ E ∂ β m , n = Σ m = 1 M 2 ∂ e n ∂ β m , n · e n = 0 · · · ( 27 )
通过把方程(25)代入方程(27)中，可以获得下列方程。
Σ m = 1 M t m ( w n - ( Σ m = 1 M β m , n t m ) ) = 0 · · · ( 28 )
现在假设Xi，j和Yi分别被定义成方程(29)和(30)所表达的那样。
X i , j = Σ z = 0 z t i t j ( i = 1,2 , . . . , M ; j = 1,2 , . . . , M ) · · · ( 29 )
Y i = Σ z = 0 z t i w n · · · ( 30 )
在这种情况下，方程(28)可以通过利用Xi，j和Yi的方程(31)中的正规方程来表达。
Figure A0380080700415
通过，例如，清除法(高斯-约当消元法)可以从方程(31)中的正规方程中解出系数源数据βn，m。
图14例示了进行通过求解方程(31)中的正规方程确定系数源数据βn，m的学习的学习设备的配置的例子。在图14中，与图4中的部件相对应的那些部件用相同标号表示，因此，省略对它们的说明。除了如下几点之外，如图14所示的学习设备的配置与如图4所示的学习设备相似。提供了求和电路121、抽头系数计算电路122、求和电路123、系数源计算电路124、和系数源数据存储器125，取代求和电路67、抽头系数计算电路68和抽头系数存储器69。用权重控制电路126取代权重控制电路71，和新配置了参数生成电路127。
求和电路121、抽头系数计算电路122、求和电路123、和系数源计算电路124在权重控制电路126的控制下，在把权重应用于监督者数据和预测抽头生成电路65提供的预测抽头的同时，为分类电路66提供的每个类学习形成存储在学习对数据库63中的学习对数据的、作为指定像素的监督者数据和学习者数据之间的关系，从而确定每个类的系数源数据。
更具体地说，把存储在学习对数据库63中的、作为指定像素的监督者数据、从预测抽头生成电路65输出的指定像素的预测抽头、从分类电路66输出的指定像素的类代码、从权重控制电路126输出的加权信息、和从参数生成电路127输出的参数z提供给求和电路121。
与图4中的求和电路67一样，求和电路121对指定像素yk、形成预测抽头的SD像素xn，k、和加权信息所代表的权重hk进行求和，从而确定方程(20)左边矩阵中的每个分量和形成方程(20)右边矢量的每个分量。如图4所示的求和电路67对每个类进行方程(20)中的求和。相反，求和电路121对每个类和对参数z的每个值进行方程(20)中的求和。
也就是说，通过把预测抽头xn，k用于与分类电路66提供的类代码相对应的每个类和用于从参数生成电路127输出的参数z的每个值，求和电路121进行与方程(20)左边的矩阵中数项学习者数据的相乘(xn，kxn′，khk)和求和(∑)相对应的计算。
通过把预测抽头xn，k和监督者数据yk用于与分类电路66提供的类代码相对应的每个类和用于从参数生成电路127输出的参数z的每个值，求和电路121还进行与方程(20)右边的矢量中学习者数据xn，k和监督者数据yk的相乘(xn，kykhk)和求和(∑)相对应的计算。
更具体地说，求和电路121把为作为以前的指定像素的监督者数据确定的方程(20)的左边的矩阵中的分量(∑xn，kxn′，khk)和右边的矢量中的分量(∑xn，kykhk)存储在内置存储器(与形成如图5所示的求和电路67的存储器83和84相对应)中。然后，通过使用作为当前指定像素的监督者数据，求和电路121把利用指定像素yk+1、预测抽头xn，k+1、和权重hk+1，为作为当前指定像素的监督者数据计算的相应分量xn，k+1xn′，k+1hk+1或xn，k+1yk+1hk+1分别加入(方程(20)中的求和所代表的相加)矩阵中的分量(∑xn，kxn′，khk)或矢量中的分量(∑xn，kykhk)中。
然后，求和电路121通过把它们确定成指定像素，对存储在学习对数据库63中的所有监督者数据项进行上述求和，以便为参数z的每个值和每个类建立方程(20)所表达的正规方程，并且把正规方程提供给抽头系数计算电路122。
抽头系数计算电路122求解求和电路121提供的参数z的每个值和每个类的正规方程，以便确定参数z的每个值和每个类的最佳抽头系数wn，并且把最佳抽头系数wn提供给求和电路123。
求和电路123为每个类进行对参数z(相应变量tm)和最佳抽头系数wn的求和。
更具体地说，利用通过方程(22)从参数z中确定的变量ti(tj)，求和电路123为每个类进行与参数z相对应的变量ti(tj)的相乘(titj)和求和(∑)的计算，以便确定方程(31)左边的矩阵中通过方程(29)定义的分量Xi，j。
分量Xi，j只由参数z决定，不受指定像素的类影响。由此，实际上，无需为每个类计算，可以只计算分量Xi，j一次。
利用通过方程(22)从参数z中确定的变量ti和最佳抽头系数wn，求和电路123为每个类进行与参数z相对应的变量ti和最佳抽头系数wn的相乘(tiwn)和求和(∑)的计算，以便确定方程(31)右边的矢量中通过方程(30)定义的分量Yi。
求和电路123为每个类确定方程(29)所表达的分量Xi，j和方程(30)所表达的分量Yi，以便建立方程(31)所表达的正规方程，并且把正规方程提供给系数源计算电路124。
系数源计算电路124求解求和电路123提供的、每个类的、方程(31)所表达的正规方程，以便确定每个类的系数源数据βm，n，并且输出它。
系数源数据存储器125存储从系数源计算电路124输出的每个类的系数源数据βm，n。
与图4所示的权重控制电路74一样，权重控制电路126根据DR检测电路70提供的、用作预测抽头的活动性的动态范围，控制要在上述求和电路121中对指定像素和预测抽头进行的加权。
但是，应该注意到，把从参数生成电路127输出的参数z提供给权重控制电路126。权重控制电路126与从参数生成电路127输出的参数z的各种值相联系地存储数个加权特性。权重控制电路126按照与参数生成电路127输出的参数z相联系的加权特性，确定与DR检测电路70提供的预测抽头的动态范围相对应的权重h。然后，权重控制电路126把指示利用权重h对指定像素和预测抽头进行加权的指令的加权信息提供给求和电路121。
作为存储在权重控制电路126中的数种类型的加权特性，可以使用其中两个值之一或两者随参数z的值而增加或减小的、像图6A、6B、或6C所示那样的双值阶跃函数。作为数种类型的加权特性，可以使用其中应用于两个值的权重发生变化的动态范围的阈值随参数z的值而变化的、像图6A、6B、或6C所示那样的阶跃函数。作为数种类型的加权特性，可以使用像图6A、6B、或6C所示那样、其中权重随动态范围而渐渐地改变、和函数的结构(权重的改变)随参数z的值而改变的函数。
参数生成电路127从如图12所示的操作单元111中生成可以取作要提供给参数存储器112的参数z的一定数量的值，例如，z＝0，1，…，Z，并且将生成的值提供给求和电路121和权重控制电路126。
作为从参数生成电路127输出的参数z，可以应用诸如0，1，…，Z之类的整数。另一方面，在如图12所示的系数生成电路113中，由于像方程(21)所表达的那样，抽头系数是利用系数源数据βm，n和参数z计算的，包括小数点在内的实数可以用作从图12中的操作单元111输出的参数z。
下面参照图15所示的流程图，描述如图14所示的学习设备进行的处理(学习处理)。
在步骤S71中，与图7的步骤S21一样，学习对生成电路62从存储在学习数据库61中的学习图像数据中生成作为一组监督者数据和学习者数据的学习对数据，并且把学习对数据提供给学习对数据库63和将它存储在其中。
然后，进程转到步骤S72。在步骤S72中，类抽头生成电路64选择还没有被确定为指定像素的HD像素，作为存储在学习对数据库63中的学习对数据的监督者数据。然后，进程转到步骤S73。
在步骤S73中，参数生成电路127把参数z设置成初始值，例如，0，并且把参数z提供给求和电路121和权重控制电路126。然后，进程转到步骤S74。
在步骤S74中，权重控制电路126确定要用于控制在求和电路121中进行的加权的加权特性。更具体地说，在步骤S74中，权重控制电路126从存储在权重控制电路126中的数种类型的加权特性中选择与参数生成电路127提供的参数z相联系的加权特性，并且确定要用于控制在求和电路121中进行的加权的被选加权特性。
然后，进程转到步骤S75。在步骤S75中，类抽头生成电路64和预测抽头生成电路65从存储在学习对数据库63中作为学习者数据SD像素中，为指定像素分别生成类抽头和预测抽头。在步骤S75中，类抽头生成电路64还把类抽头提供给分类电路66，和预测抽头生成电路65把预测抽头提供给DR检测电路70和求和电路121。然后，进程转到步骤S76。
在步骤S76中，分类电路66利用类抽头生成电路64提供的类抽头，分类指定像素，并且把指示指定像素的类的类代码提供给求和电路121。然后，进程转到步骤S77。
在步骤S77中，DR检测电路70检测来自预测抽头生成电路65的预测抽头的动态范围，并且把检测的动态范围提供给权重控制电路126。然后，进程转到步骤S78。在步骤S78中，权重控制电路126按照在前面步骤，即步骤S74中确定的加权特性，确定与DR检测电路70提供的动态范围相联系的、用于指定像素和预测抽头的权重。然后，权重控制电路126把指示确定的权重的加权信息提供给求和电路121。
然后，进程转到步骤S79。求和电路121从学习对数据库63中读取作为指定像素的监督者数据的HD像素，并且，利用指定像素yk、预测抽头生成电路65提供的预测抽头xn，k、和权重控制电路126提供的权重hk，为参数生成电路127提供的参数z计算方程(20)左边的矩阵中的分量xn，kxn′，k′hk、和右边的矢量中的分量xn，kyk′hk。求和电路121还对已经为参数生成电路127提供的参数z获得的矩阵分量和矢量分量当中，矩阵中从指定像素和预测抽头确定的分量xn，kxn′，k′hk和矢量中与分类电路66提供的类代码相对应的分量xn，kyk′hk进行求和。然后，进程转到步骤S80
在步骤S80中，参数生成电路127确定从参数生成电路127输出的参数z是否等于可以取作参数z的最大参数Z。如果在步骤S80中确定从参数生成电路127输出的参数z不等于最大参数Z(小于最大参数Z)，进程转到步骤S81。在步骤S81中，参数生成电路127把，例如，1加入参数中，并且把所得值输出到求和电路121和权重控制电路126，作为新参数。然后，进程返回到步骤S74，重复与上述处理相似的处理。
也就是说，在这种情况下，在步骤S74中，权重控制电路126从存储在权重控制电路126中的数种类型的加权特性中选择与参数生成电路127提供的新参数z相联系的加权特性，并且确定要用于控制在求和电路121中进行的加权的所选加权特性。然后，重复与上述处理相似的处理。
如果在步骤S80中确定参数z等于最大参数Z，进程转到步骤S82。在步骤S82中，类抽头生成电路64确定在学习对数据库63中是否还存在没有被确定为指定像素的任何监督者数据项。如果在步骤S82中确定存在存储在学习对数据库63中的未指定监督者数据项，进程返回到步骤S72，重复与上述处理相似的处理。
如果在步骤S82中确定在学习对数据库63中没有未指定监督者数据项，求和电路121把为参数z的每个值和为每个类获得的、方程(20)左边的矩阵和右边的矢量提供给抽头系数计算电路122。然后，进程转到步骤S83。
在步骤S83中，抽头系数计算电路122求解由求和电路121提供的、参数z的每个值和每个类的、方程(20)左边的矩阵和右边的矢量组成的正规方程，从而确定参数z的每个值和每个类的抽头系数wn。抽头系数计算电路122把参数z的每个值和每个类的抽头系数wn提供给求和电路123。然后，进程转到步骤S84。
在步骤S84中，求和电路123对参数z和抽头系数wn计算电路122提供的参数z的每个值和每个类的抽头系数wn进行方程(31)中的求和，以便确定通过方程(29)定义的分量Xi，j和通过方程(30)确定的分量Yi。
更具体地说，在步骤S84中，利用通过方程(22)定义的变量ti(tj)，求和电路123进行与参数z相联系的变量ti(tj)的相乘(titj)和求和(∑)的计算，以便为参数z的每个值确定方程(31)左边矩阵中方程(29)定义的分量Xi，j。此外，在步骤S84中，利用通过方程(22)从参数z的每个值中确定的变量ti和抽头系数计算电路122提供的参数z的相应值的抽头系数wn，求和电路123进行与参数z相联系的变量ti和最佳抽头系数wn的相乘(tiwn)和求和(∑)的计算，以便确定方程(31)右边的矢量中通过方程(30)定义的分量Yi。
求和电路123为每个类确定方程(29)所表达的分量Xi，j和方程(30)所表达的分量Yi，以便为每个类建立方程(31)所表达的正规方程，并且把正规方程提供给系数源计算电路124。然后，进程从步骤S84转到步骤S85。
在步骤S85中，系数源计算电路124求解求和电路123提供的、每个类的、方程(31)所表达的正规方程，以便确定每个类的系数源数据βm，n，并且将它提供给系数源数据存储器125和将它存储在其中。然后，进程即告结束。
如上所述获得的系数源数据被存储在如图12所示的图像处理设备的系数源RAM114中。
现在假设从如图14所示的抽头系数计算电路122输出的参数z的每个值的最佳抽头系数wn存储在如图8所示的图像处理设备中，并且选择和使用与基于在操作单元102上进行的操作的参数z相对应的最佳抽头系数。在这种情况下，在如图8所示的图像处理设备中，需要与可以取作参数z的离散值(在本例中，0，1，…，Z)的个数成比例的大容量存储器。相反，在如图12所示的图像处理设备中，由于在其中存储系数源数据的系数源RAM114的存储容量不依赖于可以取作参数z的值的个数，可以使用小容量存储器。当存储系数源数据βm，n时，根据方程(21)，从系数源数据βm，n和参数z中生成抽头系数wn，从而根据参数z的值获得相继的抽头系数wn。
在如图12所示的图像处理设备中，如上所述，可以获得随参数z的值依次变化的、与加权特性相对应的抽头系数。因此，用户能够获取所需图像。
上述的一系列处理可以利用硬件或软件来执行。如果使用软件，将软件程序安装到，例如，通用计算机中。
图16例示了将执行上述一系列处理的程序安装在其中的计算机的一个
实施例的配置的例子。
可以将程序预先记录在用作合并在计算机中的记录媒体的硬盘205或ROM203中。
可选地，可以将程序暂时或永久存储(记录)在可拆卸记录媒体211，譬如，软盘、CD-ROM(只读光盘存储器)、MO(磁光)盘、DVD(数字多功能盘)、磁盘、或半导体存储器中。可拆卸记录媒体211可以以所谓“软件包”的形式提供。
可以把程序从上述可拆卸记录媒体211安装到计算机中，也可以利用无线装置，从下载网站，通过用于数字卫星广播的人造卫星传输到计算机，或利用无线装置，通过诸如LAN(局域网)或因特网之类的网络传送到计算机。然后，计算机能够利用通信单元208接收如上所述传送的程序和将程序安装到内置硬盘205中。
计算机含有内置CPU(中央处理单元)202。输入/输出接口210通过总线201与CPU202相连接。当通过输入/输出接口210输入用户操作由键盘、鼠标、或麦克风组成的输入单元207发出的指令时，CPU202执行存储在ROM(只读存储器)203中的程序。CPU202还把如下类型的程序装载到RAM(随机访问存储器)204中，并且执行它们：存储在硬盘205中的程序、从卫星或网络传送、由通信单元208接收、并安装到硬盘205中的程序、以及从装入驱动器209中的可拆卸记录媒体211中读取和装入硬盘205中的程序。由此，CPU202执行上述流程图所指示的处理或通过上述方块图的功能完成的处理。然后，CPU202在需要的时候，通过输入/输出接口210，从由LCD(液晶显示器)或扬声器组成的输出单元206输出处理结果，或从通信单元208发送处理结果，或将它们存储在硬盘205中。
形成使计算机执行各种处理的程序的步骤未必像说明书的流程图所述的那样，按时间顺序执行。可选地，也可以同时或单独执行这些步骤(例如，包括同时处理或对象处理)。
程序可以由单台计算机执行，或者，数台计算机可以用于对程序进行分布式处理。可选地，可以把程序传送到远程计算机上加以执行。
在本实施例中，本发明是在将SD图像数据转换成HD图像数据的背景的下加以描述的。但是，本发明可应用于将另一种类型的数据，例如，音频数据转换成更高质音频数据的情况。
在本发明中，可以将SD图像数据转换成像素个数更多的HD图像数据、空间分辨率提高了的HD图像数据、时间分辨率提高了的HD图像数据(更多数目的帧或半帧)、或水平方向分辨率提高了的HD图像数据(分更多配给像素值的位数)。可选地，本发明可用于放大图像。
在本实施例中，转换图像的图像处理设备和学习用在图像处理设备中的每个类的抽头系数或系数源数据的学习设备可以分开形成。但是，也可以把图像处理设备和学习设备整合在一起。在这种情况下，学习设备可以实时地进行学习，并且可以实时更新用在图像处理设备中的抽头系数。
尽管在本实施例中，把每个类的抽头系数预存在系数RAM5中，但是，也可以将抽头系数与，例如，SD图像一起提供给图像处理设备。
尽管在本实施例中，参数z由用户输入，但是，也可以将它与，例如，SD图像一起提供给图像处理设备。
在本实施例中，HD像素通过方程(1)所表达的线性方程确定。但是，HD图像也可以通过二次表达式或更高次的表达式确定。
如图2、8、或12所示的图像处理设备可应用于，例如，接收电视广播信号和显示图像的电视接收器、从DVD中回放图像数据和输出它的DVD回放设备或从录像带中回放图像数据和输出它的VTR(磁带录像机)、或处理另一种类型的图像的处理。
本申请的申请人在日本待审专利申请公布第8-79712号中提出了利用形成要转换的图像的数个像素的动态范围进行分类，然后，通过自适应处理将图像转换成更高质图像的方法。在日本待审专利申请公布第8-79712号中公开的方法与本申请的发明的相似之处在于，在考虑动态范围的同时，利用每个类的抽头系数，即，利用适合于动态范围的抽头系数转换图像，以便获得更高质的图像。
但是，在日本待审专利申请公布第8-79712号中公开的方法中，只考虑到动态范围进行分类。因此，上面公布的方法与本申请的发明的完全不同之处在于，根据预测抽头的动态范围，在把权重应用于指定像素和预测抽头的同时，学习抽头系数，然后，利用学习的抽头系数转换图像。
本申请的申请人还在日本待审专利申请公布第2001-8056号中提出了如下方法。在发送器中，在把大权重应用于预测误差小的指定像素和预测抽头的同时，通过把HD图像和SD图像分别设为监督者数据和学习者数据，进行学习，以便确定抽头系数。将抽头系数和SD图像发送到接收器，接收器利用与SD图像一起发送的抽头系数将SD图像转换成HD图像。本申请人以前提出的、在日本待审专利申请公布第2001-8056号中公开的方法与本申请的发明的相似之处在于，利用抽头系数将用于学习抽头系数的SD图像转换成HD图像，以便获得超高质量HD图像。在日本待审专利申请公布第2001-8056号中公开的方法还与本申请的发明的相似之处在于，在把权重应用于指定像素和预测抽头和同时，学习抽头系数。
但是，根据在日本待审专利申请公布第2001-8056号中公开的方法，由于按照预测误差进行加权，首先必须利用通过学习确定的抽头系数将用于学习的SD图像转换成HD图像，然后，必须确定所得HD图像和用于学习的HD图像之间的预测误差。因此，需要花费相对长的时间来进行确定抽头系数的学习。另一方面，在本申请的发明中，无需确定预测误差，根据活动性，例如，预测抽头的动态范围来应用权重，从而实现了抽头系数的快速学习。
根据在日本待审专利申请公布第2001-8056号中公开的方法，在把大权重应用于预测误差小的指定像素和预测抽头的同时，进行抽头系数的学习，因此，所得的HD图像存在非常小的预测误差。
但是，根据在日本待审专利申请公布第2001-8056号中公开的方法，由于根据预测误差来应用权重，因此，根据预测误差的值，按组进行抽头系数的学习。因此，基本上，要利用抽头系数转换的SD图像限于使预测误差可以得到确定的SD图像，即，用于学习抽头系数的SD图像。也就是说，通过日本待审专利申请公布第2001-8056号的方法确定的抽头系数不适合转换除了用于学习抽头系数的SD图像之外的其它SD图像(如果转换除了用于学习抽头系数的SD图像之外的其它SD图像，难以获得高质HD图像)。相反，在本申请的发明中，可以将除了用于学习抽头系数的SD图像之外的其它SD图像转换成高质HD图像。
工业可应用性
如上所述，根据本发明，可以将数据转换成更高质数据。

Claims (33)

1.一种将第一数据转换成第二数据的数据转换设备，包括：
类抽头生成装置，用于从第一数据中生成用于把第二数据的指定项分类成至少一个类中的一类的类抽头；
分类装置，用于根据类抽头，分类第二数据的指定项；
预测抽头生成装置，用于从第一数据中生成确定第二数据的指定项的预测抽头；
抽头系数获取装置，用于从通过利用与第二数据相对应的第二学习数据和与第一数据相对应的第一学习数据，和通过根据从第一学习数据中生成的预测抽头的活动性，在把权重应用于第二学习数据和第一学习数据的同时，为所述至少一个类的每一个学习第二学习数据和第一学习数据之间的关系获得的抽头系数中，为第二数据的指定项的类获取抽头系数；和
计算装置，用于通过把预测抽头和抽头系数用于第二数据的指定项的类，确定第二数据的指定项。
2.根据权利要求1所述的数据转换设备，其中，所述计算装置通过线性耦合第二数据的指定项的类的预测抽头和抽头系数，确定第二数据的指定项。
3.根据权利要求1所述的数据转换设备，其中，第二数据是质量比第一数据高的数据。
4.根据权利要求1所述的数据转换设备，还包括抽头系数存储装置，用于存储所述至少一个类的每一个的抽头系数。
5.根据权利要求1所述的数据转换设备，还包括抽头系数选择装置，用于从在把数个加权特性应用于第二学习数据和第一学习数据的同时，学习第二学习数据和第一学习数据之间的关系获得的、与数个加权特性相对应的抽头系数中，选择与预定加权特性相对应的抽头系数，
其中，所述抽头系数获取装置从与所述抽头系数选择装置选择的预定加权特性相对应的抽头系数中，获取第二数据的指定项的类的抽头系数。
6.根据权利要求5所述的数据转换设备，还包括供用户操作的操作装置，其中，所述抽头系数选择装置按照在所述操作装置上进行的操作，选择与加权特性相对应的抽头系数。
7.根据权利要求1所述的数据转换设备，还包括抽头系数生成装置，用于从用作抽头系数的源的系数源数据中生成抽头系数。
8.根据权利要求7所述的数据转换设备，还包括系数源存储装置，用于存储用作抽头系数的源的系数源数据。
9.根据权利要求7所述的数据转换设备，其中，通过利用系数源数据和代表加权特性的参数，所述抽头系数生成装置生成与参数所代表的加权特性相对应的抽头系数。
10.根据权利要求9所述的数据转换设备，还包括用于输入参数的输入装置。
11.根据权利要求1所述的数据转换设备，其中，第一和第二数据分别是第一和第二图像数据。
12.根据权利要求1所述的数据转换设备，其中，活动性是预测抽头的动态范围的幅度。
13.一种将第一数据转换成第二数据的数据转换方法，包括：
类抽头生成步骤，用于从第一数据中生成用于把第二数据的指定项分类成至少一个类的一个类的类抽头；
分类步骤，用于根据类抽头，分类第二数据的指定项；
预测抽头生成步骤，用于从第一数据中生成确定第二数据的指定项的预测抽头；
抽头系数获取步骤，用于从通过利用与第二数据相对应的第二学习数据和与第一数据相对应的第一学习数据，和通过根据从第一学习数据中生成的预测抽头的活动性，在把权重应用于第二学习数据和第一学习数据的同时，为所述至少一个类的每一个学习第二学习数据和第一学习数据之间的关系获得的抽头系数中，为第二数据的指定项的类获取抽头系数；和
计算步骤，用于通过把预测抽头和抽头系数用于第二数据的指定项的类，确定第二数据的指定项。
14.一种使计算机执行将第一数据转换成第二数据的数据转换处理的程序，所述程序包括：
类抽头生成步骤，用于从第一数据中生成用于把第二数据的指定项分类成至少一个类的一个类的类抽头；
分类步骤，用于根据类抽头，分类第二数据的指定项；
预测抽头生成步骤，用于从第一数据中生成确定第二数据的指定项的预测抽头；
抽头系数获取步骤，用于从通过利用与第二数据相对应的第二学习数据和与第一数据相对应的第一学习数据，和通过根据从第一学习数据中生成的预测抽头的活动性，在把权重应用于第二学习数据和第一学习数据的同时，为所述至少一个类的每一个学习第二学习数据和第一学习数据之间的关系获得的抽头系数中，为第二数据的指定项的类获取抽头系数；和
计算步骤，用于通过把预测抽头和抽头系数用于第二数据的指定项的类，确定第二数据的指定项。
15.一种记录使计算机执行将第一数据转换成第二数据的数据转换处理的程序的记录媒体，所述程序包括：
类抽头生成步骤，用于从第一数据中生成用于把第二数据的指定项分类成至少一个类的一个类的类抽头；
分类步骤，用于根据类抽头，分类第二数据的指定项；
预测抽头生成步骤，用于从第一数据中生成确定第二数据的指定项的预测抽头；
抽头系数获取步骤，用于从通过利用与第二数据相对应的第二学习数据和与第一数据相对应的第一学习数据，和通过根据从第一学习数据中生成的预测抽头的活动性，在把权重应用于第二学习数据和第一学习数据的同时，为所述至少一个类的每一个学习第二学习数据和第一学习数据之间的关系获得的抽头系数中，为第二数据的指定项的类获取抽头系数；和
计算步骤，用于通过把预测抽头和抽头系数用于第二数据的指定项的类，确定第二数据的指定项。
16.一种用于学习用于将第一数据转换成第二数据的的抽头系数的学习设备，包括：
类抽头生成装置，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习抽头系数的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；
分类装置，用于根据类抽头，分类第二数据的指定项；
预测抽头生成装置，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；
学习装置，用于通过在把预定权重应用于预测抽头和第二数据的指定项的同时，为所述至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为所述至少一个类的每一个确定抽头系数；
活动性检测装置，用于确定为第二数据的指定项获得的预测抽头的活动性；和
权重控制装置，用于根据为第二数据的指定项获得的预测抽头的活动性，控制在所述学习装置中应用于预测抽头和第二数据的指定项的权重。
17.根据权利要求16所述的学习设备，其中，所述学习装置学习通过线性耦合第二数据的指定项的类的预测抽头和抽头系数，确定第二数据的指定项的抽头系数。
18.根据权利要求16所述的学习设备，其中，第二数据是质量比第一数据高的数据。
19.根据权利要求16所述的学习设备，其中：
所述权重控制装置根据预测抽头的活动性，控制按照数个加权特性的每一个应用于预测抽头和第二数据的指定项的权重；和
所述学习装置通过在将数个加权特性的每一个应用于预测抽头和第二数据的指定项的同时，为所述至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，按照数个加权特性的每一个确定所述至少一个类的每一个的抽头系数。
20.根据权利要求16所述的学习设备，其中，第一和第二数据分别是图像数据。
21.根据权利要求16所述的学习设备，其中，活动性是预测抽头的动态范围的幅度。
22.一种用于学习用于将第一数据转换成第二数据的抽头系数的学习方法，包括：
类抽头生成步骤，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习抽头系数的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；
分类步骤，用于根据类抽头，分类第二数据的指定项；
预测抽头生成步骤，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；
学习步骤，用于通过在把预定权重应用于预测抽头和第二数据的指定项的同时，为所述至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为至少一个类的每一个确定抽头系数；
活动性检测步骤，用于确定为第二数据的指定项获得的预测抽头的活动性；和
权重控制步骤，用于根据为第二数据的指定项获得的预测抽头的活动性，控制在所述学习步骤中应用于预测抽头和第二数据的指定项的权重。
23.一种使计算机执行学习用于将第一数据转换成第二数据的抽头系数的学习处理的程序，包括：
类抽头生成步骤，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习抽头系数的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；
分类步骤，用于根据类抽头，分类第二数据的指定项；
预测抽头生成步骤，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；
学习步骤，用于通过在把预定权重应用于预测抽头和第二数据的指定项的同时，为所述至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为至少一个类的每一个确定抽头系数；
活动性检测步骤，用于确定为第二数据的指定项获得的预测抽头的活动性；和
权重控制步骤，用于根据为第二数据的指定项获得的预测抽头的活动性，控制在所述学习步骤中应用于预测抽头和第二数据的指定项的权重。
24.一种记录使计算机执行学习用于将第一数据转换成第二数据的抽头系数的学习处理的程序的记录媒体，所述程序包括：
类抽头生成步骤，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习抽头系数的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；
分类步骤，用于根据类抽头，分类第二数据的指定项；
预测抽头生成步骤，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；
学习步骤，用于通过在把预定权重应用于预测抽头和第二数据的指定项的同时，为所述至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为至少一个类的每一个确定抽头系数；
活动性检测步骤，用于确定为第二数据的指定项获得的预测抽头的活动性；和
权重控制步骤，用于根据为第二数据的指定项获得的预测抽头的活动性，控制在所述学习步骤中应用于预测抽头和第二数据的指定项的权重。
25.一种学习系数源数据的学习设备，所述系数源数据用作用于将第一数据转换成第二数据的抽头系数的源，所述学习设备包括：
类抽头生成装置，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习系数源数据的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；
分类装置，用于根据类抽头，分类第二数据的指定项；
预测抽头生成装置，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；
学习装置，用于通过在把预定权重应用于预测抽头和第二学习数据的指定项的同时，为所述至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为所述至少一个类的每一个确定系数源数据；
活动性检测装置，用于确定为第二数据的指定项获得的预测抽头的活动性；和
权重控制装置，用于根据为第二数据的指定项获得的预测抽头的活动性，控制所述学习装置中应用于预测抽头和第二数据的指定项的权重。
26.根据权利要求25所述的学习设备，其中，所述学习装置学习系数源数据，所述系数源数据用作通过线性耦合第二数据的指定项的类的预测抽头和抽头系数，确定第二数据的指定项的抽头系数的类。
27.根据权利要求25所述的学习设备，其中，第二数据是质量比第一数据高的数据。
28.根据权利要求25所述的学习设备，还包括参数生成装置，用于生成代表加权特性的参数，其中：
所述权重控制装置根据预测抽头的活动性，按照参数数据所代表的加权特性控制应用于预测抽头和第二数据的指定项的权重；和
所述学习装置包括：第一学习装置，用于通过在将数个参数所代表的加权特性应用于预测抽头和第二数据的指定项的同时，为所述至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，与数个所述参数所代表的加权特性的每一个相对应，确定所述至少一个类的每一个的抽头系数；和第二学习装置，用于通过按照数个参数所代表的加权特性的每一个，学习所述至少一个类的每一个的抽头系数和数个参数之间的关系，确定所述至少一个类的每一个的系数源数据。
29.根据权利要求25所述的学习设备，其中，第一和第二数据是图像数据。
30.根据权利要求25所述的学习设备，其中，活动性是预测抽头的动态范围的幅度。
31.一种学习系数源数据的学习方法，所述系数源数据用作用于将第一数据转换成第二数据的抽头系数的源，所述学习方法包括：
类抽头生成步骤，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习系数源数据的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；
分类步骤，用于根据类抽头，分类第二数据的指定项；
预测抽头生成步骤，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；
学习步骤，用于通过在把预定权重应用于预测抽头和第二学习数据的指定项的同时，为所述至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为所述至少一个类的每一个确定系数源数据；
活动性检测步骤，用于确定为第二数据的指定项获得的预测抽头的活动性；和
权重控制步骤，用于根据为第二数据的指定项获得的预测抽头的活动性，控制所述学习步骤中应用于预测抽头和第二数据的指定项的权重。
32.一种使计算机执行学习系数源数据的学习处理的程序，所述系数源数据用作用于将第一数据转换成第二数据的抽头系数的源，所述程序包括：
类抽头生成步骤，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习系数源数据的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；
分类步骤，用于根据类抽头，分类第二数据的指定项；
预测抽头生成步骤，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；
学习步骤，用于通过在把预定权重应用于预测抽头和第二学习数据的指定项的同时，为所述至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为所述至少一个类的每一个确定系数源数据；
活动性检测步骤，用于确定为第二数据的指定项获得的预测抽头的活动性；和
权重控制步骤，用于根据为第二数据的指定项获得的预测抽头的活动性，控制所述学习步骤中应用于预测抽头和第二数据的指定项的权重。
33.一种记录使计算机执行学习系数源数据的学习处理的程序的记录媒体，所述系数源数据用作用于将第一数据转换成第二数据的抽头系数的源，所述程序包括：
类抽头生成步骤，用于从与第一数据相对应的第一学习数据中生成类抽头，类抽头用于把与用于学习系数源数据的第二数据相对应的第二学习数据的指定项分类成至少一个类的一个类；
分类步骤，用于根据类抽头，分类第二数据的指定项；
预测抽头生成步骤，用于从第一学习数据中生成用于确定第二数据的指定项的预测抽头；
学习步骤，用于通过在把预定权重应用于预测抽头和第二学习数据的指定项的同时，为所述至少一个类的每一个学习第二学习数据和第一学习数据之间的关系，为所述至少一个类的每一个确定系数源数据；
活动性检测步骤，用于确定为第二数据的指定项获得的预测抽头的活动性；和
权重控制步骤，用于根据为第二数据的指定项获得的预测抽头的活动性，控制所述学习步骤中应用于预测抽头和第二数据的指定项的权重。
CNB038008076A 2002-04-26 2003-04-22 数据转换设备和数据转换方法、学习设备和学习方法 Expired - Fee Related CN1293757C (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2002125627A JP4066146B2 (ja) 2002-04-26 2002-04-26 データ変換装置およびデータ変換方法、学習装置および学習方法、並びにプログラムおよび記録媒体
JP125627/2002 2002-04-26

Publications (2)

Publication Number Publication Date
CN1545809A true CN1545809A (zh) 2004-11-10
CN1293757C CN1293757C (zh) 2007-01-03

Family

ID=29267570

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB038008076A Expired - Fee Related CN1293757C (zh) 2002-04-26 2003-04-22 数据转换设备和数据转换方法、学习设备和学习方法

Country Status (6)

Country Link
US (1) US8355603B2 (zh)
EP (1) EP1501295A4 (zh)
JP (1) JP4066146B2 (zh)
KR (1) KR100971821B1 (zh)
CN (1) CN1293757C (zh)
WO (1) WO2003092283A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4779282B2 (ja) * 2000-03-30 2011-09-28 ソニー株式会社 情報処理装置
US20060083428A1 (en) * 2004-01-22 2006-04-20 Jayati Ghosh Classification of pixels in a microarray image based on pixel intensities and a preview mode facilitated by pixel-intensity-based pixel classification
JP4311166B2 (ja) 2003-11-05 2009-08-12 ソニー株式会社 情報信号の処理装置および処理方法、それに使用される係数種データの生成装置および生成方法、並びに各方法を実行するためのプログラム、そのプログラムを記録した媒体
JP4311258B2 (ja) * 2004-04-02 2009-08-12 ソニー株式会社 係数データの生成装置および生成方法、係数種データの生成装置および生成方法、情報信号処理装置、並びにプログラムおよびそれを記録した記録媒体
JP2005311629A (ja) 2004-04-20 2005-11-04 Sony Corp 係数データの生成装置および生成方法、情報信号の処理装置および処理方法、並びにプログラムおよびそれを記録した媒体
JP5217250B2 (ja) * 2007-05-28 2013-06-19 ソニー株式会社 学習装置および学習方法、情報加工装置および情報加工方法、並びにプログラム
US8331710B2 (en) * 2007-11-06 2012-12-11 Sony Corporation Image processing apparatus and method, learning apparatus and method, and program

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2140644B (en) * 1983-05-17 1986-09-17 Sony Corp Television standards converters
JP3438233B2 (ja) * 1992-05-22 2003-08-18 ソニー株式会社 画像変換装置および方法
KR100360206B1 (ko) * 1992-12-10 2003-02-11 소니 가부시끼 가이샤 화상신호변환장치
JP3617080B2 (ja) 1994-08-31 2005-02-02 ソニー株式会社 信号処理装置及び信号処理方法
US5790692A (en) 1994-09-07 1998-08-04 Jeffrey H. Price Method and means of least squares designed filters for image segmentation in scanning cytometry
US6859495B1 (en) * 1996-10-31 2005-02-22 Mitsubishi Electric Research Laboratories, Inc. Digital video format converter and method therefor
JP3743077B2 (ja) * 1996-10-31 2006-02-08 ソニー株式会社 画像信号変換装置および方法
CN1115054C (zh) * 1996-12-26 2003-07-16 索尼株式会社 图像信号编码、解码装置及方法
JP3844030B2 (ja) 1996-12-26 2006-11-08 ソニー株式会社 画像信号符号化装置および画像信号符号化方法、画像信号復号装置および画像信号復号方法
US5912708A (en) 1996-12-26 1999-06-15 Sony Corporation Picture signal encoding device, picture signal encoding method, picture signal decoding device, picture signal decoding method, and recording medium
EP0912045B1 (en) 1997-05-06 2007-10-10 Sony Corporation Image converter and image conversion method
JP4062771B2 (ja) 1997-05-06 2008-03-19 ソニー株式会社 画像変換装置および方法、並びに記録媒体
JP4093621B2 (ja) * 1997-12-25 2008-06-04 ソニー株式会社 画像変換装置および画像変換方法、並びに学習装置および学習方法
JP4131049B2 (ja) 1998-10-07 2008-08-13 ソニー株式会社 信号処理装置及び信号処理方法
JP4517409B2 (ja) * 1998-11-09 2010-08-04 ソニー株式会社 データ処理装置およびデータ処理方法
JP2000241803A (ja) 1999-02-18 2000-09-08 Toshiba Corp 液晶表示素子の製造方法
JP4253910B2 (ja) 1999-04-14 2009-04-15 ソニー株式会社 画像情報変換装置および変換方法
JP4135045B2 (ja) 1999-06-08 2008-08-20 ソニー株式会社 データ処理装置およびデータ処理方法、並びに媒体
US6678405B1 (en) 1999-06-08 2004-01-13 Sony Corporation Data processing apparatus, data processing method, learning apparatus, learning method, and medium
JP4362895B2 (ja) * 1999-06-21 2009-11-11 ソニー株式会社 データ処理装置およびデータ処理方法、並びに記録媒体
US6657677B1 (en) * 2000-01-12 2003-12-02 Koninklijke Philips Electronics N.V. Method and apparatus for improving conversion from SD to HDTV
JP4395677B2 (ja) * 2000-01-14 2010-01-13 ソニー株式会社 学習装置および学習方法、並びに記録媒体
JP2001236339A (ja) * 2000-02-23 2001-08-31 Olympus Optical Co Ltd クラス分類装置
JP4779282B2 (ja) * 2000-03-30 2011-09-28 ソニー株式会社 情報処理装置
JP2001318745A (ja) * 2000-05-11 2001-11-16 Sony Corp データ処理装置およびデータ処理方法、並びに記録媒体
JP4470280B2 (ja) * 2000-05-24 2010-06-02 ソニー株式会社 画像信号処理装置及び画像信号処理方法
JP4238516B2 (ja) * 2002-04-26 2009-03-18 ソニー株式会社 データ変換装置およびデータ変換方法、学習装置および学習方法、並びにプログラムおよび記録媒体
US7630576B2 (en) * 2004-02-19 2009-12-08 Sony Corporation Signal processing apparatus and method, and command-sequence data structure

Also Published As

Publication number Publication date
WO2003092283A1 (fr) 2003-11-06
US8355603B2 (en) 2013-01-15
KR20040101895A (ko) 2004-12-03
EP1501295A1 (en) 2005-01-26
KR100971821B1 (ko) 2010-07-22
JP2003316760A (ja) 2003-11-07
CN1293757C (zh) 2007-01-03
EP1501295A4 (en) 2008-08-13
JP4066146B2 (ja) 2008-03-26
US20040234160A1 (en) 2004-11-25

Similar Documents

Publication Publication Date Title
CN1260958C (zh) 数据处理设备、数据处理方法和数据处理系统
CN1208970C (zh) 图像处理装置
CN1190963C (zh) 数据处理装置和方法,学习装置和方法
CN101079949A (zh) 图像处理设备和方法、记录介质以及程序
CN1596547A (zh) 移动图像编码设备、移动图像解码设备、移动图像编码方法、移动图像解码方法、程序和存储程序的计算机可读记录媒介
CN1271564C (zh) 信号处理设备
CN1251515C (zh) 图像编码处理装置
CN1692629A (zh) 图像处理设备和方法
CN1655607A (zh) 系数种类数据生成装置及系数种类数据生成方法
CN1254102C (zh) 信息及图像信号处理装置、系数种类数据生成装置及方法
CN1184609C (zh) 图像信号处理方法、图像信号处理装置和图像显示器
CN1726529A (zh) 用于处理图像信号的设备和方法、用于执行该方法的程序、以及用于记录该程序的计算机可读介质
CN1925597A (zh) 图像处理设备、图像处理方法及程序
CN1252615C (zh) 存储装置、数据处理设备、方法及系统
CN1293757C (zh) 数据转换设备和数据转换方法、学习设备和学习方法
CN1224256C (zh) 信息信号处理装置和方法、图像信号处理装置和方法及图像显示装置
CN1216367C (zh) 数据处理装置
CN1545683A (zh) 数据转换装置、数据转换方法、学习装置、学习方法、程序和记录介质
CN1163076C (zh) 图像编码装置和图像编码方法及图像解码装置和图像解码方法
CN1926768A (zh) 信号处理装置和方法及信号处理程序和记录该程序的记录介质
CN1288641A (zh) 视频信号编码方法、视频信号编码装置及程序记录媒体
CN1543744A (zh) 数据转换装置及方法、学习设备及方法、程序、及记录介质
CN1366769A (zh) 数据处理设备和方法,记录介质和程序
CN1684515A (zh) 信息处理设备和方法，记录介质和程序
CN1708908A (zh) 数字信号处理方法、处理器、程序及存储了该程序的记录介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20070103

Termination date: 20150422

EXPY Termination of patent right or utility model