JP2021057824A5 - - Google Patents
Download PDFInfo
- Publication number
- JP2021057824A5 JP2021057824A5 JP2019180713A JP2019180713A JP2021057824A5 JP 2021057824 A5 JP2021057824 A5 JP 2021057824A5 JP 2019180713 A JP2019180713 A JP 2019180713A JP 2019180713 A JP2019180713 A JP 2019180713A JP 2021057824 A5 JP2021057824 A5 JP 2021057824A5
- Authority
- JP
- Japan
- Prior art keywords
- image
- frame
- frame image
- learning model
- disturbance
- 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
- 238000012545 processing Methods 0.000 claims description 46
- 238000003384 imaging method Methods 0.000 claims description 15
- 230000001629 suppression Effects 0.000 claims 3
- 230000006870 function Effects 0.000 claims 1
- 230000003287 optical effect Effects 0.000 claims 1
- 238000003672 processing method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000000034 method Methods 0.000 description 11
- 238000012937 correction Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003705 background correction Methods 0.000 description 1
Images
Description
上記目的を達成する為に、本発明の画像処理装置は、撮像素子により撮影されたフレーム画像における予め決められた外乱を抑制する抑制手段と、前記外乱が抑制された少なくとも1枚の第1のフレーム画像から、当該第1のフレーム画像とは異なる時点における第2のフレーム画像を、学習モデルを用いて推定する推定手段と、前記第2のフレーム画像に、前記外乱を付加する付加手段と、を有することを特徴とする。
画像処理部101は、データ転送部105を介して一時記録部107から画素信号を入力し、画像処理を行って画像データを生成する。なお、画像処理部101で行われる画像処理は、画素補正、黒レベル補正、シェーディング補正、傷補正、ホワイトバランス調整、倍率色収差補正、ガンマ補正や輝度・色生成処理、幾何変形、ノイズリダクション、拡大縮小などの複数の処理を含む。また、画像処理部101は、画像処理を適切に行うために、画像の分割領域毎または画像全体に対する平均輝度、ヒストグラム、動き量などの評価値や、被写体領域の検出を行った上で、被写体領域の平均輝度、ヒストグラム、動き量などの評価値を取得する。これらの評価値は、例えばホワイトバランス調整、倍率色収差補正、ガンマ補正、輝度・色生成処理などに使用される。画像処理部101で生成された画像データは、データ転送部105を介して一時記録部107へ記録される。
このように、教師用動画201の使用するフレーム画像をずらしながら繰り返し入力フレーム画像、教師データとして利用していくことで、学習モデル208は繰り返し学習していくことができる。また、教師用動画201として実際の撮影シーンに近いさまざまな動画を使用することで、精度の高い推定画像の生成が可能な学習モデル208を作ることができる。またこの時、教師用動画201の動画撮影時の条件に依存した外乱を抑制した上で学習を行うことで、撮影条件などに起因する外乱に依存しない、精度の高い推定画像の生成が可能な学習モデルを得ることができる。なお、本実施形態において、学習は撮影中には行わず、事前に済ませておき、各エッジの重みデータなどを学習パラメータとして、記録部108に保持しておく。
一方、S506では、推定画像生成部110によって生成された1フレーム前の推定LV画像を取得し、S507に進む。
図7(a)は、外乱除去処理に用いられる学習モデルの学習方法について説明する図で、701は、あるフレームレートで撮影された教師用動画を示しており、左から右に時系列に並ぶ複数のフレーム画像から構成される。702は外乱除去部109による外乱除去処理を示す。学習モデル703は、機械学習を行う学習モデルであり、例えば、既知のニューラルネットワークモデルなどである。ここでは、学習モデル703の例として、1枚のフレーム画像704を入力として、入力画像の外乱が抑制されたフレーム画像を生成する。具体的には、教師用動画701から1枚のフレーム画像を入力し、外乱除去処理702を行ったフレーム画像705を学習時の期待値である教師データとして、学習モデル703により生成されたフレーム画像との誤差に基づいて学習モデル703を更新する。そして、教師用動画701から使用するフレーム画像をずらしながら繰り返し入力フレーム画像、教師データとして利用していくことで、学習モデル703は繰り返し学習していくことができる。
図7(b)は、学習モデル703を用いた外乱除去処理を示す。712は外乱ありのフレーム画像であり、図3のLV画像301から画像処理された第(N-2)、第(N-1)フレームのLV画像に相当する。713は学習モデル703を用いて処理した外乱除去フレーム画像であり、図3の外乱除去済みのLV画像305、306に相当する。このように学習モデル703は、図3の外乱除去処理302に使用することができる。
図8(a)は、外乱付加処理に用いられる学習モデルの学習方法について説明する図で、801は、あるフレームレートで撮影された教師用動画を示しており、左から右に時系列に並ぶ複数のフレーム画像から構成される。802は外乱除去部109による外乱除去処理を示す。学習モデル803は、機械学習を行う学習モデルであり、例えば、既知のニューラルネットワークモデルなどである。ここでは、学習モデル803の例として、外乱除去済みの1枚のフレーム画像804を入力として、入力画像に外乱を付加したフレーム画像を生成する。具体的には、教師用動画801から1枚のフレーム画像805を入力し、当該フレーム画像805を学習時の期待値である教師データとして、学習モデル803により生成されたフレーム画像との誤差に基づいて学習モデル803を更新する。さらに、教師用動画801から使用するフレーム画像をずらしながら繰り返し入力フレーム画像、教師データとして利用していくことで、学習モデル803は繰り返し学習していくことができる。
このように教師用動画201の使用するフレーム画像をずらしながら繰り返し入力フレーム画像、教師データとして利用していくことで、学習モデルB909は繰り返し学習していくことができる。また、教師用動画201として実際の撮影シーンに近いさまざまな動画を使用することで、精度の高い推定画像の生成が可能な学習モデルB909を作ることができる。またこの時、教師用動画201の動画撮影時の条件に依存した外乱を抑制した上で学習を行うことで、撮影条件などに起因する外乱に依存しない、精度の高い推定画像の生成が可能な学習モデルを得ることができる。なお、本実施形態において、学習は撮影中には行わず、事前に済ませておき、各エッジの重みデータなどを学習パラメータとして、記録部108に保持しておく。
<第3の実施形態>
次に、本発明の第3の実施形態について説明する。なお、第3の実施形態で用いる撮像装置は、第1の実施形態で説明したものと同様であるため、説明を省略する。
次に、本発明の第3の実施形態について説明する。なお、第3の実施形態で用いる撮像装置は、第1の実施形態で説明したものと同様であるため、説明を省略する。
まず、第(N-2)及び第(N-1)フレームのLV画像に対して、外乱除去部109によって外乱除去処理302を行い、外乱除去済みの第(N-2)フレームのLV画像305及び第(N-1)フレームのLV画像306を生成する。そして、外乱除去済みの第(N-2)フレームのLV画像305、第(N-1)フレームのLV画像306と共に、タイミング情報1309として「-2」、タイミング情報1310として「-1」を学習モデル1208に入力する。学習モデル1208はタイミング情報1309の「-2」、1310の「-1」を加味して、第Nフレームの推定LV画像1307を推定する。第Nフレームの推定LV画像1307に対して、外乱付加部111によって外乱付加処理303を行い、欠落した第Nフレームの代替LV画像1308を生成する。
図11に示す処理との違いの1つは、図14に示す例では、「画像処理」において、LV画像に対する表示用の画像処理を、LV画像と静止画像に対して行う点である。図14では、LV画像に対して行う表示用の画像処理を表示1~3、7~11、15、16、静止画像に対して行う表示用の画像処理を静止画1、2としている。
また、図11に示す処理との別の違いは、推定6及び推定14における処理にある。図14の推定6では、除去3で得られた外乱除去済みのLV画像を用いず、推定5において生成された推定LV画像と、静止画1において画像処理された静止画像とを用いる。この際に、推定5、静止画1の各々のタイミング情報「-1」「-1.5」を学習モデル1208に入力し、学習モデル1208はこれらの情報を加味して、推定LV画像を生成する。そして、推定6で生成した推定LV画像をデータ転送部105を介して一時記録部107に書き込む。
Claims (17)
- 撮像素子により撮影されたフレーム画像における予め決められた外乱を抑制する抑制手段と、
前記外乱が抑制された少なくとも1枚の第1のフレーム画像から、当該第1のフレーム画像とは異なる時点における第2のフレーム画像を、学習モデルを用いて推定する推定手段と、
前記第2のフレーム画像に、前記外乱を付加する付加手段と、
を有することを特徴とする画像処理装置。 - 前記撮像素子により周期的に撮影されたフレーム画像と、前記付加手段により前記予め決められた外乱が付加された前記第2のフレーム画像とを、表示手段に出力することを特徴とする請求項1に記載の画像処理装置。
- 前記予め決められた外乱は、撮像光学部材の撮影条件により変動する外乱、前記画像処理装置の振れ、撮影する被写体の動き、輝度変動を含むことを特徴とする請求項1または2に記載の画像処理装置。
- 前記学習モデルは、前記撮像素子により周期的に撮影された複数のフレーム画像のうち、前記外乱が抑制された少なくとも1枚のフレーム画像を前記第1のフレーム画像として用いて推定された前記第2のフレーム画像と、前記複数のフレーム画像のうち、前記第2のフレーム画像と同じフレームのフレーム画像から前記外乱が抑制されたフレーム画像との誤差に基づいて更新されることを特徴とする請求項1乃至3のいずれか1項に記載の画像処理装置。
- 前記学習モデルを更新する際に用いる前記第1のフレーム画像は、前記複数のフレーム画像のうち、連続する複数のフレーム画像であることを特徴とする請求項4に記載の画像処理装置。
- 前記学習モデルを更新する際に用いる前記第1のフレーム画像は、前記複数のフレーム画像のうち、連続しない複数のフレーム画像であることを特徴とする請求項4に記載の画像処理装置。
- 前記撮像素子が周期的にフレーム画像を撮影中に、フレーム画像の撮影が中断された場合に、前記推定手段は、前記中断している間に欠落するフレーム画像に対応する前記第2のフレーム画像を推定することを特徴とする請求項1乃至6のいずれか1項に記載の画像処理装置。
- 前記欠落するフレーム画像に対応する前記第2のフレーム画像の推定時に用いる前記第1のフレーム画像は、該第2のフレーム画像の推定時よりも前の時点において推定された前記第2のフレーム画像を含むことを特徴とする請求項7に記載の画像処理装置。
- 前記欠落するフレーム画像に対応する前記第2のフレーム画像の推定時に用いる前記第1のフレーム画像は、前記撮像素子により撮影され、前記外乱が抑制された、少なくとも1つのフレーム画像を含むことを特徴とする請求項7または8に記載の画像処理装置。
- 前記学習モデルは、前記撮像素子により周期的に撮影された複数のフレーム画像のうち、連続する複数のフレーム画像を用いて更新した第1の学習モデルと、連続しない複数のフレーム画像を用いて更新した第2の学習モデルと、を含み、
前記撮像素子が周期的にフレーム画像を撮影中に、フレーム画像の撮影が中断された場合に、前記推定手段は、前記中断している間に欠落するフレーム画像に対応する前記第2のフレーム画像を推定し、当該推定時に、前記第1のフレーム画像として連続する複数のフレーム画像を用いる場合に前記第1の学習モデルを用い、前記第1のフレーム画像として連続しない複数のフレーム画像を用いる場合に前記第2の学習モデルを用いることを特徴とする請求項4乃至6のいずれか1項に記載の画像処理装置。 - 前記推定手段は、前記第2のフレーム画像の推定時に、更に前記第1のフレーム画像を撮影したタイミングを示す時間情報を用いることを特徴とする請求項1乃至10のいずれか1項に記載の画像処理装置。
- 前記撮像素子が周期的に表示用のフレーム画像を撮影中に、静止画像の撮影によりフレーム画像の撮影が中断された場合に、前記中断している間に欠落するフレーム画像に対応する前記第2のフレーム画像の推定時に用いる前記第1のフレーム画像は、前記静止画像を含むことを特徴とする請求項11に記載の画像処理装置。
- 前記学習モデルは、異なる複数の周期で撮影された複数のフレーム画像を用いて、各周期ごとに生成され、
前記第1のフレーム画像の周期に対応する学習モデルを用いて前記第2のフレーム画像を推定することを特徴とする請求項1乃至12のいずれか1項に記載の画像処理装置。 - 撮像素子と、
請求項1乃至13のいずれか1項に記載の画像処理装置と
を有することを特徴とする撮像装置。 - 抑制手段が、撮像素子により撮影されたフレーム画像における予め決められた外乱を抑制する抑制工程と、
推定手段が、前記外乱が抑制された少なくとも1枚の第1のフレーム画像から、当該第1のフレーム画像とは異なる時点における第2のフレーム画像を、学習モデルを用いて推定する推定工程と、
付加手段が、前記第2のフレーム画像に、前記外乱を付加する付加工程と、
を有することを特徴とする画像処理方法。 - コンピュータを、請求項1乃至13のいずれか1項に記載の画像処理装置の各手段として機能させるためのプログラム。
- 請求項16に記載のプログラムを記憶したコンピュータが読み取り可能な記憶媒体。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019180713A JP7377048B2 (ja) | 2019-09-30 | 2019-09-30 | 画像処理装置及び方法、及び撮像装置 |
EP20196371.7A EP3799416B1 (en) | 2019-09-30 | 2020-09-16 | Image processing apparatus and method, and image capturing apparatus |
US17/033,056 US11394856B2 (en) | 2019-09-30 | 2020-09-25 | Image processing apparatus and method, and image capturing apparatus |
CN202011065029.XA CN112584008B (zh) | 2019-09-30 | 2020-09-30 | 图像处理设备、图像处理方法、摄像设备和存储介质 |
US17/846,893 US11722788B2 (en) | 2019-09-30 | 2022-06-22 | Image processing apparatus and method, and image capturing apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019180713A JP7377048B2 (ja) | 2019-09-30 | 2019-09-30 | 画像処理装置及び方法、及び撮像装置 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2021057824A JP2021057824A (ja) | 2021-04-08 |
JP2021057824A5 true JP2021057824A5 (ja) | 2022-10-06 |
JP7377048B2 JP7377048B2 (ja) | 2023-11-09 |
Family
ID=72521490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019180713A Active JP7377048B2 (ja) | 2019-09-30 | 2019-09-30 | 画像処理装置及び方法、及び撮像装置 |
Country Status (4)
Country | Link |
---|---|
US (2) | US11394856B2 (ja) |
EP (1) | EP3799416B1 (ja) |
JP (1) | JP7377048B2 (ja) |
CN (1) | CN112584008B (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI800983B (zh) * | 2021-11-16 | 2023-05-01 | 華碩電腦股份有限公司 | 影像處理方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100464570C (zh) * | 2004-12-21 | 2009-02-25 | 索尼株式会社 | 图像处理装置、学习装置和系数生成装置及方法 |
JP5045785B2 (ja) * | 2010-05-25 | 2012-10-10 | 株式会社ニコン | 撮像装置 |
JP4983961B2 (ja) * | 2010-05-25 | 2012-07-25 | 株式会社ニコン | 撮像装置 |
JP5645079B2 (ja) | 2011-03-31 | 2014-12-24 | ソニー株式会社 | 画像処理装置および方法、プログラム、並びに記録媒体 |
JP2013118463A (ja) | 2011-12-02 | 2013-06-13 | Olympus Imaging Corp | 撮像装置および撮像方法 |
US10430685B2 (en) * | 2016-11-16 | 2019-10-01 | Facebook, Inc. | Deep multi-scale video prediction |
WO2018116824A1 (ja) * | 2016-12-19 | 2018-06-28 | ソニー株式会社 | 制御装置、制御方法、並びにプログラム |
JP7014222B2 (ja) | 2017-03-30 | 2022-02-01 | ソニーグループ株式会社 | 撮像装置、および画像処理方法、並びにプログラム |
JP2018207416A (ja) * | 2017-06-09 | 2018-12-27 | キヤノン株式会社 | 撮像装置 |
US10726535B2 (en) * | 2018-03-05 | 2020-07-28 | Element Ai Inc. | Automatically generating image datasets for use in image recognition and detection |
CN108629743B (zh) * | 2018-04-04 | 2022-03-25 | 腾讯科技(深圳)有限公司 | 图像的处理方法、装置、存储介质和电子装置 |
CN109522828B (zh) * | 2018-11-01 | 2021-09-28 | 上海科技大学 | 一种异常事件检测方法及系统、存储介质及终端 |
-
2019
- 2019-09-30 JP JP2019180713A patent/JP7377048B2/ja active Active
-
2020
- 2020-09-16 EP EP20196371.7A patent/EP3799416B1/en active Active
- 2020-09-25 US US17/033,056 patent/US11394856B2/en active Active
- 2020-09-30 CN CN202011065029.XA patent/CN112584008B/zh active Active
-
2022
- 2022-06-22 US US17/846,893 patent/US11722788B2/en active Active
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1483909B1 (en) | Systems and methods for digitally re-mastering or otherwise modifying motion pictures or other image sequences data | |
JP5389903B2 (ja) | 最適映像選択 | |
US9454805B2 (en) | Method and apparatus for reducing noise of image | |
EP2521091B1 (en) | Estimation of motion blur in a picture | |
JP2006133752A (ja) | ディスプレイ装置 | |
JP4759877B2 (ja) | 画像処理プログラム及びその記録媒体、画像処理方法並びに画像処理装置 | |
JPWO2008096818A1 (ja) | 画像処理装置、撮像装置、画像処理方法、及びプログラム | |
JP6338385B2 (ja) | 撮像装置、撮像システム、撮像装置の制御方法および撮像装置を有する撮影装置 | |
JP2007129476A (ja) | 画像ぶれ補正装置、画像ぶれ補正方法及び画像ぶれ補正プログラム | |
JP2023531039A (ja) | 画像強調方法、画像強調装置、および画像強調システム | |
US9483813B2 (en) | Image processing apparatus, computer-readable medium storing an image processing program, and image processing method | |
JP2021057824A5 (ja) | ||
JP7377048B2 (ja) | 画像処理装置及び方法、及び撮像装置 | |
CN113784014A (zh) | 一种图像处理方法、装置及设备 | |
JP6508926B2 (ja) | 撮像装置および撮像装置の制御方法 | |
KR20140072980A (ko) | 단일 영상을 이용한 hdr 영상 생성 장치 및 방법 | |
JP2009118434A (ja) | ぶれ補正装置及び撮像装置 | |
JP6385206B2 (ja) | 画像処理装置、撮像装置、画像処理方法、画像処理プログラム、および、記憶媒体 | |
JP2013218031A (ja) | 撮像装置 | |
JP5005319B2 (ja) | 信号処理装置および信号処理方法 | |
JP2021047710A (ja) | 画像処理装置、画像処理方法、画像処理システム及びプログラム | |
CN110598547A (zh) | 快速运动人体姿态估计方法及装置 | |
JP4604007B2 (ja) | 画像データ修復装置、撮像装置、画像データ修復方法、及び画像データ修復プログラム | |
JP5943771B2 (ja) | 動体除去画像生成装置 | |
RU2023132864A (ru) | Модификация объектов в фильме |