JP2017500651A - 入力低解像度(lr)画像を処理して出力高解像度(hr)画像にする方法 - Google Patents

入力低解像度(lr)画像を処理して出力高解像度(hr)画像にする方法 Download PDF

Info

Publication number
JP2017500651A
JP2017500651A JP2016539240A JP2016539240A JP2017500651A JP 2017500651 A JP2017500651 A JP 2017500651A JP 2016539240 A JP2016539240 A JP 2016539240A JP 2016539240 A JP2016539240 A JP 2016539240A JP 2017500651 A JP2017500651 A JP 2017500651A
Authority
JP
Japan
Prior art keywords
image
patch
lnp
regression function
patches
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
JP2016539240A
Other languages
English (en)
Other versions
JP6275260B2 (ja
Inventor
ポリクリ、ファティー
シュリバスタバ、アシシュ
ソーントン、ジェイ
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric 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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of JP2017500651A publication Critical patent/JP2017500651A/ja
Application granted granted Critical
Publication of JP6275260B2 publication Critical patent/JP6275260B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/40Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G06T3/4076Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/40Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/40Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/73Deblurring; Sharpening
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20021Dividing image into blocks, subimages or windows
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20076Probabilistic image processing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30168Image quality inspection

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Image Analysis (AREA)

Abstract

方法が、回帰関数を用いて低解像度(LR)から高解像度(HR)画像を生成する。トレーニング段階中、トレーニングHR画像がLR画像にダウンサンプリングされる。ローカル3値パターン(LTP)に基づいてLR−HRパッチ対ごとにシグネチャが決定される。シグネチャは、パッチ対特徴の抽象化として用いられる低次元記述子である。次に、同じシグネチャを有するパッチ対がクラスタリングされ、LRパッチをHRパッチにマッピングする回帰関数が決定される。いくつかの場合、決定された単一の回帰関数を学習するために、同様のシグネチャのパッチ対を組み合わせることができ、これによって必要な回帰関数の数が減少する。実際のアップスケーリング中、入力画像のLRパッチが同様に処理され、シグネチャ及び回帰関数が得られる。次に、LRパッチを、トレーニング回帰関数を用いてアップスケーリングすることができる。

Description

この発明は、包括的には画像処理に関し、より詳細には、高解像度画像を生成することに関する。
高解像度(HR)表示デバイスにおける表示のために、移動電話、ラップトップ、ウェブカメラ及び他のハンドヘルドデバイス等のデバイスを用いて低解像度(LR)画像を取得することが一般的である。通常、LR対HRの変換はアップスケーリング又はアップサンプリングによって行われ、これは、HR画像内の未知のピクセルの数が、LR画像内の既知のピクセルの数を数桁超える可能性があるため、不良設定逆問題である。この問題は、自然シーンの画像をモデル化する際に遭遇する独自の難題、並びにLR画像における不可避なカメラのぼけ及びノイズによって悪化する。
アップスケーリング方法は、パラメトリック又は非パラメトリックとすることができる。パラメトリック方法は、HR画像を、例えば双三次補間を用いてモデル化する。その方法は、LR画像内の帯域制限構造を想定する。総変動最小化方法は、LR画像が有界の総変動ノルムを有すると想定する。確率モデルは、画像の勾配プロファイルにおける事前確率を想定し、事前確率のハイパーパラメーターから指定又は推定する。スパースモデルは、画像パッチが基底辞書又は学習済み辞書においてスパースであると想定する。
非パラメトリック方法は、画像又は画像パッチのための明示的なモデルを想定しない。代わりに、この方法は、スケール不変性、並進不変性等の自然画像不変性を利用する。そのような場合、HR解像度未知画像パッチの事前確率は、データベースに記憶されたパッチ又はスケール空間入力画像からのパッチから得られる。この方法は、LRパッチとHRパッチとの対応を「学習する」。再構成中、LR解像度パッチの全ての発生が、対応するHRパッチに置き換えられる。パラメトリック方法及び非パラメトリック方法の双方が欠点を有する。
いずれの方法も、中程度のアップスケール係数であっても現実的なテクスチャの詳細を再現しない。結果として得られる画像は、ぼやけたエッジ、増大したノイズ、ハロ、リンギング及びエイリアシング等の様々なアーチファクトを被る。全ての従来技術のアップスケーリング方法は、かなりの計算リソースを必要とし、例えば、小さい画像を16倍アップスケーリングするのに数分又は数時間かかる可能性があり、これにより、この方法はリアルタイム用途には役立たない。
この発明の実施の形態は、低解像度(LR)画像から高解像度(HR)画像を生成する方法を提供する。本方法は、シグネチャに基づいて、クラスタ内のHRパッチ及びLRパッチの対から導出された回帰関数を用いる。シグネチャは、ローカルn変数パターン(LnP)を用いて、同様の外観のパッチをグループ化し、このグループから、LRパッチに対応する出力HRパッチを推定する回帰関数を学習する。例えば、LnPは、ローカル2値パターン又はローカル3値パターンとすることができる。
本方法は、2つの主要な段階、すなわち、オフライントレーニング及びリアルタイムアップスケーリングを用いる。オフライントレーニング中、トレーニングLR−HRパッチの対が生成される。パッチは重複している可能性がある。例えば、HRパッチは或る所定のサイズであり、LRパッチは、或る所定のスケールパラメーターについてのHRパッチのダウンサンプリングされたバージョンである。回帰関数は、LR−HRパッチ対内のLRパッチのLnPに基づく。リアルタイムアップスケーリング中、HR画像は、パッチごとの形式でLnPに基づいて回帰関数を適用することによって入力LR画像から生成される。パッチが重複するとき、重複領域内のピクセル値は、平均をとること、中央値を計算すること等によって、複数の推定値から得ることができる。
本方法は、顕著なエッジをぼやけさせることなく、かつ精細なテクスチャの詳細を失うことなく、HR画像を生成する。
この発明の実施の形態によるトレーニング段階及びアップスケーリング段階の流れ図である。 この発明の実施の形態によるトレーニング段階の流れ図である。 この発明の実施の形態によるアップスケーリング段階の流れ図である。 この発明の幾つかの実施の形態によるアップサンプリングの概略図である。
この発明の実施の形態は、入力低解像度(LR)画像から出力高解像度(HR)画像を生成する方法を提供する。入力LR画像は、低ノイズ分散及び詳細なテクスチャパターンを有する自然画像又は合成画像のいずれかとすることができる。本方法は、一連の画像、例えばビデオを処理することができることを理解するべきである。いずれの場合にも処理をリアルタイムで行うことができることが更に理解される。
図1は、対応するトレーニングLR及びHR画像201の対からの1組の回帰関数109のトレーニング200を示す。アップスケーリング300は、回帰関数を用いて、入力LR画像305から出力HR画像309を生成する。トレーニング200及びアップスケーリング300は、当該技術分野において既知のバスによってメモリ及び入出力インタフェースに接続されたプロセッサ100によって実行することができる。
図2に示すように、トレーニングは、LR−HR画像対に基づく。そのような対は、当該技術分野において通常行われているように、HR画像をダウンサンプリングしてLR画像を得ることによって得ることができる。LR−HR画像201は、次に、対応するLR−HRパッチ210の対に分割される。1つの実施の形態では、パッチは部分的に重複している。HRパッチは所定のサイズとすることができ、LRパッチは、何らかの所定のスケールパラメーターのためのダウンサンプリングされたバージョンである。例えば、HRパッチは、5×5のピクセルであり、LRパッチは3×3のピクセルである。他のサイズも可能であることが理解される。
パッチの対ごとに、シグネチャが決定される。シグネチャは、対内のLRパッチから抽出されたローカルn値パターン(LnP)221の形態とすることができる。LnPは、ローカル3値パターン(LTP)又はローカル2値パターン(LBP)とすることができる。LTPはLBPの拡張である。LBPと異なり、LTPは、ピクセルを0及び1に閾値処理するのではなく、3つの値(−1,0,+1)を可能にする閾値定数を用いる。図2の以下の説明はLTPを想定するが、LBPも用いることができる。
次のステップは、LR−HRパッチ対210を含む、幅広く揃ったサンプルパッチを取得する。これは、LR−HRパッチのランダム選択又は一様格子上のサンプリング等の任意の方法によって行うことができる。パッチ対の各メンバーは、同じピクセルを中心とする。このとき、LR−HRパッチ対ごとにシグネチャを決定する。LnPシグネチャは、パッチ対内のLR画像から決定される(220)。通常、用いられる手順に依拠して、シグネチャは、LR画像、双三次アップサンプリングされたLRパッチ又はHRパッチから決定することができる。
シグネチャは低次元の記述子である。記述子は、パッチ対の外観の抽象化として用いられる。1つの実施の形態におけるシグネチャとして、LTPを用いる。しかし、他にも、ローカル2値パターン(LBP)及び他の拡張が可能である。
1つの実施の形態では、LRパッチを9個のピクセル輝度の3×3のセルに分割することによってLTP特徴を決定する。LTP値を決定するために、中心ピクセルの輝度を、8個の近傍ピクセルの各々の輝度と比較する。左上のセルから開始して、中心セルの回りを時計回りに移動する。輝度が中心セルの輝度に閾値を加えたもの以上である場合、+1を割り当てる。輝度が中心輝度から閾値を減算したもの以下である場合、以下のように、−1を割り当て、そうでない場合、0を割り当てる。
1:p≧c+kの場合
0:p>c−kおよびp<c+kの場合
−1:p<c−kの場合
ここで、pはセルの輝度であり、cは中心セルの輝度であり、kは閾値である。
LTP値を用いる場合、8ディジットベクトルにおいて3つの別個の値を有する。このため、この発明のシグネチャの場合、n個の別個のLTPベクトル240が存在し得る。ここで、LBPの場合、nは2であり、LTPの場合、nは3である。
LR−HRパッチ対ごとにシグネチャを決定した後、同じシグネチャを有する対を同じグループにクラスタリングする(230)。次に、グループごとに回帰関数を学習する(240)。
学習を行うために、各LRパッチ及びHRパッチをベクトル化することができる。すなわち、パッチを形成する2D行列内のピクセル輝度は、パッチの行を隣合わせに単一の行に書き込むことによって、1Dベクトルに再構成される。例えば、3×3のLRパッチは、1×9ベクトルになるように形成することができる。n個のパッチが存在すると想定して、Lを、n個のLRベクトルを(例えば)n×9の行列にスタッキングすることにより得られる行列とし、Hを、n個のHRベクトルを、n行と、ベクトル化されたHRパッチのサイズによって決まる列数との同様の行列(例えば、5×5=25)にスタッキングすることにより得られる行列とする。
次に、各LRパッチを取得し、LRパッチをその対応するHRパッチに最適にマッピングする回帰関数が学習される。マッピングを最適化するコスト関数が二乗誤差(L2)となるように取得され、HRモデルが線形である場合、この学習は、シグネチャグループごとに線形回帰関数(行列)を用いて行うことができる。
=inv(L *L)*L*H
ここで、Fはシグネチャグループについて学習される回帰関数であり、invは逆関数を示し、Lはベクトル化されたLRパッチのアレイである。Tは行列転置であり、Hはグループのためのベクトル化されたHRパッチのアレイである。結果はLTPグループごとの単純な線形回帰関数109である。線形回帰の代わりに、指数関数、対数関数、三角関数、冪関数及びガウス関数等の非線形回帰関数を用いることもできる。
1つの実施の形態では、LR画像の双三次アップサンプリングを用いて拡大LR(ELR)画像を形成することができる。次に、ベクトル化後、同じ入出力アレイサイズに取り組む。例えば、スケール係数1.25及びLRパッチサイズ4×4の場合、HRパッチサイズは5×5となる。シグネチャグループのための300個のパッチが存在すると仮定する。このとき、双三次アップサンプリングされたELRパッチを用いると、Lは300×25の行列であり、Hは300×25の行列であり、Fは25×25の行列であり、すなわち、25は、5×5のパッチを25×1のベクトルにベクトル化したことによる。
グループごとに回帰関数を個々に学習する代わりに、シグネチャ類似度判断基準に基づいて、単一の回帰関数を学習するために選択されたグループのパッチ対を組み合わせることができる。例えば、類似度判断基準は、LnPの回転バージョン、対称バージョン又は回転対称バージョンに基づくことができる。回転された、すなわち循環シフトされたLnpは、回転されたパッチに対応する。同様に、対称なLnPは対称なパッチに属する。回帰関数学習段階中、対称及び回転(循環シフト)操作によって互いにマッピングすることができるLnPのパッチ対を、対応するパッチ対に同様の変換を加えた後に組み合わせて同じグループにする。同じグループのLnPに基準LnPを割り当てる。ここでもまた、これらのLnPは、単純な循環シフト及び対称操作によって基準LnPに変換することができる。グループごとに、そのグループの基準LnP、そのグループに含まれるLnP、及びまたグループ内のLnPをグループの基準LnPに変換するときにパッチに適用される操作の順序を指定するルックアップテーブルを学習する。これらから、同じグループ内の他のLnPに対応する回帰関数を得るために、基準LnPの回帰関数係数を再構成する操作を決定する。結果として、回帰関数の数が減少し、関数を記憶するのに必要なメモリ量が最小限にされる。
別の可能性は、共有回帰関数が、2つの独立した回帰関数よりも、生成するコストがそれほど高くないという観測に基づいて、類似の回帰関数を可能にするシグネチャをグループ化することである。加えて、選択されたシグネチャを組み合わせて汎用回帰関数にすることができる。なぜなら、シグネチャは非常に稀であり、例えば、関数が発生するのが或る所定のしきい値未満であるためである。したがって、汎用回帰関数を用いることは、画像内の幾つかのピクセルにしか影響を与えず、出力HR画像の全体外観にほとんど影響を与えない。
アップスケーリング
図3に示すように、アップスケーリング300は、トレーニングと同じ、LRパッチへの画像分割に従う。アップスケーリング300は、入力LR画像305から始まり、入力LR画像305はLRパッチ301に分割され、LRパッチ301についてLnPが計算310される。この実施の形態において、LR画像は、パッチを処理する前にまずアップサンプリングされる。なぜなら、図4について以下で説明するように、3×3のパッチは5×5のパッチに対するサポートが不十分なであるためである。トレーニング中と同様に、重複するパッチにおいて入力特徴を決定することができる(330)。隣接するパッチ間の重複量は、アプリケーション固有又は適応的とすることができる。次に、LTP値に基づいて各パッチに回帰関数を適用することができる(340)。複数の予測値は出力HR画像309を構築するように平均するか又は中央値を計算する(350)ことができる。
図4はアップサンプリングの別の例を示す。ここで、オリジナルLRピクセルは、2倍のアップサンプリング後にHRパッチ内に間隔をあけて配置される。長方形401は、5×5のHRパッチ及び対応する3×3のLRパッチ402を示す。一方、各HRパッチはLR画像内の4×4のパッチの関数であり、このため、3×3のLRパッチから開始し、5×5のHRパッチを導出することは不可能であることに留意されたい。なぜなら、5×5のパッチ内の値は、LR内の3×3の近傍を用いたためである。実際にHR内の5×5のパッチ401のためのサポートは、LR内の5×5のパッチ403全体を必要とする。
換言すれば、拡大されたLR(ELR)パッチから開始する場合、LTPは、図4に示すELRのスパースなサンプリングから決定することができる。ELR内に4つのタイプのピクセル、すなわち、オリジナル、右、下及び対角の近傍が存在する。各タイプのピクセルは、オリジナルピクセルと同じLTPを有することができるか、又は各々が独自の個々のLTPを有することができる。この場合、操作は対称である。この場合、本方法は、ELR画像のみでなく任意の画像に対し操作を行うことができるので、適応画像鮮明化に類似している。
トレーニング及び係数2によるアップスケーリングの別の実施の形態では、ELRの使用を以下のように回避する。ここでもまた、LR画像から得られたLnP値に基づいてパッチ対クラスタを収集する。ここでもまた、回帰関数は、LnP値クラスタごとに学習される。この実施の形態では、学習される回帰関数は、LR画像内の5×5のパッチを、HR画像内の5×5のパッチに直接マッピングする。前の実施の形態における各ELRは、通常、トレーニングパッチにおいて用いられるLR画像内の同じ5×5のパッチの線形関数であったため、この実施の形態において、出力HR画像は同じとすることができ、ELR計算が回避される。
この実施の形態の変形形態において、HRとELRとの間の差分を出力するように回帰関数をトレーニングすることができる。この差分又は近似は、双三次アップサンプリングによって得られるHRとELRとの間の誤差である。このため、回帰関数の出力をELRに加えて、HRの良好な近似を生成することができる。
双方の実施の形態の別の変形形態において、各LRピクセルにおける5×5のパッチを予測する代わりに、各ピクセルにおいて3×3のパッチのみを予測することができ、これにより、計算が減ることに起因して時間が節減され、かつ、このとき、回帰関数は9×25の行列であることしか必要としないので、メモリが節減される。
この発明の方法は、多くの種類の分野における画像処理に適用可能である。

Claims (20)

  1. 入力低解像度(LR)画像を処理して出力高解像度(HR)画像にする方法であって、
    前記入力LR画像をパッチに分割することと、
    パッチごとにローカルn値パターン(LnP)を決定することと、
    前記LR画像を拡大して、拡大LR画像(ELR)を生成することと、
    前記LnPに基づいて前記ELR画像パッチに回帰関数を適用して、前記出力HR画像を生成することであって、前記回帰関数は、トレーニングELR画像とトレーニングHR画像との対から学習されることと、
    を含み、各ステップはプロセッサにおいて実行される、方法。
  2. 前記LnPはローカル2値パターンである、請求項1に記載の方法。
  3. 前記LnPはローカル3値パターンである、請求項1に記載の方法。
  4. 処理は一連の画像に対し操作を行う、請求項1に記載の方法。
  5. 前記パッチは重複する、請求項1に記載の方法。
  6. 前記拡大は双三次アップサンプリングを用いる、請求項1に記載の方法。
  7. ELRパッチを分割して、9個のピクセルの3×3のセルにすることと、
    左上セルから開始して、中心セルの輝度を8個の近傍セルの輝度と比較し、中心ピクセルの回りを時計回りに移動し、以下の式に従って、前記輝度が前記中心セルの輝度に閾値を加えたもの以上である場合、+1を割り当て、前記輝度が前記中心セルの輝度から前記閾値を減算したもの以下である場合、−1を割り当て、そうでない場合、0を割り当て、
    1:p≧c+kの場合
    0:p>c−kおよびp<c+kの場合
    −1:p<c−kの場合
    ここで、pは前記セルの輝度であり、cは前記中心セルの輝度であり、kは前記閾値であることと、
    同じシグネチャを有するパッチ対を同じグループにクラスタリングすることと、
    グループごとに前記回帰関数を学習することと、
    を更に含む、請求項2に記載の方法。
  8. 類似度判断基準に基づいて選択されたグループの前記パッチ対を組み合わせることと、
    前記組み合わされたパッチ対から単一の関数を学習することと、
    を更に含む、請求項7に記載の方法。
  9. 前記類似度判断基準は、前記LnPの回転バージョン、対称バージョン又は回転対称バージョンに基づく、請求項8に記載の方法。
  10. 選択されたグループを組み合わせて汎用回帰関数がトレーニングされ、前記選択されたグループが発生するのは或る所定の閾値未満である、請求項7に記載の方法。
  11. 入力低解像度(LR)画像を処理して出力高解像度(HR)画像にする方法であって、
    前記入力LR画像をパッチに分割することと、
    パッチごとにローカルn値パターン(LnP)を決定することと、
    前記LnPに基づいて前記LR画像内の各パッチに回帰関数を適用し、重複するHRパッチを生成することと、
    前記パッチ内のピクセルの輝度を平均することによって前記出力HR画像を取得することであって、前記回帰関数は、トレーニングLR画像とトレーニングHR画像との対から学習されることと、
    を含み、各ステップはプロセッサにおいて実行される、方法。
  12. 前記LnPはローカル2値パターンである、請求項11に記載の方法。
  13. 前記LnPはローカル3値パターンである、請求項11に記載の方法。
  14. 処理は一連の画像に対し操作を行う、請求項11に記載の方法。
  15. 処理はリアルタイムである、請求項11に記載の方法。
  16. 前記パッチは重複する、請求項11に記載の方法。
  17. 前記回帰関数は、前記HRと拡大LR(ELR)との間の差分を出力するようにトレーニングされ、前記差分を前記ELRに加えて前記出力HRを生成する、請求項11に記載の方法。
  18. 前記回帰関数は線形回帰関数である、請求項1に記載の方法。
  19. 前記パッチ対を前記同じグループ内の対称LnPと組み合わせることと、
    前記パッチ対を前記同じグループ内の回転LnPと組み合わせることと、
    前記パッチ対を前記同じグループ内の回転対称LnPと組み合わせることと、
    グループごとに基準LnPを選択することと、
    前記LnPから前記同じグループ内の前記基準LnPまでのルックアップテーブルを決定することと、
    空間回転及びミラーリング操作により、前記同じグループ内のパッチ対を、前記基準LnPを有する全ての対に変換することと、
    グループごとに前記回帰関数を学習することと、
    を更に含む、請求項7に記載の方法。
  20. 入力低解像度(LR)画像を処理して出力高解像度(HR)画像にする方法であって、
    前記入力LR画像をパッチに分割することと、
    パッチごとにローカルn値パターン(LnP)を決定することと、
    ルックアップテーブルから前記LnPのための基準LnPを決定することと、
    前記ルックアップテーブルに従って前記基準LnPの回帰関数係数を再構成することと、
    前記LR画像内の各パッチの前記基準LnPに基づいて再構成された回帰関数を適用し、重複するHRパッチを生成することと、
    前記パッチ内のピクセルの輝度を平均することによって前記出力HR画像を得ることであって、前記回帰関数は、トレーニングLR画像とトレーニングHR画像との対から学習されることと、
    を含み、各ステップはプロセッサにおいて実行される、方法。
JP2016539240A 2014-03-20 2015-02-25 入力低解像度(lr)画像を処理して出力高解像度(hr)画像にする方法 Active JP6275260B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/220,402 US9734558B2 (en) 2014-03-20 2014-03-20 Method for generating high-resolution images using regression patterns
US14/220,402 2014-03-20
PCT/JP2015/056274 WO2015141463A1 (en) 2014-03-20 2015-02-25 Method for processing input low-resolution (lr) image to output high-resolution (hr) image

Publications (2)

Publication Number Publication Date
JP2017500651A true JP2017500651A (ja) 2017-01-05
JP6275260B2 JP6275260B2 (ja) 2018-02-07

Family

ID=52774440

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016539240A Active JP6275260B2 (ja) 2014-03-20 2015-02-25 入力低解像度(lr)画像を処理して出力高解像度(hr)画像にする方法

Country Status (6)

Country Link
US (1) US9734558B2 (ja)
EP (1) EP3120322B1 (ja)
JP (1) JP6275260B2 (ja)
MY (1) MY181495A (ja)
SG (1) SG11201606584XA (ja)
WO (1) WO2015141463A1 (ja)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615576A (zh) * 2018-06-28 2019-04-12 西安工程大学 基于级联回归基学习的单帧图像超分辨重建方法
JP2019117644A (ja) * 2016-01-19 2019-07-18 グーグル エルエルシー 画像アップスケーリング
KR20190097205A (ko) * 2017-02-24 2019-08-20 딥마인드 테크놀로지스 리미티드 멀티스케일 이미지 생성
WO2019194482A1 (ko) * 2018-04-06 2019-10-10 경희대학교산학협력단 국부 이진 패턴 분류 및 선형 매핑을 이용한 초해상화 방법
JP2020000678A (ja) * 2018-06-29 2020-01-09 株式会社ニデック 眼科画像処理装置、oct装置、眼科画像処理プログラム、および、数学モデル構築方法
US10664961B2 (en) 2016-06-28 2020-05-26 Silicon Works Co., Ltd. Inverse tone mapping method
KR20220055970A (ko) * 2020-10-27 2022-05-04 연세대학교 산학협력단 사전 정보 학습 기반 영상 업스케일링 장치 및 방법

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6391170B2 (ja) * 2015-09-03 2018-09-19 東芝メモリ株式会社 検査装置
WO2017070841A1 (zh) * 2015-10-27 2017-05-04 华为技术有限公司 图像处理方法和装置
EP3166068B1 (en) * 2015-11-06 2020-08-12 Thomson Licensing Method for upscaling an image and apparatus for upscaling an image
CN105847968B (zh) 2016-03-21 2018-12-21 京东方科技集团股份有限公司 基于深度学习的解像方法和系统
KR102580519B1 (ko) * 2016-09-07 2023-09-21 삼성전자주식회사 영상처리장치 및 기록매체
KR20180097342A (ko) * 2017-02-23 2018-08-31 한국전자통신연구원 영상 아티팩트를 최소화하는 초해상도 영상 선명화 방법 및 장치
CN107248140A (zh) * 2017-04-27 2017-10-13 东南大学 一种基于双向对齐稀疏表示的单幅图像超分辨率重建方法
US11004178B2 (en) 2018-03-01 2021-05-11 Nvidia Corporation Enhancing high-resolution images with data from low-resolution images
US10685428B2 (en) * 2018-11-09 2020-06-16 Hong Kong Applied Science And Technology Research Institute Co., Ltd. Systems and methods for super-resolution synthesis based on weighted results from a random forest classifier
RU2697928C1 (ru) * 2018-12-28 2019-08-21 Самсунг Электроникс Ко., Лтд. Способ сверхразрешения изображения, имитирующего повышение детализации на основе оптической системы, выполняемый на мобильном устройстве, обладающем ограниченными ресурсами, и мобильное устройство, его реализующее
CN109741416A (zh) * 2019-01-04 2019-05-10 北京大学深圳医院 核磁共振图像重建方法、装置、计算机设备及其存储介质
WO2020256704A1 (en) * 2019-06-18 2020-12-24 Huawei Technologies Co., Ltd. Real-time video ultra resolution

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5684544A (en) * 1995-05-12 1997-11-04 Intel Corporation Apparatus and method for upsampling chroma pixels
US5949914A (en) * 1997-03-17 1999-09-07 Space Imaging Lp Enhancing the resolution of multi-spectral image data with panchromatic image data using super resolution pan-sharpening
EP2615579A1 (en) * 2012-01-12 2013-07-17 Thomson Licensing Method and device for generating a super-resolution version of a low resolution input data structure
CN103455988B (zh) * 2013-09-17 2016-03-02 西安电子科技大学 基于结构自相似性与稀疏表示的超分辨率图像重构方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PARUL V.PTHADIA,PRAKASH P.GAJJAR, J.V.DAVE: "Super-resolution using DCT based learning with LBP as feature model", 2012 THIRD INTERNATIONAL CONFERENCE ON COMPUTING COMMUNICATION & NETWORKING TECHNOLOGIES(ICCCNT), JPN6017034155, 31 December 2012 (2012-12-31), US *
SHENG WANG: "Generalized local N-ary patterns for texture classification", 2013 10TH IEEE INTERNATIONAL CONFERENCE ON ADVANCED VIDEO AND SIGNAL BASED SURVEILLANCE, JPN6017034157, 21 October 2013 (2013-10-21), US, pages 324 - 329 *
小川、堀、滝口、有木: "自己縮小画像と混合ガウス分布モデルを用いた超解像", 画像の認識・理解シンポジウム論文集 第15回, JPN7017002911, August 2012 (2012-08-01), JP *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019117644A (ja) * 2016-01-19 2019-07-18 グーグル エルエルシー 画像アップスケーリング
US10929952B2 (en) 2016-01-19 2021-02-23 Google Llc Image upscaling
US10664961B2 (en) 2016-06-28 2020-05-26 Silicon Works Co., Ltd. Inverse tone mapping method
KR20190097205A (ko) * 2017-02-24 2019-08-20 딥마인드 테크놀로지스 리미티드 멀티스케일 이미지 생성
US11734797B2 (en) 2017-02-24 2023-08-22 Deepmind Technologies Limited Iterative multiscale image generation using neural networks
US11361403B2 (en) 2017-02-24 2022-06-14 Deepmind Technologies Limited Iterative multiscale image generation using neural networks
KR102253627B1 (ko) 2017-02-24 2021-05-18 딥마인드 테크놀로지스 리미티드 멀티스케일 이미지 생성
KR20190117196A (ko) * 2018-04-06 2019-10-16 경희대학교 산학협력단 국부 이진 패턴 분류 및 선형 매핑을 이용한 초해상화 방법
KR102077215B1 (ko) * 2018-04-06 2020-02-13 경희대학교 산학협력단 국부 이진 패턴 분류 및 선형 매핑을 이용한 초해상화 방법
US11455707B2 (en) 2018-04-06 2022-09-27 University-Industry Cooperation Group Of Kyung Hee University Super-resolution method using local binary pattern classification and linear mapping
WO2019194482A1 (ko) * 2018-04-06 2019-10-10 경희대학교산학협력단 국부 이진 패턴 분류 및 선형 매핑을 이용한 초해상화 방법
CN109615576A (zh) * 2018-06-28 2019-04-12 西安工程大学 基于级联回归基学习的单帧图像超分辨重建方法
JP2020000678A (ja) * 2018-06-29 2020-01-09 株式会社ニデック 眼科画像処理装置、oct装置、眼科画像処理プログラム、および、数学モデル構築方法
JP7183590B2 (ja) 2018-06-29 2022-12-06 株式会社ニデック 眼科画像処理装置、oct装置、および眼科画像処理プログラム
KR20220055970A (ko) * 2020-10-27 2022-05-04 연세대학교 산학협력단 사전 정보 학습 기반 영상 업스케일링 장치 및 방법
KR102543690B1 (ko) 2020-10-27 2023-06-13 연세대학교 산학협력단 사전 정보 학습 기반 영상 업스케일링 장치 및 방법

Also Published As

Publication number Publication date
EP3120322A1 (en) 2017-01-25
US9734558B2 (en) 2017-08-15
SG11201606584XA (en) 2016-10-28
WO2015141463A1 (en) 2015-09-24
JP6275260B2 (ja) 2018-02-07
US20150269708A1 (en) 2015-09-24
EP3120322B1 (en) 2019-04-24
MY181495A (en) 2020-12-23

Similar Documents

Publication Publication Date Title
JP6275260B2 (ja) 入力低解像度(lr)画像を処理して出力高解像度(hr)画像にする方法
Lim et al. Enhanced deep residual networks for single image super-resolution
CN112750082B (zh) 基于融合注意力机制的人脸超分辨率方法及系统
CN111260586B (zh) 扭曲文档图像的矫正方法和装置
Sun et al. Hybrid pixel-unshuffled network for lightweight image super-resolution
US9934553B2 (en) Method for upscaling an image and apparatus for upscaling an image
Xing et al. Residual swin transformer channel attention network for image demosaicing
CN115797176A (zh) 一种图像超分辨率重建方法
EP3937120B1 (en) Computer-implemented method, computer program product and system for processing images
Cosmo et al. Multiple sequential regularized extreme learning machines for single image super resolution
US20220172421A1 (en) Enhancement of Three-Dimensional Facial Scans
Zhang et al. Bilateral upsampling network for single image super-resolution with arbitrary scaling factors
Zandavi Post-trained convolution networks for single image super-resolution
Yue et al. An external learning assisted self-examples learning for image super-resolution
Nawaz et al. Image super resolution by sparse linear regression and iterative back projection
EP3086280A1 (en) Method for generating a super-resolved image and apparatus for generating a super-resolved image
Qiao et al. A novel SVM-based blind super-resolution algorithm
Xu et al. Color Guided Depth Map Super-Resolution with Nonlocla Autoregres-Sive Modeling
JP6361195B2 (ja) 画像処理装置、画像処理方法、画像処理プログラム及び記録媒体
Kang et al. Fast super-resolution algorithms using one-dimensional patch-based training and directional interpolation
Wang et al. Multi-Scale Detail Enhancement Network for Image Super-Resolution
Qi et al. Image super resolution reconstruction algorithm based on sparse representation and the UV chroma processing
Hosseini et al. A new robust fuzzy fusion technique in super resolution imaging
Mirshahi et al. A Dual Path Deep Network for Single Image Super-Resolution Reconstruction
Bai et al. A fast super-resolution method based on sparsity properties

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160613

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170912

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20171005

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20171212

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180109

R150 Certificate of patent or registration of utility model

Ref document number: 6275260

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250