JP2019028888A - カラー情報拡大器およびカラー情報推定器、ならびに、それらのプログラム - Google Patents
カラー情報拡大器およびカラー情報推定器、ならびに、それらのプログラム Download PDFInfo
- Publication number
- JP2019028888A JP2019028888A JP2017150153A JP2017150153A JP2019028888A JP 2019028888 A JP2019028888 A JP 2019028888A JP 2017150153 A JP2017150153 A JP 2017150153A JP 2017150153 A JP2017150153 A JP 2017150153A JP 2019028888 A JP2019028888 A JP 2019028888A
- Authority
- JP
- Japan
- Prior art keywords
- resolution
- color information
- image feature
- information
- monochrome
- 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
Links
- 238000000605 extraction Methods 0.000 claims description 79
- 238000000034 method Methods 0.000 claims description 41
- 230000002194 synthesizing effect Effects 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 20
- 230000015572 biosynthetic process Effects 0.000 claims description 17
- 238000003786 synthesis reaction Methods 0.000 claims description 17
- 239000003638 chemical reducing agent Substances 0.000 claims description 14
- 238000005549 size reduction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 abstract description 3
- 150000001875 compounds Chemical class 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 17
- 238000004040 coloring Methods 0.000 description 17
- 239000013598 vector Substances 0.000 description 15
- 238000002474 experimental method Methods 0.000 description 13
- 239000000284 extract Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000000052 comparative effect Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
Description
そして、カラー情報拡大器は、合成手段によって、前記第1解像度のモノクロ情報または当該第1解像度のモノクロ情報から抽出した高解像度の画像特徴量と、前記サイズ拡大手段により生成された高解像度の画像特徴量とを合成する。
そして、カラー情報拡大器は、高解像度カラー情報推定手段によって、前記合成手段により合成された高解像度の画像特徴量から、色空間のチャンネルごとに、推定を行うための学習により予め決定されたパラメータ群を用いて画像特徴量を抽出することにより前記高解像度カラー情報を推定する。
そして、カラー情報拡大器は、合成手段によって、前記第2解像度のカラー情報または当該第2解像度のカラー情報から抽出した低解像度の画像特徴量と、前記特徴抽出手段により抽出された低解像度の画像特徴量と、を合成する。
そして、カラー情報拡大器は、サイズ拡大手段によって、前記合成手段により合成された低解像度の画像特徴量から高解像度の画像特徴量を生成する。
そして、カラー情報拡大器は、高解像度カラー情報推定手段によって、前記サイズ拡大手段により生成された高解像度の画像特徴量から、色空間のチャンネルごとに、推定を行うための学習により予め決定されたパラメータ群を用いて画像特徴量を抽出することにより前記高解像度カラー情報を推定する。
また、本発明は、コンピュータを、前記カラー情報推定器として機能させるためのカラー情報推定プログラムで実現することもできる。
本発明に係るカラー情報拡大器によれば、高解像度のモノクロ画像から推定した低解像度のカラー情報を拡大する推定処理に際して、拡大されるカラー情報のぼけを低減できる。
また、本発明に係るカラー情報推定器によれば、入力される高解像度のモノクロ画像から推定するカラー情報のぼけを低減できる。
図1は、本発明の第1実施形態に係るカラー情報推定器を含む自動色付け装置の構成を模式的に示すブロック図である。
自動色付け装置1は、モノクロ画像からカラー情報を推定することにより、モノクロ画像へ自動的に色付けするものであり、図1に示すように、主として、カラー情報推定器3と、情報合成器9と、を備えている。
この自動色付け装置1は、例えば一般的なコンピュータで構成され、GPU(Graphics Processing Units)等の演算装置と、ROM(Read Only Memory)、RAM(Random Access Memory)、HDD(Hard Disk Drive)や一般的な画像メモリと、入出力インタフェースと、を備えている。
高解像度モノクロ画像101は、第1解像度のモノクロ画像である。この高解像度モノクロ画像101は、例えば、過去の白黒フィルムや写真からスキャンによりデジタル化したモノクロ画像である。
低解像度モノクロ画像103は、前記第1解像度よりも低い第2解像度のモノクロ画像である。
低解像度カラー情報105は、前記第2解像度のカラー情報である。
高解像度カラー情報107は、前記第1解像度のカラー情報である。
また、カラー情報とは、例えば、輝度チャンネル以外の2チャンネルについての画像特徴量とすることができる。ここで、画像特徴量とは、例えば、輝度、色度、彩度等の色空間を表す量である。また、画像特徴量は、例えば、色空間を表す量から抽出された平均値、分散、畳み込み積分値等であってもよい。また、画素ごとの画像特徴量の集合は、例えばモノクロ画像(モノクロ情報)やカラー情報である。また、画像特徴量は、高さ方向および幅方向(縦横)に要素が並べられた行列で取り扱ってもよいし、1次元の多変数ベクトルで取り扱ってもよい。
第1実施形態のカラー情報推定器3は、図1に示すように、縮小器5と、低解像度カラー情報推定器7と、カラー情報拡大器10と、を備えている。
カラー情報拡大器10は、低解像度カラー情報105または低解像度カラー情報105から抽出した画像特徴量のいずれかである低解像度の画像特徴量から高解像度の画像特徴量を生成し、高解像度モノクロ画像101または高解像度モノクロ画像101から抽出した高解像度の画像特徴量と、サイズ拡大手段2により生成された高解像度の画像特徴量とを合成し、合成された高解像度の画像特徴量から、色空間のチャンネルごとに、推定を行うための学習により予め決定されたパラメータ群を用いて画像特徴量を抽出する。
これにより、高解像度カラー情報107を推定する。
図2は、本発明の第1実施形態に係るカラー情報拡大器の構成を模式的に示すブロック図である。カラー情報拡大器10は、図2に示すように、サイズ拡大手段21と、合成手段22aと、高解像度カラー情報推定手段23と、を備えている。なお、図2のカラー情報拡大器10は、特徴抽出手段31,32,33を備える形態で図示したが、例えば、すべての特徴抽出手段を省略した構成とすることもできる。なお、以下では、特徴抽出手段について、便宜的に第1の特徴抽出手段31、第2の特徴抽出手段32、および第3の特徴抽出手段33のように呼称する場合もある。
合成手段22aは、1chのモノクロ情報と、このモノクロ情報と同じ大きさの2chのカラー情報とを単純に合成し、高解像度の画像特徴量を生成する。合成手段22aには、例えば、ニューラルネットワークのConvolution層を用いてもよい。
ここで、学習とは、カラー情報拡大器10を作成するための学習をいう。具体的には、高解像度カラー情報推定手段23を含むカラー情報拡大器10を作成するための学習により高解像度カラー情報推定手段23等の内部パラメータ(パラメータ群)を適切に設定することにより、精度の良い推定器として、高解像度カラー情報推定手段23を作成できる。なお、カラー情報拡大器10を作成するための学習の流れについては後記する。
高解像度カラー情報推定手段23には、例えば、ニューラルネットワークのConvolution層を用いてもよい。また、Convolution層(隠れ層)が複数あってもよい。つまり、Convolutionを連続的に繰り返し行ってもよい。
高解像度カラー情報推定手段23の前段からのアウトプットチャンネル数は所望の値に設定できる。例えば合成手段22aからのアウトプットチャンネル数は3chやそれ以上であってもよい。
次に、低解像度カラー情報推定器7の学習の流れについて図3を参照して説明する。低解像度カラー情報推定器7の学習の流れは、従来のカラー情報推定器の学習の流れと同様なので簡単に説明する。
低解像度カラー情報推定器7は、以下の手順により、予め用意した学習器から生成する。この学習器は、モノクロ画像を入力し、所定の計算処理を行うことによりカラー情報を推定して出力する。この学習器(図3では、学習が終わった状態の低解像度カラー情報推定器7として表記している)は、内部パラメータ(パラメータ群)を備え、このパラメータを変更することにより、学習器からの出力を調整する。そして、大量の学習用のカラー画像を用意し、以下のステップS1〜ステップS4を十分な回数繰り返す。この学習器がこのパラメータを学習し、適切にパラメータを設定することにより精度の良いカラー情報推定器を作成できる。
学習用のカラー画像として低解像度カラー画像202を用意し、それを低解像度モノクロ画像203と真のカラー情報204とに分離する。
ここで、低解像度モノクロ画像203は、低解像度の学習用モノクロ画像である。
また、真のカラー情報204は、低解像度の学習用モノクロ画像と同じサイズの正解カラー情報であって、推定されるカラー情報との誤差計算に用いる。
次に、学習器(低解像度カラー情報推定器7)は、低解像度モノクロ画像203を入力し、現在のパラメータを用いた推定結果のカラー情報として、低解像度カラー情報205を出力する。
次に、誤差計算器40は、低解像度カラー情報205(推定カラー情報)と真のカラー情報204との誤差を計算する。この誤差としては、各画素値の平均二乗誤差などが用いられる。
また、誤差計算器40は、計算して得られた誤差から、SGDなどの誤差勾配に基づく最適化手法を用いて、誤差が小さくなるように、学習器(低解像度カラー情報推定器7)のパラメータを調整し、調整されたパラメータを学習器に出力する。なお、SGDについては、次の参考文献に記載されているので説明を省略する。
(参考文献)L. Bottou., ”Stochastic Gradient Descent Tricks.,”Neural Networks: Tricks of the Trade: Springer, 2012.
次に、カラー情報拡大器10の学習の流れについて図4を参照して説明する。
カラー情報拡大器10は、以下の手順により、予め用意した学習器から生成する。この学習器は、高解像度モノクロ画像301および低解像度カラー情報305を入力し、所定の計算処理を行うことにより高解像度カラー情報307を推定して出力する。この学習器(図4では、学習が終わった状態のカラー情報拡大器10として表記している)は、内部パラメータ(パラメータ群)を備え、このパラメータを変更することにより、学習器からの出力を調整する。そして、大量の学習用のカラー画像を用意し、以下のステップS10〜ステップS14を十分な回数繰り返す。この学習器がこのパラメータを学習し、適切にパラメータを設定することにより精度の良いカラー情報拡大器を作成できる。
学習用のカラー画像として高解像度カラー画像309を用意し、それを縮小器5によって単純に縮小して低解像度カラー情報305とする。
ここで、高解像度カラー画像309としては、古い白黒フィルムをカラー化したものも使用する。この場合、例えば、過去の白黒フィルムや写真からスキャンによりデジタル化したモノクロ画像に対して、人手で色付けしたデジタルデータとする。また、学習用の高解像度カラー画像309を大量に準備するために、古い白黒フィルム以外に、カラー撮影された新しい4K等のカラー画像を用いてもよい。
次に、高解像度カラー画像309を、高解像度モノクロ画像301と高解像度カラー情報(真のカラー情報)304とに分離する。
ここで、高解像度モノクロ画像301は、高解像度の学習用モノクロ画像である。
また、高解像度カラー情報304は、高解像度の学習用モノクロ画像と同じサイズの正解カラー情報であって、推定される高解像度カラー情報との誤差計算に用いる。
次に、学習器(カラー情報拡大器10)は、高解像度モノクロ画像301を入力し、現在のパラメータを用いた推定結果のカラー情報として、高解像度カラー情報307を出力する。
次に、誤差計算器40は、高解像度カラー情報307(推定カラー情報)と高解像度カラー情報(真のカラー情報)304との誤差を計算する。この誤差としては、前記した手法と同様の各画素値の平均二乗誤差や交差エントロピーなどを用いる。
また、誤差計算器40は、計算して得られた誤差から、SGDなどの誤差勾配に基づく最適化手法を用いて、誤差が小さくなるように、学習器(カラー情報拡大器10)のパラメータを調整し、調整されたパラメータを学習器に出力する。なお、誤差計算器40は、学習のときに付加されるが、学習後には接続を解除する。
なお、合成手段22aで生成された高解像度の画像特徴量には、高解像度モノクロ画像101の情報(モノクロ情報)と低解像度カラー情報105とに起因した情報を含む。
つまり、高解像度カラー情報107を推定する際に用いるパラメータ群は、学習器にそれぞれ入力される低解像度の学習用カラー情報および高解像度の学習用モノクロ画像から所定演算により推定される拡大された高解像度のカラー情報と、学習用モノクロ画像と同じサイズの正解カラー情報と、の対応付けを学習することにより決定される。
そのため、カラー情報拡大器10のように、高解像度モノクロ画像101を用いて、低解像度カラー情報105を拡大すると、特に、高解像度モノクロ情報チャンネル(高解像度モノクロ画像101)上で境界がはっきりしている領域におけるカラー情報のぼけが低減される効果を奏する。
次に、カラー情報拡大器の第2実施形態について図5を参照(適宜図2参照)して説明する。図5に示すカラー情報拡大器10Aは、サイズ拡大手段21の前段に合成手段22bを備えている点が、図2に示すカラー情報拡大器10と相違している。なお、カラー情報拡大器10Aにおいて、図2に示すカラー情報拡大器10と同じ構成には同じ符号を付して説明を省略する。
合成手段22bは、2chの低解像度のカラー情報と、この低解像度のカラー情報と同じ大きさの1chのモノクロ情報と、を単純に合成し、低解像度の画像特徴量を生成する。合成手段22bには、例えば、ニューラルネットワークのConvolution層を用いてもよい。
本実施形態では、高解像度カラー情報推定手段23は、サイズ拡大手段21で生成された高解像度の画像特徴量から高解像度カラー情報107を推定する。
次に、カラー情報拡大器の第3実施形態について図6を参照(適宜図2および図5参照)して説明する。なお、カラー情報拡大器10Bにおいて、カラー情報拡大器10,10Aと同じ構成には同じ符号を付して説明を省略する。
次に、カラー情報拡大器の第4実施形態について図7を参照(適宜図1および図2参照)して説明する。なお、カラー情報拡大器10Cにおいて、カラー情報拡大器10と同じ構成には同じ符号を付して説明を省略する。
ここでは、第1解像度の画像の大きさをN(=3840×2160ピクセル)とすると共に、第2解像度の画像の大きさをN/8(=480×270ピクセル)として説明する。つまり、カラー情報拡大器10Cに入力する高解像度モノクロ画像101は、解像度=Nのモノクロ画像であるものとする。また、カラー情報拡大器10Cに入力する低解像度カラー情報105は、解像度=N/8のカラー情報であるものとする。
サイズ縮小手段50は、高解像度モノクロ画像101を、所定の縮小率で縮小する処理を再帰的に行うことにより第1解像度よりも小さく第2解像度よりも大きな解像度を持った複数レベルの解像度のモノクロ画像を生成する。
さらに、サイズ縮小手段50は、モノクロ画像111(解像度=N/2のモノクロ画像)を縮小してモノクロ画像121を生成する。このモノクロ画像121は、解像度=N/4のモノクロ画像である。また、モノクロ画像121は、この場合にサイズ縮小手段50で生成される最小レベルの解像度のモノクロ画像である。
例えば最終的な拡大率を23倍(=8倍)とするカラー情報拡大器10Cを学習により作るときには、拡大率を2倍とするカラー情報拡大器10を学習に用いればよい。これは、再帰的カラー情報拡大器としないで8倍の拡大を実現しようとするときに決定すべきパラメータ数を約1/3に低減させる効果を奏することができる。
よって、カラー情報拡大器10Cによれば、予め推定した低解像度カラー情報105の解像度がN/8(480×270ピクセル)である場合に、解像度がN(=3840×2160ピクセル)に拡大された高解像度カラー情報107を容易に取得することが可能となる。
同様に、カラー情報拡大器10Cにおいて、例えば2つのサイズ縮小手段50を連結する代わりに、1つのサイズ縮小手段50を異なるタイミングで作動させることにより、2つのサイズ縮小手段50の働きをさせるようにしてもよい。
次に、本発明の第2実施形態に係るカラー情報推定器について図8を参照(適宜図1参照)して説明する。カラー情報推定器3Bは、図8に示すように、低解像度カラー情報推定器7Bと、カラー情報拡大器10Dと、を備えている。
これに対して、第2実施形態に係るカラー情報推定器3Bは、バイパス経路401からの高解像度モノクロ画像101の入力が存在することにより、カラー情報拡大器10Dに相当する箇所の学習をする際に、高解像モノクロ情報が、このような比較例よりも強い影響を持つ。そのため、カラー情報推定器3Bは、高解像モノクロ情報チャンネル(色空間における輝度チャンネルの高解像の情報)上で境界がはっきりしている領域では、ぼけがないようなカラー情報の拡大をする学習が、上述した比較例よりも促進されることが実験的にも分かっている。
次に、本発明の第3実施形態に係るカラー情報推定器について図9を参照(適宜図7および図8参照)して説明する。カラー情報推定器3Cは、図9に示すように、低解像度カラー情報推定器7Bと、カラー情報拡大器10Eと、サイズ縮小手段50と、を備えている。ここでは、カラー情報推定器3Cに入力する高解像度モノクロ画像101は、解像度=N(=3840×2160ピクセル)のモノクロ画像であるものとする。また、低解像度カラー情報推定器7Bが出力するカラー情報は、解像度=N/8のカラー情報であるものとする。
各合成手段22a,22b,22cは、同じ機能を有し、ここでは、別々の経路から入力される各画像特徴量を単純に合成し、アウトプットチャンネル数を増加させた画像特徴量を生成する。
具体的は、カラー情報推定器3Cにおいて、サイズ拡大手段21cは、低解像度カラー情報推定器7Bが出力する2chのカラー情報(解像度=N/8)を拡大することにより、2chのカラー情報(解像度=N/4)を生成する。
そして、合成手段22cは、モノクロ画像121(解像度=N/4)と、サイズ拡大手段21cによって生成されたカラー情報(解像度=N/4)と、を合成することにより、3chの画像特徴量(解像度=N/4)を生成する。ここで、合成手段22cは、モノクロ画像121(解像度=N/4)を、バイパス経路403を介して、合成手段22cに入力する。
そして、合成手段22aは、高解像度モノクロ画像101(解像度=N)と、サイズ拡大手段21が生成した4chの画像特徴量(解像度=N)とを合成し、5chの画像特徴量(解像度=N)を生成する。ここで、サイズ拡大手段21は、高解像度モノクロ画像101(解像度=N)を、バイパス経路401を介して、合成手段22aに入力する。
最後に、高解像度カラー情報推定手段23は、例えば64chの画像特徴量(解像度=N)を、色空間における2チャンネルのカラー情報(解像度=N)に変換する。これにより、高解像度カラー情報107が生成される。
また、カラー情報拡大器10は、ニューラルネットワークによる学習に限らず、他の機械学習技術を用いて構成することもできる。
また、前記各実施形態では、カラー情報推定器3,3Bとして説明したが、各装置の構成の処理を可能にするように、汎用または特殊なコンピュータ言語で記述したカラー情報推定プログラムとみなすことも可能である。
また、実験では、高解像度モノクロ画像101が960×540ピクセルの画像であるものとした。なお、高解像度モノクロ画像101における画素値をベクトルで表現すると、一般には次の式(1)で示される。式(1)で示すベクトルx1は、高解像度モノクロ画像101の画素数と同様に518400個の成分を持つ。
また、実験では、低解像度カラー情報105の解像度が480×270ピクセルであるものとした。そして、実験では、サイズ拡大手段21による拡大率を2(垂直方向2倍×水平方向2倍)とした。図10では、2枚の拡大された画像として模式的に示した。
また、各Convolution層では、出力としてN個の特徴を抽出するものとした。つまり、アウトプットチャンネル数はNである。この実験ではNch=64chとした。
なお、図10では、3層のConvolution層だけを示し、他は省略した。また、64chのうち12のチャンネルだけをNchとして図示し、他は省略した。
なお、この時点では、例えば64×960×540個の画素ごとの特徴量に対応したメモリが必要である。
このConvolution層(高解像度カラー情報推定手段23)は、入力チャンネルが64ch(前の層についてのアウトプットにおける64チャンネル)であり、色空間における2つのチャンネルごとに、前記した式(5)で表されるコンボリューションを行った。
カーネル(kernel):3
パディング(padding):1
ストライド(stride):1
3×3×(3×64+64×64×19+64×2) ・・・ 式(6)
また、バイアス項の個数の総計はコンボリューションの個数と同じく、1282個である。これらの合計が全パラメータ数である。
つまり、実験に用いたカラー情報拡大器において、学習によって予め決定されたパラメータ群の個数は、703296+1282=704578個となる。
また、従来技術の方法で拡大したカラー情報を、元画像である高解像度モノクロ画像101と合成して、高解像度カラー画像を作成した(以下、比較例1)。
実施例1は、比較例1と比べて色のぼけが低減されたことを目視で確認できた。
また、ランダムに選んだ画像110枚に適用した場合に、PSNR(Peak Signal-to-Noise Ratio)という、元画像に対する劣化具合を表す尺度の平均値において、37.66(比較例)から41.35(実施例)に改善したことを確認できた。
さらに、図10において破線で示す第1の特徴抽出手段31や第2の特徴抽出手段32を追加して図2のカラー情報拡大器10と同様の構成とする場合、さらに多くのパラメータを決定する必要がある。
3,3B,3C カラー情報推定器
5 縮小器
7,7B 低解像度カラー情報推定器
9 情報合成器
10,10A,10B,10C,10D,10E カラー情報拡大器
21,21b,21c サイズ拡大手段
22a,22b,22c 合成手段
23 高解像度カラー情報推定手段
31〜36 特徴抽出手段
40 誤差計算器
50 サイズ縮小手段
Claims (10)
- 第1解像度のモノクロ画像の画像特徴量であるモノクロ情報と、前記第1解像度のモノクロ情報から推定された前記第1解像度よりも低い第2解像度の画像特徴量であるカラー情報と、を入力されて、所定の演算処理により前記カラー情報の画像サイズを拡大して高解像度カラー情報として出力するカラー情報拡大器であって、
前記第2解像度のカラー情報または当該第2解像度のカラー情報から抽出した画像特徴量のいずれか一方である低解像度の画像特徴量から高解像度の画像特徴量を生成するサイズ拡大手段と、
前記第1解像度のモノクロ情報または当該第1解像度のモノクロ情報から抽出した高解像度の画像特徴量と、前記サイズ拡大手段により生成された高解像度の画像特徴量とを合成する合成手段と、
前記合成手段により合成された高解像度の画像特徴量から、色空間のチャンネルごとに、推定を行うための学習により予め決定されたパラメータ群を用いて画像特徴量を抽出することにより前記高解像度カラー情報を推定する高解像度カラー情報推定手段と、を備えるカラー情報拡大器。 - 第1解像度のモノクロ画像の画像特徴量であるモノクロ情報と、前記第1解像度のモノクロ情報から推定された前記第1解像度よりも低い第2解像度の画像特徴量であるカラー情報と、を入力されて、所定の演算処理により前記カラー情報の画像サイズを拡大して高解像度カラー情報として出力するカラー情報拡大器であって、
前記第1解像度のモノクロ情報から、推定を行うための学習により予め決定されたパラメータ群を用いて低解像度の画像特徴量を抽出する特徴抽出手段と、
前記第2解像度のカラー情報または当該第2解像度のカラー情報から抽出した低解像度の画像特徴量と、前記特徴抽出手段により抽出された低解像度の画像特徴量と、を合成する合成手段と、
前記合成手段により合成された低解像度の画像特徴量から高解像度の画像特徴量を生成するサイズ拡大手段と、
前記サイズ拡大手段により生成された高解像度の画像特徴量から、色空間のチャンネルごとに、推定を行うための学習により予め決定されたパラメータ群を用いて画像特徴量を抽出することにより前記高解像度カラー情報を推定する高解像度カラー情報推定手段と、を備えるカラー情報拡大器。 - 前記高解像度カラー情報推定手段は、
前記合成手段および前記サイズ拡大手段の処理により生成された高解像度の画像特徴量から色空間のチャンネルごとの画像特徴量を抽出する前に、当該高解像度の画像特徴量から、推定を行うための学習により予め決定されたパラメータ群を用いて、さらに高解像度の画像特徴量を抽出する特徴抽出手段を備え、
当該特徴抽出手段により抽出された高解像度の画像特徴量から色空間のチャンネルごとに画像特徴量を抽出する請求項1または請求項2に記載のカラー情報拡大器。 - 前記第1解像度のモノクロ情報から、推定を行うための学習により予め決定されたパラメータ群を用いて高解像度の画像特徴量を抽出し、抽出した高解像度の画像特徴量を前記合成手段に出力する第1の特徴抽出手段と、
前記第2解像度のカラー情報から、推定を行うための学習により予め決定されたパラメータ群を用いて低解像度の画像特徴量を抽出し、抽出した低解像度の画像特徴量を前記サイズ拡大手段に出力する第2の特徴抽出手段と、
のうちの少なくとも1つの特徴抽出手段を備える請求項1に記載のカラー情報拡大器。 - 前記第2解像度のカラー情報から、推定を行うための学習により予め決定されたパラメータ群を用いて低解像度の画像特徴量を抽出し、抽出した低解像度の画像特徴量を前記合成手段に出力する第2の特徴抽出手段を備える請求項2に記載のカラー情報拡大器。
- 前記第1解像度のモノクロ情報を、所定の縮小率で縮小する処理を再帰的に行うことにより前記第1解像度よりも小さく前記第2解像度よりも大きな解像度を持った複数レベルの解像度のモノクロ情報を生成するサイズ縮小手段を備え、
前記第2解像度のカラー情報と、生成される最小レベルの解像度のモノクロ情報とを初期値として、推定されたカラー情報および当該カラー情報よりも大きな解像度を持ったモノクロ情報から当該モノクロ情報と同じ解像度を持ったカラー情報を推定する処理を再帰的に行うことにより前記第1解像度を持った前記高解像度カラー情報を推定する処理を行う請求項1から請求項5のいずれか一項に記載のカラー情報拡大器。 - 請求項1から請求項6のいずれか一項に記載のカラー情報拡大器と、
前記第1解像度のモノクロ情報を縮小する処理を行って前記第2解像度のモノクロ情報を生成する縮小器と、
前記縮小器により生成された前記第2解像度のモノクロ情報から、推定を行うための学習により予め決定されたパラメータ群を用いて低解像度の画像特徴量を抽出することにより前記第2解像度のカラー情報を推定する低解像度カラー情報推定器と、を備え、
前記カラー情報拡大器は、前記低解像度カラー情報推定器で推定された前記第2解像度のカラー情報と、前記縮小器をバイパスして入力される前記第1解像度のモノクロ情報と、を用いて、前記高解像度カラー情報を推定する処理を行うカラー情報推定器。 - 請求項1から請求項6のいずれか一項に記載のカラー情報拡大器と、
前記第1解像度のモノクロ情報から、推定を行うための学習により予め決定されたパラメータ群を用いて低解像度の画像特徴量を抽出することにより前記第2解像度のカラー情報を推定する低解像度カラー情報推定器と、を備え、
前記カラー情報拡大器は、前記低解像度カラー情報推定器で推定された前記第2解像度のカラー情報と、前記低解像度カラー情報推定器をバイパスして入力される前記第1解像度のモノクロ情報と、を用いて、前記高解像度カラー情報を推定する処理を行うカラー情報推定器。 - コンピュータを、請求項1から請求項6のいずれか一項に記載のカラー情報拡大器として機能させるためのカラー情報拡大プログラム。
- コンピュータを、請求項7または請求項8に記載のカラー情報推定器として機能させるためのカラー情報推定プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017150153A JP6902425B2 (ja) | 2017-08-02 | 2017-08-02 | カラー情報拡大器およびカラー情報推定器、ならびに、それらのプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017150153A JP6902425B2 (ja) | 2017-08-02 | 2017-08-02 | カラー情報拡大器およびカラー情報推定器、ならびに、それらのプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019028888A true JP2019028888A (ja) | 2019-02-21 |
JP6902425B2 JP6902425B2 (ja) | 2021-07-14 |
Family
ID=65478615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017150153A Active JP6902425B2 (ja) | 2017-08-02 | 2017-08-02 | カラー情報拡大器およびカラー情報推定器、ならびに、それらのプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6902425B2 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0737093A (ja) * | 1993-07-16 | 1995-02-07 | Toshiba Corp | パターン識別装置 |
JP2007226658A (ja) * | 2006-02-24 | 2007-09-06 | Nec Access Technica Ltd | 情報処理端末装置,情報処理方法及び情報処理用プログラム |
JP2011215973A (ja) * | 2010-03-31 | 2011-10-27 | Aisin Aw Co Ltd | 風景マッチング用参照データ生成システム及び位置測位システム |
JP2012520534A (ja) * | 2009-03-17 | 2012-09-06 | ハリス コーポレイション | 画像をカラー化する地理空間モデリングシステム及び関連する方法 |
JP2013120498A (ja) * | 2011-12-07 | 2013-06-17 | Dunlop Sports Co Ltd | シルエット補正方法及びシルエット補正システム |
-
2017
- 2017-08-02 JP JP2017150153A patent/JP6902425B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0737093A (ja) * | 1993-07-16 | 1995-02-07 | Toshiba Corp | パターン識別装置 |
JP2007226658A (ja) * | 2006-02-24 | 2007-09-06 | Nec Access Technica Ltd | 情報処理端末装置,情報処理方法及び情報処理用プログラム |
JP2012520534A (ja) * | 2009-03-17 | 2012-09-06 | ハリス コーポレイション | 画像をカラー化する地理空間モデリングシステム及び関連する方法 |
JP2011215973A (ja) * | 2010-03-31 | 2011-10-27 | Aisin Aw Co Ltd | 風景マッチング用参照データ生成システム及び位置測位システム |
JP2013120498A (ja) * | 2011-12-07 | 2013-06-17 | Dunlop Sports Co Ltd | シルエット補正方法及びシルエット補正システム |
Also Published As
Publication number | Publication date |
---|---|
JP6902425B2 (ja) | 2021-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6943807B2 (en) | Image processing apparatus and method, recording medium, and program thereof | |
KR101136506B1 (ko) | 화상 생성 방법, 장치 및 그 프로그램 및 프로그램을 기록한 기록매체 | |
EP2202683A1 (en) | Image generation method, device, its program and recording medium with program recorded therein | |
JP2015035198A (ja) | 画像処理装置及び画像処理方法 | |
KR100860968B1 (ko) | 해상도 향상 장치 및 방법 | |
JP5473173B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
WO2016167014A1 (ja) | 画像処理装置及び方法、並びにプログラム及び記録媒体 | |
JP2000244851A (ja) | 画像処理装置、方法及びコンピュータ読み取り可能な記憶媒体 | |
JP2016192059A (ja) | 画像合成装置、画像合成方法、画像合成プログラム及び記録媒体 | |
JP2011095861A (ja) | 画像処理装置、制御方法、及びプログラム | |
JP4714038B2 (ja) | 画像の高解像度化方法及び装置 | |
JP6886887B2 (ja) | 誤差計算器およびそのプログラム | |
US20090185756A1 (en) | Image processing device and image processing method | |
Bätz et al. | Multi-image super-resolution using a locally adaptive denoising-based refinement | |
WO2010051719A1 (zh) | 一种视频图像 4/3 倍放大方法 | |
US20130120461A1 (en) | Image processor and image processing method | |
JP2000152250A (ja) | 画像処理装置、方法及びコンピュータ読み取り可能な記憶媒体 | |
JP6902425B2 (ja) | カラー情報拡大器およびカラー情報推定器、ならびに、それらのプログラム | |
KR102470242B1 (ko) | 영상 처리 장치, 영상 처리 방법, 및 프로그램 | |
KR20230077854A (ko) | 단일 이미지를 이용한 특징 강화 가중치 기반의 딥러닝 다중 노출 융합 방법, 장치, 및 프로그램 | |
KR20070119482A (ko) | 이미지 리샘플링 방법 | |
JP5181345B2 (ja) | 画像処理装置及び画像処理方法 | |
JP2018084997A (ja) | 画像処理装置、画像処理方法 | |
JP4265362B2 (ja) | 画像処理装置 | |
CN109754370B (zh) | 图像去噪方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200702 |
|
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: 20210525 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210621 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6902425 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |