JP2013239108A - 画像処理装置および方法、学習装置および方法、並びに、プログラム - Google Patents
画像処理装置および方法、学習装置および方法、並びに、プログラム Download PDFInfo
- Publication number
- JP2013239108A JP2013239108A JP2012113275A JP2012113275A JP2013239108A JP 2013239108 A JP2013239108 A JP 2013239108A JP 2012113275 A JP2012113275 A JP 2012113275A JP 2012113275 A JP2012113275 A JP 2012113275A JP 2013239108 A JP2013239108 A JP 2013239108A
- Authority
- JP
- Japan
- Prior art keywords
- image
- pixel
- pixel values
- weight
- regression coefficient
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims abstract description 106
- 230000000593 degrading effect Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000003672 processing method Methods 0.000 claims description 2
- 230000006866 deterioration Effects 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 60
- 238000005516 engineering process Methods 0.000 description 24
- 230000002596 correlated effect Effects 0.000 description 10
- 239000000284 extract Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
【課題】エッジやテクスチャを含む様々な画像に対して、劣化を出さない高画質化処理を実行できるようにする。
【解決手段】入力画像の注目画素を中心とした複数の画素値を複数のグループに分割するグループ分割部と、グループに属する画素値に基づいてグループ毎に算出される特徴量に基づいて、注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出する重み算出部と、入力画像の注目画素に対応する複数の画素値に基づいて定まるクラスコード毎に記憶されている回帰係数を読み出す回帰係数読み出し部と、入力画像の注目画素を中心とした複数の画素値、重み、および、回帰係数を用いた演算により出力画像の注目画素の画素値を算出する画素値算出部とを備える。
【選択図】図4
【解決手段】入力画像の注目画素を中心とした複数の画素値を複数のグループに分割するグループ分割部と、グループに属する画素値に基づいてグループ毎に算出される特徴量に基づいて、注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出する重み算出部と、入力画像の注目画素に対応する複数の画素値に基づいて定まるクラスコード毎に記憶されている回帰係数を読み出す回帰係数読み出し部と、入力画像の注目画素を中心とした複数の画素値、重み、および、回帰係数を用いた演算により出力画像の注目画素の画素値を算出する画素値算出部とを備える。
【選択図】図4
Description
本技術は、画像処理装置および方法、学習装置および方法、並びに、プログラムに関し、特に、エッジやテクスチャを含む様々な画像に対して、劣化を出さない高画質化処理を実行できるようにする画像処理装置および方法、学習装置および方法、並びに、プログラムに関する。
従来より、デジタル画像データにおいては、画像の輪郭などを強調するシャープネス処理が行われている。シャープネス処理によって、輪郭部分の階調の差(コントラスト)を高くすることで、見た目のシャープ感を増すことができる。
しかしながら、どのような画像に対しても一律にシャープネス処理を施すと、かえって画質が悪化することがある。例えば、文字や単純図形などの人工画像の場合、自然画像に適したシャープネス処理を行うと、元々エッジが十分に立っている個所で過強調が起こりリンギング劣化を生じる場合がある。
つまり、シャープネスの処理によって画像の中のテクスチャ部分の鮮鋭感を向上させようとすると、画像の中のエッジ部分でリンギングなどの劣化が目立ってしまう。一方、画像の中のエッジ部分でのリンギングを抑制しようとすると、画像の中のテクスチャ部分の鮮鋭感が欠けるものとなってしまう。
そこで、出願人は、エッジの鮮鋭感向上とテクスチャの鮮鋭感向上を両立する方式を提案した(例えば、特許文献1参照)。
特許文献1によれば、例えば、エッジ専用処理とテクスチャ専用処理を画像の中の各領域の特徴量に応じて使い分けている。
しかしながら、特許文献1の技術では、例えば、エッジ専用処理とテクスチャ専用処理の処理の境界が顕著になることがあった。
また、特許文献1のように、例えば、エッジ専用処理とテクスチャ専用処理を使い分ける場合、2つの専用処理を実装し、さらにそれらを使い分けるための判定処理を実装する必要があり、処理の規模が増大しやすく、高コストにつながりやすいという問題があった。
また、エッジ部分とテクスチャ部分との判定が困難な場合もあり、多様な入力画像に対して,その画質に応じて適応的に鮮鋭感を向上させようとすると、強力に鮮鋭感向上を行う際にはリンギングの抑制に限界がある。
本技術はこのような状況に鑑みて開示するものであり、エッジやテクスチャを含む様々な画像に対して、劣化を出さない高画質化処理を実行できるようにするものである。
本技術の第1の側面は、入力画像の注目画素を中心とした複数の画素値に基づいて算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出する重み算出部と、前記入力画像の注目画素に対応する複数の画素値に基づいて定まるクラスコード毎に記憶されている回帰係数を読み出す回帰係数読み出し部と、前記入力画像の注目画素を中心とした複数の画素値、前記重み、および、前記回帰係数を用いた演算により出力画像の注目画素の画素値を算出する画素値算出部とを備える画像処理装置である。
前記重み算出部は、前記グループに属する画素値に基づいて、エッジの存在と相関性の高い特徴量を算出するようにすることができる。
入力画像の注目画素を中心とした複数の画素値を複数のグループに分割するグループ分割部をさらに備え、重み算出部は、前記グループに属する画素値に基づいて前記グループ毎に算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出するようにすることができる。
前記重み算出部は、前記注目画素を中心とした第1の数の画素値を、少なくとも注目画素の画素位置を含む複数の位置の画素から成るグループであって、前記第1の数より少ない第2の数の画素値から成る複数のグループに分類するようにすることができる。
前記回帰係数は、予め学習されて記憶されており、前記学習においては、高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、生徒画像の画素値、前記重みを用いて前記教師画像の注目画素値を算出する線形一次方程式のサンプルを前記クラスコード毎に複数生成し、前記複数のサンプルから最適な前記回帰係数が算出されるようにすることができる。
本技術の第1の側面は、重み算出部が、入力画像の注目画素を中心とした複数の画素値に基づいて算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出し、回帰係数読み出し部が、前記入力画像の注目画素に対応する複数の画素値に基づいて定まるクラスコード毎に記憶されている回帰係数を読み出し、画素値算出部が、前記入力画像の注目画素を中心とした複数の画素値、前記重み、および、前記回帰係数を用いた線形一次式の演算により出力画像の注目画素の画素値を算出するステップを含む画像処理方法である。
本技術の第1の側面は、コンピュータを、入力画像の注目画素を中心とした複数の画素値に基づいて算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出する重み算出部と、前記入力画像の注目画素に対応する複数の画素値に基づいて定まるクラスコード毎に記憶されている回帰係数を読み出す回帰係数読み出し部と、前記入力画像の注目画素を中心とした複数の画素値、前記重み、および、前記回帰係数を用いた演算により出力画像の注目画素の画素値を算出する画素値算出部とを備える画像処理装置として機能させるプログラムである。
本技術の第1の側面においては、入力画像の注目画素を中心とした複数の画素値に基づいて算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みが算出され、前記入力画像の注目画素に対応する複数の画素値に基づいて定まるクラスコード毎に記憶されている回帰係数が読み出され、前記入力画像の注目画素を中心とした複数の画素値、前記重み、および、前記回帰係数を用いた演算により出力画像の注目画素の画素値が算出される。
本技術の第2の側面は、高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、教師画像の注目画素に対応する生徒画像の複数の画素値基づいて算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出する重み算出部と、前記生徒画像の複数の画素値、前記重み、および、回帰係数を用いた線形一次式の演算により前記教師画像の注目画素値を算出する回帰予測演算の前記回帰係数を算出する回帰係数算出部とを備える学習装置である。
前記重み算出部は、前記グループに属する画素値に基づいて、エッジの存在と相関性の高い特徴量を算出するようにすることができる。
教師画像の注目画素に対応する生徒画像の複数の画素値を複数のグループに分割するグループ分割部をさらに備え、前記重み算出部は、前記グループに属する画素値に基づいて前記グループ毎に算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出するようにすることができる。
前記重み算出部は、前記注目画素を中心とした第1の数の画素値を、少なくとも注目画素の画素位置を含む複数の位置の画素から成るグループであって、前記第1の数より少ない第2の数の画素値から成る複数のグループに分類するようにすることができる。
本技術の第2の側面は、高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、重み算出部が、教師画像の注目画素に対応する生徒画像の複数の画素値に基づいて算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出し、回帰係数算出部が、前記生徒画像の複数の画素値、前記重み、および、回帰係数を用いた線形一次式の演算により前記教師画像の注目画素値を算出する回帰予測演算の前記回帰係数を算出するステップを含む学習方法である。
コンピュータを、高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、教師画像の注目画素に対応する生徒画像の複数の画素値基づいて算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出する重み算出部と、前記生徒画像の複数の画素値、前記重み、および、回帰係数を用いた線形一次式の演算により前記教師画像の注目画素値を算出する回帰予測演算の前記回帰係数を算出する回帰係数算出部とを備える学習装置として機能させるプログラムである。
本技術の第2の側面においては、高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、教師画像の注目画素に対応する生徒画像の複数の画素値に基づいて算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みが算出され、前記生徒画像の複数の画素値、前記重み、および、回帰係数を用いた線形一次式の演算により前記教師画像の注目画素値を算出する回帰予測演算の前記回帰係数が算出される。
本技術によれば、エッジやテクスチャを含む様々な画像に対して、劣化を出さない高画質化処理を実行できる。
以下、図面を参照して、ここで開示する技術の実施の形態について説明する。
図1は、本技術の一実施の形態に係る学習装置の構成例を示すブロック図である。
この学習装置10は、画像の高画質化処理に用いられる学習装置とされ、入力された生徒画像および教師画像(または教師信号)のデータに基づいて、高画質化処理において用いられる回帰係数を生成するようになされている。ここで、高画質化処理は、例えば、画像の鮮鋭感を向上させる処理、画像のノイズを除去する処理などとされる。
学習装置10は、生徒画像を入力画像として、教師画像に近い高画質の画像を出力画像として生成するための係数である回帰係数を学習するようになされている。詳細は後述するが、回帰係数は、例えば、入力画像の注目画素に対応する複数の画素の値から得られる特徴量をパラメータとし、高画質化された画像における注目画素の予測値を演算する線形一次式の回帰予測演算に用いられる係数とされる。
回帰係数は、後述するクラスコード毎に学習され、また、後述する重みを考慮した回帰係数が学習される。
また、学習装置10は、入力画像の注目画素に対応する複数の画素値およびそれらの画素値から得られる特徴量に基づいて、注目画素に対応する複数の画素値を、複数のクラスのうちのいずれかにクラス分けする。また、学習装置10は、入力画像の注目画素に対応する複数の画素値およびそれらの画素値から得られる特徴量に基づいて、それらの画素値に乗じるべき重みを算出する。
すなわち、高画質化処理では、入力画像の注目画素に対応する複数の画素値およびそれらの画素値から得られる特徴量に基づいて、注目画素がクラス分類される。そして、学習装置10により学習されたクラス毎の回帰係数、および、上述の重みと、入力画像の注目画素に対応する複数の画素値とを用いた線形一次式の演算を実行することにより、高画質化された画像の画素値が演算されるようになされている。
図1に示される学習装置10は、クラス分類部21、重み算出部22、回帰係数学習部23、回帰係数メモリ24を有している。
学習装置10においては、例えば、教師画像としてノイズのない画像を入力され、生徒画像として教師画像に対してノイズを付加するなどして画質を劣化させた画像が入力される。例えば、教師画像に各種のノイズを付加した画像、ぼけを付加した画像、画素位置をシフトさせた画像、画素を間引いた画像などが生徒画像として入力される。
クラス分類部21は、教師画像の注目画素に対応する生徒画像の複数の画素値から成るクラスタップを抽出し、抽出されたクラスタップの特徴量に基づいて、当該クラスタップをクラス分類するようになされている。
図2は、クラス分類の方式の一例を説明する図である。この例では、クラスタップとして、入力画像の注目画素およびその周辺の画素に対応する9個の画素値が取得されている。そして、9個の画素値のそれぞれに予め設定された順番で識別番号(タップ番号)0乃至8が付されている。
タップ番号0乃至9の画素値のそれぞれは閾値判定され、閾値判定結果に基づいてコード1またはコード0が割り当てられる。この例では、画素値(輝度値)が閾値より大きい場合、コード1が割り当てられ、画素値(輝度値)が閾値より小さい場合、コード0が割り当てられている。
そして、タップ番号0乃至8のそれぞれに割り当てられたコードを並べて得られる2進数の数字がクラスコードとされる。この例では、100001011(10進数で267)がクラスコードとされている。このように、当該クラスタップがクラスコード267に対応するクラスに分類される。あるいはまた、画素値の最大値と最小値の差分などを用いてさらに詳細にクラス分類されるようにしてもよい。
図2に示されるクラスコードの特定は、1bitADRC (Adaptive Dynamic Range Coding)と称される。勿論、クラス分類部21は、1bitADRC以外の方式でクラスコードを特定するようにしてもよい。
図1に戻って、重み算出部22は、教師画像の注目画素に対応する生徒画像の複数の画素値から予測タップを抽出し、予測タップ内の各画素値に対応する重みを算出する。重み算出部22は、予測タップを構成する画素値を複数のグループに分類し、それぞれのグループに属する画素値から得られる特徴量に基づいて、グループ毎の重みを算出する。なお、教師画像の注目画素値をtiとすると、教師画像の注目画素に対応する生徒画像の複数の画素値xijが予測タップとして抽出される。
図3は、予測タップのグループ分けを説明する図である。同図には、25(=5×5)個の円が記載されており、個々の円が画素を表している。また、図中中央の黒い円は、注目画素を表している。すなわち、図3の例の場合、注目画素を中心とした25個の画素の画素値が予測タップとされている。
図3の例の場合、予測タップを構成する画素値は、4つのグループであるグループG1乃至グループG4に分類されている。グループG1は、注目画素を右下に配置した9個の画素の画素値から成るグループとされる。グループG2は、注目画素を左下に配置した9個の画素の画素値から成るグループとされる。グループG1は、注目画素を右上に配置した9個の画素の画素値から成るグループとされる。グループG4は、注目画素を左上に配置した9個の画素の画素値から成るグループとされる。
重み算出部22は、グループG1乃至グループG4に属するそれぞれの画素値を用いてエッジの存在と相関性の高い特徴量を算出する。例えば、ダイナミックレンジ、アクティビティなどの特徴量が、エッジの存在と相関性の高い特徴量として算出される。
重み算出部22は、上述のようにしてグループG1乃至グループG4のそれぞれについて算出した特徴量の最大値と最小値を特定し、各グループに対して設定される重みを算出する。例えば、グループGgに対応する重みvgは、次のようにして求めることができる。
なお、式(1)においてmaxparamおよびminparamは、それぞれグループG1乃至グループG4について算出した特徴量の最大値および最小値を表している。また、式(1)における関数f(x)は、重みの付き方を調整するための関数とされ、例えば、式(2)、式(3)などの関数が用いられる。
そして、予測タップ内の各画素に乗じられる重みの総和が1.0となるように正規化される。すなわち、予測タップの画素値の総数をLとした場合、式(4)を満たすように予測タップ内の全て(例えば、25個)の画素値のそれぞれに乗じられる重みvijが算出される。なお、予測タップ内の注目画素付近の一部の位置の画素は、複数のグループに重複して属していることになるので、これらの画素の値には、重みが複数回乗じられることになる。
式(4)におけるサフィックスjは、予測タップ内の画素の識別番号(タップ番号)を表すことになる。
なお、図3に示したのは、グループ分けの例であって、必ずしもこの通りにグループ分けされる必要はない。例えば、一列に並んだ画素がグループとされるようにしてもよい。また、エッジの存在と相関性の高い特徴量として、個々のグループ毎に異なる特徴量が算出されるようにしてもよい。例えば、グループG1については、ダイナミックレンジが算出され、グループG2については、アクティビティが算出され、・・・のように特徴量が算出されるようにしてもよい。
図1に戻って、回帰係数学習部23は、上述したように求められた重みvijを用いて、回帰係数を学習する。すなわち、教師画像を構成する画素の中の注目画素が順番に設定され、それぞれの注目画素に対応して重みvijが算出される。そして、教師画像の画素値を生徒画像の画素値に基づいて算出する線形一次方程式のサンプルを順次生成していく。このようにして生成された線形一次方程式のサンプルは、クラスコード別に足し込まれていく。
例えば、クラスコードcに対応する回帰係数をwcjで表した場合、上述のように足し込まれた線形一次方程式のサンプルに基づいて、式(5)により演算される最小化関数Qが最小となるように、回帰係数wcjを最小二乗法により求めるようにすればよい。このようにすることで、後述する式(6)の演算に用いる際に最適な回帰係数wcjを算出することができる。
このようにして求められた回帰係数wcjは、クラスコードに対応付けられて回帰係数メモリ24に記憶される。このようにして回帰係数が学習される。
図4は、本技術の一実施の形態に係る画像処理装置の構成例を示すブロック図である。同図の画像処理装置100は、図1の学習装置10に対応する画像処理装置とされる。すなわち、画像処理装置100は、学習装置10により学習された回帰係数を用いて入力画像から得られる予測タップの回帰予測演算を行い、入力画像を高画質化する画像処理を行うようになされている。
図4に示される画像処理装置100は、クラス分類部121、重み算出部122、予測演算部123、および、回帰係数メモリ124を有している。
画像処理装置100の回帰係数メモリ124には、学習装置10の回帰係数メモリ24に記憶されていた回帰係数が予め記憶されている。
クラス分類部121は、入力画像の注目画素に対応する複数の画素値から成るクラスタップを抽出し、抽出されたクラスタップの特徴量に基づいて、当該クラスタップをクラス分類するようになされている。なお、画像処理装置100のクラス分類部121によるクラス分類は、学習装置10のクラス分類部21と同様の方式により行われる。例えば、図2を参照して上述したように、クラス分類が行われ、抽出したクラスタップに対応するクラスコードが特定される。
重み算出部122は、入力画像の注目画素に対応する複数の画素値から成る予測タップを抽出し、予測タップ内の各画素値に対応する重みを算出する。画像処理装置100の重み算出部122は、学習装置10の重み算出部22と同様に、例えば、図3を参照して上述したように、予測タップを構成する画素値を複数のグループに分類する。そして、重み算出部122は、それぞれのグループに属する画素値から得られる特徴量に基づいて、グループ毎の重みを算出する。
ここで、特徴量は、エッジの存在と相関性の高い特徴量とされ、例えば、ダイナミックレンジ、アクティビティなどの特徴量が、エッジの存在と相関性の高い特徴量として算出される。
そして、上述したように、予測タップ内の全ての画素値のそれぞれに乗じられる重みvijが算出される。
予測演算部123は、クラス分類部121により特定されたクラスコードcに対応する回帰係数wcjを回帰係数メモリ124から読み出す。
そして、予測演算部123は、重み算出部122により算出された重みvijを予測タップを構成する画素値にそれぞれ乗じ、さらに、回帰係数メモリ124から読み出した回帰係数wcjを、予測タップを構成する画素値にそれぞれ乗じる。すなわち、注目画素の識別番号をiとした場合、入力画像から生成される注目画素の予測値yiは、式(6)に示される線形一次式により求められる。
式(6)に示されるような演算を繰り返し行うことで、出力画像を構成する各画素の画素値が算出されることになる。
画像処理装置100は、このようにして生成された出力画像を出力する。
本技術によれば、上述したように、予測タップを構成する画素値がさらに細かくグループに分類されて重みが算出される。従って、出力画像の画素を生成するための入力画像の参照領域における個々の画素の重要性が局所の特徴量により適応的に設定されることになる。具体的には、予測タップを構成する画素値の重みが各グループの特徴量に応じて切り替えられることになる。
また、本技術では、クラス毎に上記の重みの設定を含めて統計的に最適化された係数が適用され、出力画像の画素値が演算される。
本技術において、入力画像の参照領域における個々の画素の重要性は、エッジの存在と相関の高い特徴量に基づいて設定される。従って、同じ予測タップ内の画素であっても、エッジの存在する可能性の低いグループに属する画素はより強く参照され、エッジの存在する可能性の高いグループに属する画素はより弱く参照されることになる。画像の中のエッジの部分の画素は、その周辺の画素との相関性が低いと考えられるからである。
つまり、本技術によれば、例えば、従来技術のように、画像のエッジ部分とテクスチャ部分とで専用処理を切り替えるなどすることなく、参照領域の画素の重みを適切に切り替えることで、エッジ部分またはテクスチャ部分に相応しい高画質化処理を施すことができる。
従って、本技術によれば、例えば、エッジ専用処理とテクスチャ専用処理との処理境界が目立つことなく、画像全体に高画質化処理を施すことができる。
また、本技術によれば、リンギング等の劣化を抑制しつつエッジの鮮鋭化を実現し、かつ、テクスチャにおける鮮鋭感向上も同時に実現することができる。従来の技術と比較して、例えば、強力に鮮鋭感向上を行う際にも、リンギングを抑制することができる。
さらに、本技術によれば、高画質化処理に用いられる回帰係数が、クラスタップの特徴量を表すクラスコード毎に、重みを考慮して学習されるので、エッジやテクスチャのみならず、多様な特性に応じた高画質化処理を施すことが可能となる。
従って、本技術によれば、エッジやテクスチャを含む様々な画像に対して、劣化を出さない高画質化処理を実行できる。
次に、図5のフローチャートを参照して、図1の学習装置10による学習処理の例について説明する。
ステップS21において、クラス分類部21は、教師画像の注目画素に対応する生徒画像の複数の画素値から成るクラスタップを抽出する。
ステップS22において、クラス分類部21は、ステップS21で抽出したクラスタップの特徴量に基づいて、当該クラスタップをクラス分類する。このとき、例えば、図2を参照して上述したような方式でクラスタップがクラス分類される。
ステップS23において、重み算出部22は、教師画像の注目画素に対応する生徒画像の複数の画素値から予測タップを抽出する。
ステップS24において、重み算出部22は、予測タップを構成する画素値を複数のグループに分類する。このとき、例えば、図3を参照して上述したように、予測タップを構成する画素値を複数のグループに分類する。
ステップS25において、重み算出部22は、ステップS24の処理で分類されたグループ毎に特徴量を算出する。ここで、特徴量は、エッジの存在と相関性の高い特徴量とされ、例えば、ダイナミックレンジ、アクティビティなどの特徴量が、エッジの存在と相関性の高い特徴量として算出される。
ステップS26において、重み算出部22は、ステップS25で算出された特徴量に基づいて、予測タップ内の各画素値に対応する重みを算出する。このとき、例えば、上述したように、予測タップ内の全ての画素値のそれぞれに乗じられる重みvijが算出される。
ステップS27において、回帰係数学習部23は、上述したように求められた重みvijを用いて、教師画像の画素値を生徒画像の画素値に基づいて算出する線形一次方程式のサンプルを生成する。
ステップS28において、回帰係数学習部23は、ステップS27の処理で生成されたサンプルを、クラスコード別に足し込む。
ステップS29において、全サンプル分の足し込みが終了したか否かが判定される。すなわち、教師画像の全ての画素を注目画素として、ステップS21乃至ステップS28の処理が実行されたか否かが判定される。
ステップS29において、まだ、全サンプル分の足し込みが終了していないと判定された場合、処理は、ステップS21に戻り、それ以降の処理が繰り返し実行される。
ステップS29において、全サンプル分の足し込みが終了したと判定された場合、処理は、ステップS30に進む。
ステップS30において、回帰係数学習部23は、クラスコード毎に回帰係数を算出する。このとき、例えば、上述のように足し込まれた線形一次方程式のサンプルに基づいて、式(5)により演算される最小化関数Qが最小となるように、回帰係数wcjが最小二乗法により求められる。ここで求められた回帰係数は、クラスコードに対応付けられて回帰係数メモリ24に記憶される。
このようにして学習処理が実行される。
次に、図6のフローチャートを参照して、図4の画像処理装置100による高画質化処理の例について説明する。なお、処理の実行に先立って、図5のステップS30の処理で算出された回帰係数が、回帰係数メモリ124に記憶されているものとする。
ステップS51において、クラス分類部121は、入力画像の注目画素に対応する複数の画素値から成るクラスタップを抽出する。
ステップS52において、クラス分類部121は、ステップS51の処理で抽出したクラスタップの特徴量に基づいて、当該クラスタップのクラスコードを特定する。なお、ステップS52での画像処理装置100のクラス分類部121によるクラスコードの特定は、ステップS22での学習装置10のクラス分類部21と同様の方式により行われる。例えば、図2を参照して上述したように、クラス分類が行われ、抽出したクラスタップに対応するクラスコードが特定される。
ステップS53において、重み算出部122は、入力画像の注目画素に対応する複数の画素値から成る予測タップを抽出する。
ステップS54において、重み算出部122は、予測タップを構成する画素値を複数のグループに分類する。このとき、例えば、図3を参照して上述したように、予測タップを構成する画素値を複数のグループに分類する。
ステップS55において、重み算出部122は、ステップS54の処理で分類されたグループ毎に特徴量を算出する。ここで、特徴量は、エッジの存在と相関性の高い特徴量とされ、例えば、ダイナミックレンジ、アクティビティなどの特徴量が、エッジの存在と相関性の高い特徴量として算出される。
ステップS56において、重み算出部122は、ステップS55で算出された特徴量に基づいて、予測タップ内の各画素値に対応する重みを算出する。このとき、例えば、上述したように、予測タップ内の全ての画素値のそれぞれに乗じられる重みvijが算出される。
ステップS57において、予測演算部123は、クラス分類部121により特定されたクラスコードcに対応する回帰係数wcjを回帰係数メモリ124から読み出す。
ステップS58において、予測演算部123は、ステップS56の処理で求められた重みvijと、ステップS57の処理で読み出した回帰係数wcjを用いて線形一次式により画素値を算出する。このとき、例えば、重みvijが予測タップを構成する画素値にそれぞれ乗じられ、さらに、回帰係数wcjが、予測タップを構成する画素値にそれぞれ乗じられる。すなわち、式(6)に示される線形一次式により画素値が求められる。
ステップS59において、出力画像の全画素分の画素値の算出が終了したか否かが判定される。
ステップS59において、まだ、出力画像の全画素分の画素値の算出が終了していないと判定された場合、処理は、ステップS51に戻り、それ以降の処理が繰り返し実行される。
ステップS59において、出力画像の全画素分の画素値の算出が終了したと判定された場合、処理は、ステップS60に進む。
ステップS60において、画像処理装置100は、出力画像を出力する。
このようにして高画質化処理が実行される。
なお、上述した一連の処理は、ハードウェアにより実行させることもできるし、ソフトウェアにより実行させることもできる。上述した一連の処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、専用のハードウェアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば図7に示されるような汎用のパーソナルコンピュータ700などに、ネットワークや記録媒体からインストールされる。
図7において、CPU(Central Processing Unit)701は、ROM(Read Only Memory)702に記憶されているプログラム、または記憶部708からRAM(Random Access Memory)703にロードされたプログラムに従って各種の処理を実行する。RAM703にはまた、CPU701が各種の処理を実行する上において必要なデータなども適宜記憶される。
CPU701、ROM702、およびRAM703は、バス704を介して相互に接続されている。このバス704にはまた、入出力インタフェース705も接続されている。
入出力インタフェース705には、キーボード、マウスなどよりなる入力部706、LCD(Liquid Crystal display)などよりなるディスプレイ、並びにスピーカなどよりなる出力部707、ハードディスクなどより構成される記憶部708、モデム、LANカードなどのネットワークインタフェースカードなどより構成される通信部709が接続されている。通信部709は、インターネットを含むネットワークを介しての通信処理を行う。
入出力インタフェース705にはまた、必要に応じてドライブ710が接続され、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリなどのリムーバブルメディア711が適宜装着され、それらから読み出されたコンピュータプログラムが、必要に応じて記憶部708にインストールされる。
上述した一連の処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、インターネットなどのネットワークや、リムーバブルメディア711などからなる記録媒体からインストールされる。
なお、この記録媒体は、図7に示される、装置本体とは別に、ユーザにプログラムを配信するために配布される、プログラムが記録されている磁気ディスク(フロッピディスク(登録商標)を含む)、光ディスク(CD-ROM(Compact Disk-Read Only Memory),DVD(Digital Versatile Disk)を含む)、光磁気ディスク(MD(Mini-Disk)(登録商標)を含む)、もしくは半導体メモリなどよりなるリムーバブルメディア711により構成されるものだけでなく、装置本体に予め組み込まれた状態でユーザに配信される、プログラムが記録されているROM702や、記憶部708に含まれるハードディスクなどで構成されるものも含む。
なお、本明細書において上述した一連の処理は、記載された順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。
また、本技術の実施の形態は、上述した実施の形態に限定されるものではなく、本技術の要旨を逸脱しない範囲において種々の変更が可能である。
なお、本技術は以下のような構成も取ることができる。
(1)
入力画像の注目画素を中心とした複数の画素値に基づいて算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出する重み算出部と、
前記入力画像の注目画素に対応する複数の画素値に基づいて定まるクラスコード毎に記憶されている回帰係数を読み出す回帰係数読み出し部と、
前記入力画像の注目画素を中心とした複数の画素値、前記重み、および、前記回帰係数を用いた演算により出力画像の注目画素の画素値を算出する画素値算出部と
を備える画像処理装置。
(2)
前記重み算出部は、
前記グループに属する画素値に基づいて、エッジの存在と相関性の高い特徴量を算出する
(1)に記載の画像処理装置。
(3)
入力画像の注目画素を中心とした複数の画素値を複数のグループに分割するグループ分割部をさらに備え、
重み算出部は、前記グループに属する画素値に基づいて前記グループ毎に算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出する
(1)または(2)に記載の画像処理装置。
(4)
前記重み算出部は、
前記注目画素を中心とした第1の数の画素値を、少なくとも注目画素の画素位置を含む複数の位置の画素から成るグループであって、前記第1の数より少ない第2の数の画素値から成る複数のグループに分類する
(3)に記載の画像処理装置。
(5)
前記回帰係数は、予め学習されて記憶されており、
前記学習においては、
高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、
生徒画像の画素値、前記重みを用いて前記教師画像の注目画素値を算出する線形一次方程式のサンプルを前記クラスコード毎に複数生成し、前記複数のサンプルから最適な前記回帰係数が算出される
(1)乃至(4)に記載の画像処理装置。
(6)
重み算出部が、入力画像の注目画素を中心とした複数の画素値に基づいて算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出し、
回帰係数読み出し部が、前記入力画像の注目画素に対応する複数の画素値に基づいて定まるクラスコード毎に記憶されている回帰係数を読み出し、
画素値算出部が、前記入力画像の注目画素を中心とした複数の画素値、前記重み、および、前記回帰係数を用いた線形一次式の演算により出力画像の注目画素の画素値を算出するステップ
を含む画像処理方法。
(7)
コンピュータを、
入力画像の注目画素を中心とした複数の画素値に基づいて算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出する重み算出部と、
前記入力画像の注目画素に対応する複数の画素値に基づいて定まるクラスコード毎に記憶されている回帰係数を読み出す回帰係数読み出し部と、
前記入力画像の注目画素を中心とした複数の画素値、前記重み、および、前記回帰係数を用いた演算により出力画像の注目画素の画素値を算出する画素値算出部とを備える画像処理装置として機能させる
プログラム。
(8)
高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、
教師画像の注目画素に対応する生徒画像の複数の画素値基づいて算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出する重み算出部と、
前記生徒画像の複数の画素値、前記重み、および、回帰係数を用いた線形一次式の演算により前記教師画像の注目画素値を算出する回帰予測演算の前記回帰係数を算出する回帰係数算出部と
を備える学習装置。
(9)
前記重み算出部は、
前記グループに属する画素値に基づいて、エッジの存在と相関性の高い特徴量を算出する
(8)に記載の学習装置。
(10)
教師画像の注目画素に対応する生徒画像の複数の画素値を複数のグループに分割するグループ分割部をさらに備え、
前記重み算出部は、
前記グループに属する画素値に基づいて前記グループ毎に算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出する
(8)または(9)に記載の学習装置。
(11)
前記重み算出部は、
前記注目画素を中心とした第1の数の画素値を、少なくとも注目画素の画素位置を含む複数の位置の画素から成るグループであって、前記第1の数より少ない第2の数の画素値から成る複数のグループに分類する
(10)に記載の学習装置。
(12)
高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、
重み算出部が、教師画像の注目画素に対応する生徒画像の複数の画素値に基づいて算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出し、
回帰係数算出部が、前記生徒画像の複数の画素値、前記重み、および、回帰係数を用いた線形一次式の演算により前記教師画像の注目画素値を算出する回帰予測演算の前記回帰係数を算出するステップ
を含む学習方法。
(13)
コンピュータを、
高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、
教師画像の注目画素に対応する生徒画像の複数の画素値基づいて算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出する重み算出部と、
前記生徒画像の複数の画素値、前記重み、および、回帰係数を用いた線形一次式の演算により前記教師画像の注目画素値を算出する回帰予測演算の前記回帰係数を算出する回帰係数算出部とを備える学習装置として機能させる
プログラム。
入力画像の注目画素を中心とした複数の画素値に基づいて算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出する重み算出部と、
前記入力画像の注目画素に対応する複数の画素値に基づいて定まるクラスコード毎に記憶されている回帰係数を読み出す回帰係数読み出し部と、
前記入力画像の注目画素を中心とした複数の画素値、前記重み、および、前記回帰係数を用いた演算により出力画像の注目画素の画素値を算出する画素値算出部と
を備える画像処理装置。
(2)
前記重み算出部は、
前記グループに属する画素値に基づいて、エッジの存在と相関性の高い特徴量を算出する
(1)に記載の画像処理装置。
(3)
入力画像の注目画素を中心とした複数の画素値を複数のグループに分割するグループ分割部をさらに備え、
重み算出部は、前記グループに属する画素値に基づいて前記グループ毎に算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出する
(1)または(2)に記載の画像処理装置。
(4)
前記重み算出部は、
前記注目画素を中心とした第1の数の画素値を、少なくとも注目画素の画素位置を含む複数の位置の画素から成るグループであって、前記第1の数より少ない第2の数の画素値から成る複数のグループに分類する
(3)に記載の画像処理装置。
(5)
前記回帰係数は、予め学習されて記憶されており、
前記学習においては、
高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、
生徒画像の画素値、前記重みを用いて前記教師画像の注目画素値を算出する線形一次方程式のサンプルを前記クラスコード毎に複数生成し、前記複数のサンプルから最適な前記回帰係数が算出される
(1)乃至(4)に記載の画像処理装置。
(6)
重み算出部が、入力画像の注目画素を中心とした複数の画素値に基づいて算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出し、
回帰係数読み出し部が、前記入力画像の注目画素に対応する複数の画素値に基づいて定まるクラスコード毎に記憶されている回帰係数を読み出し、
画素値算出部が、前記入力画像の注目画素を中心とした複数の画素値、前記重み、および、前記回帰係数を用いた線形一次式の演算により出力画像の注目画素の画素値を算出するステップ
を含む画像処理方法。
(7)
コンピュータを、
入力画像の注目画素を中心とした複数の画素値に基づいて算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出する重み算出部と、
前記入力画像の注目画素に対応する複数の画素値に基づいて定まるクラスコード毎に記憶されている回帰係数を読み出す回帰係数読み出し部と、
前記入力画像の注目画素を中心とした複数の画素値、前記重み、および、前記回帰係数を用いた演算により出力画像の注目画素の画素値を算出する画素値算出部とを備える画像処理装置として機能させる
プログラム。
(8)
高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、
教師画像の注目画素に対応する生徒画像の複数の画素値基づいて算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出する重み算出部と、
前記生徒画像の複数の画素値、前記重み、および、回帰係数を用いた線形一次式の演算により前記教師画像の注目画素値を算出する回帰予測演算の前記回帰係数を算出する回帰係数算出部と
を備える学習装置。
(9)
前記重み算出部は、
前記グループに属する画素値に基づいて、エッジの存在と相関性の高い特徴量を算出する
(8)に記載の学習装置。
(10)
教師画像の注目画素に対応する生徒画像の複数の画素値を複数のグループに分割するグループ分割部をさらに備え、
前記重み算出部は、
前記グループに属する画素値に基づいて前記グループ毎に算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出する
(8)または(9)に記載の学習装置。
(11)
前記重み算出部は、
前記注目画素を中心とした第1の数の画素値を、少なくとも注目画素の画素位置を含む複数の位置の画素から成るグループであって、前記第1の数より少ない第2の数の画素値から成る複数のグループに分類する
(10)に記載の学習装置。
(12)
高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、
重み算出部が、教師画像の注目画素に対応する生徒画像の複数の画素値に基づいて算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出し、
回帰係数算出部が、前記生徒画像の複数の画素値、前記重み、および、回帰係数を用いた線形一次式の演算により前記教師画像の注目画素値を算出する回帰予測演算の前記回帰係数を算出するステップ
を含む学習方法。
(13)
コンピュータを、
高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、
教師画像の注目画素に対応する生徒画像の複数の画素値基づいて算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出する重み算出部と、
前記生徒画像の複数の画素値、前記重み、および、回帰係数を用いた線形一次式の演算により前記教師画像の注目画素値を算出する回帰予測演算の前記回帰係数を算出する回帰係数算出部とを備える学習装置として機能させる
プログラム。
10 画像処理装置, 21 クラス分類部, 22 重み算出部, 23 回帰係数学習部, 24 回帰係数メモリ, 100 画像処理装置, 121 クラス分類部, 122 重み算出部, 123 予測演算部, 124 回帰係数メモリ
Claims (13)
- 入力画像の注目画素を中心とした複数の画素値に基づいて算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出する重み算出部と、
前記入力画像の注目画素に対応する複数の画素値に基づいて定まるクラスコード毎に記憶されている回帰係数を読み出す回帰係数読み出し部と、
前記入力画像の注目画素を中心とした複数の画素値、前記重み、および、前記回帰係数を用いた演算により出力画像の注目画素の画素値を算出する画素値算出部と
を備える画像処理装置。 - 前記重み算出部は、
前記グループに属する画素値に基づいて、エッジの存在と相関性の高い特徴量を算出する
請求項1に記載の画像処理装置。 - 入力画像の注目画素を中心とした複数の画素値を複数のグループに分割するグループ分割部をさらに備え、
重み算出部は、前記グループに属する画素値に基づいて前記グループ毎に算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出する
請求項1に記載の画像処理装置。 - 前記重み算出部は、
前記注目画素を中心とした第1の数の画素値を、少なくとも注目画素の画素位置を含む複数の位置の画素から成るグループであって、前記第1の数より少ない第2の数の画素値から成る複数のグループに分類する
請求項3に記載の画像処理装置。 - 前記回帰係数は、予め学習されて記憶されており、
前記学習においては、
高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、
生徒画像の画素値、前記重みを用いて前記教師画像の注目画素値を算出する線形一次方程式のサンプルを前記クラスコード毎に複数生成し、前記複数のサンプルから最適な前記回帰係数が算出される
請求項1に記載の画像処理装置。 - 重み算出部が、入力画像の注目画素を中心とした複数の画素値に基づいて算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出し、
回帰係数読み出し部が、前記入力画像の注目画素に対応する複数の画素値に基づいて定まるクラスコード毎に記憶されている回帰係数を読み出し、
画素値算出部が、前記入力画像の注目画素を中心とした複数の画素値、前記重み、および、前記回帰係数を用いた線形一次式の演算により出力画像の注目画素の画素値を算出するステップ
を含む画像処理方法。 - コンピュータを、
入力画像の注目画素を中心とした複数の画素値に基づいて算出される特徴量に基づいて、前記注目画素を中心とした複数の画素値のそれぞれに対応する重みを算出する重み算出部と、
前記入力画像の注目画素に対応する複数の画素値に基づいて定まるクラスコード毎に記憶されている回帰係数を読み出す回帰係数読み出し部と、
前記入力画像の注目画素を中心とした複数の画素値、前記重み、および、前記回帰係数を用いた演算により出力画像の注目画素の画素値を算出する画素値算出部とを備える画像処理装置として機能させる
プログラム。 - 高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、
教師画像の注目画素に対応する生徒画像の複数の画素値基づいて算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出する重み算出部と、
前記生徒画像の複数の画素値、前記重み、および、回帰係数を用いた線形一次式の演算により前記教師画像の注目画素値を算出する回帰予測演算の前記回帰係数を算出する回帰係数算出部と
を備える学習装置。 - 前記重み算出部は、
前記グループに属する画素値に基づいて、エッジの存在と相関性の高い特徴量を算出する
請求項8に記載の学習装置。 - 教師画像の注目画素に対応する生徒画像の複数の画素値を複数のグループに分割するグループ分割部をさらに備え、
前記重み算出部は、
前記グループに属する画素値に基づいて前記グループ毎に算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出する
請求項8に記載の学習装置。 - 前記重み算出部は、
前記注目画素を中心とした第1の数の画素値を、少なくとも注目画素の画素位置を含む複数の位置の画素から成るグループであって、前記第1の数より少ない第2の数の画素値から成る複数のグループに分類する
請求項10に記載の学習装置。 - 高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、
重み算出部が、教師画像の注目画素に対応する生徒画像の複数の画素値に基づいて算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出し、
回帰係数算出部が、前記生徒画像の複数の画素値、前記重み、および、回帰係数を用いた線形一次式の演算により前記教師画像の注目画素値を算出する回帰予測演算の前記回帰係数を算出するステップ
を含む学習方法。 - コンピュータを、
高画質の画像を教師画像とし、前記教師画像を劣化させた画像を生徒画像とし、
教師画像の注目画素に対応する生徒画像の複数の画素値基づいて算出される特徴量に基づいて、前記生徒画像の複数の画素値のそれぞれに対応する重みを算出する重み算出部と、
前記生徒画像の複数の画素値、前記重み、および、回帰係数を用いた線形一次式の演算により前記教師画像の注目画素値を算出する回帰予測演算の前記回帰係数を算出する回帰係数算出部とを備える学習装置として機能させる
プログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012113275A JP2013239108A (ja) | 2012-05-17 | 2012-05-17 | 画像処理装置および方法、学習装置および方法、並びに、プログラム |
US13/891,514 US9036904B2 (en) | 2012-05-17 | 2013-05-10 | Image processing device and method, learning device and method, and program |
CN2013101845528A CN103428403A (zh) | 2012-05-17 | 2013-05-17 | 图像处理设备和方法、学习设备和方法以及程序 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012113275A JP2013239108A (ja) | 2012-05-17 | 2012-05-17 | 画像処理装置および方法、学習装置および方法、並びに、プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2013239108A true JP2013239108A (ja) | 2013-11-28 |
Family
ID=49581346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012113275A Pending JP2013239108A (ja) | 2012-05-17 | 2012-05-17 | 画像処理装置および方法、学習装置および方法、並びに、プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US9036904B2 (ja) |
JP (1) | JP2013239108A (ja) |
CN (1) | CN103428403A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180371250A1 (en) * | 2016-03-03 | 2018-12-27 | Mcpp Innovation Llc | Elastomer composition and medical container stopper formed by molding same |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015188359A1 (zh) * | 2014-06-12 | 2015-12-17 | 深圳市大疆创新科技有限公司 | 一种图片处理方法、装置 |
EP3183689A4 (en) * | 2014-08-22 | 2017-08-23 | Microsoft Technology Licensing, LLC | Face alignment with shape regression |
CN105354801B (zh) * | 2015-10-13 | 2019-11-08 | 苏州汉基视测控设备有限公司 | 一种基于hsv色彩空间的图像增强方法 |
JP7368699B2 (ja) * | 2019-08-26 | 2023-10-25 | 株式会社リコー | 画像処理装置、画像通信システム、画像処理方法、及びプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100904340B1 (ko) * | 2001-06-15 | 2009-06-23 | 소니 가부시끼 가이샤 | 화상 처리 장치 및 방법과 촬상 장치 |
JP4780374B2 (ja) * | 2005-04-21 | 2011-09-28 | Nkワークス株式会社 | 粒状ノイズ抑制のための画像処理方法及びプログラム及びこの方法を実施する粒状抑制処理モジュール |
JP4605468B2 (ja) | 2006-03-16 | 2011-01-05 | ソニー株式会社 | 画像処理装置および画像処理方法、学習装置および学習方法、並びにプログラム |
JP4431607B2 (ja) * | 2007-11-08 | 2010-03-17 | シャープ株式会社 | 画像処理装置、画像形成装置、画像処理方法、コンピュータプログラム及び記録媒体 |
JP4835949B2 (ja) * | 2007-12-21 | 2011-12-14 | ソニー株式会社 | 画像処理装置および方法、学習装置および方法、プログラム、並びに記録媒体 |
US8315473B1 (en) * | 2008-08-22 | 2012-11-20 | Adobe Systems Incorporated | Variably fast and continuous bilateral approximation filtering using histogram manipulations |
-
2012
- 2012-05-17 JP JP2012113275A patent/JP2013239108A/ja active Pending
-
2013
- 2013-05-10 US US13/891,514 patent/US9036904B2/en not_active Expired - Fee Related
- 2013-05-17 CN CN2013101845528A patent/CN103428403A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180371250A1 (en) * | 2016-03-03 | 2018-12-27 | Mcpp Innovation Llc | Elastomer composition and medical container stopper formed by molding same |
Also Published As
Publication number | Publication date |
---|---|
US20130308854A1 (en) | 2013-11-21 |
CN103428403A (zh) | 2013-12-04 |
US9036904B2 (en) | 2015-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204474B (zh) | 局部多等级色调映射运算器 | |
JP5061883B2 (ja) | 画像処理装置、画像処理方法、プログラム、および学習装置 | |
US20120321214A1 (en) | Image processing apparatus and method, program, and recording medium | |
US8401340B2 (en) | Image processing apparatus and coefficient learning apparatus | |
US20080025635A1 (en) | Method, medium, and system compensating shadow areas | |
JP2013239108A (ja) | 画像処理装置および方法、学習装置および方法、並びに、プログラム | |
JP4882999B2 (ja) | 画像処理装置、画像処理方法、プログラム、および学習装置 | |
JP5407462B2 (ja) | 画像出力装置、輪郭強調装置及び輪郭強調方法 | |
US8433145B2 (en) | Coefficient learning apparatus and method, image processing apparatus and method, program, and recording medium | |
JP2009152820A (ja) | 学習装置および方法、画像処理装置および方法、並びにプログラム | |
JP2012231301A (ja) | 係数学習装置および方法、画像処理装置および方法、プログラム、並びに記録媒体 | |
CN103793892B (zh) | 图像处理装置和图像处理方法 | |
US9154671B2 (en) | Image processing apparatus, image processing method, and program | |
KR20190058753A (ko) | 영상 처리 방법 및 이를 수행하는 영상 처리 장치 | |
US7953289B2 (en) | Image processing apparatus, display device, and image processing method | |
JP4761560B2 (ja) | 画像信号処理装置及び画像信号処理方法 | |
US8693809B2 (en) | Video processing method and circuit using thereof | |
JP2011217010A (ja) | 係数学習装置および方法、画像処理装置および方法、プログラム、並びに記録媒体 | |
JP2007251690A (ja) | 画像処理装置および方法、学習装置および方法、並びにプログラム | |
JP2000348019A (ja) | データ処理装置およびデータ処理方法、並びに媒体 | |
JP2009253873A (ja) | 画像処理装置及び方法、並びにプログラム | |
JP4623345B2 (ja) | 画像処理装置および方法、並びに記録媒体 | |
JP2004104318A (ja) | 画像処理方法及び装置並びにプログラム | |
JP5099429B2 (ja) | 信号処理装置、信号処理方法、およびプログラム、並びに学習装置 | |
JP2011217011A (ja) | 係数学習装置および方法、画像処理装置および方法、プログラム、並びに記録媒体 |