JP2021060847A - ノイズ除去システム - Google Patents
ノイズ除去システム Download PDFInfo
- Publication number
- JP2021060847A JP2021060847A JP2019185134A JP2019185134A JP2021060847A JP 2021060847 A JP2021060847 A JP 2021060847A JP 2019185134 A JP2019185134 A JP 2019185134A JP 2019185134 A JP2019185134 A JP 2019185134A JP 2021060847 A JP2021060847 A JP 2021060847A
- Authority
- JP
- Japan
- Prior art keywords
- noise
- image
- data
- sensor
- neural network
- 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
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000003384 imaging method Methods 0.000 claims description 18
- 230000003287 optical effect Effects 0.000 claims description 17
- 230000010365 information processing Effects 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 description 18
- 238000000034 method Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
【課題】ノイズ除去性能を向上させる。【解決手段】ニューラルネットワーク30に基づいて、イメージセンサ21から入力される画像データDinのノイズNSを除去するノイズ除去システムSであって、イメージセンサ21のノイズ特性を解析した解析結果に基づいてノイズNSを生成するノイズ生成部11と、ノイズNSの無いクリーン画像D0に、ノイズ生成部11により生成されたノイズNSを付加してノイズ画像D1を生成し、ニューラルネットワーク30に基づいてノイズ画像D1からクリーン画像D0を推定できるように、パラメータセットWを最適化する学習器12と、最適化されたパラメータセットWを用いたニューラルネットワーク30に基づいて、画像データDinのノイズNSを除去して出力画像データDoutを生成する出力データ生成部23とを備える。【選択図】図1
Description
本発明は、ニューラルネットワークを用いて、入力データのノイズを除去するノイズ除去システムに関する。
この種のノイズ除去システムとして、例えば、特許文献1のものが知られている。
特許文献1の画像処理システムは、ノイズの無い教師画像をニューラルネットワークの出力側に設定し、この教師画像に人工的なノイズを付加した学習用画像(学習用データ)をニューラルネットワークに入力する。そして、ニューラルネットワークで処理を受けた学習用画像が教師画像(教師データ)に近づくように、ニューラルネットワークの内部パラメータを決定する機械学習を行う。
ところで、ニューラルネットワークを用いたノイズ除去システムでは、高性能のノイズ除去を行うために、機械学習を行う学習用データ及び教師データ(以下、学習用データ及び教師データをまとめて「教師データ」という。)が入力データのノイズを忠実に再現していることが重要である。
しかし、入力データをセンサにより取得する場合、入力データのノイズはセンサの影響を受けるが、従来のノイズ除去システムでは、機械学習を行う教師データがセンサのノイズ特性を忠実に反映していない。このため、高性能のノイズ除去を行うことができない。
本発明は、斯かる点に鑑みてなされたものであり、ニューラルネットワークを用いたノイズ除去装置において、ノイズ除去性能を向上させることを目的とする。
前記の目的を達成するために、この発明では、センサのノイズ特性を反映したノイズを生成するために、センサのノイズ特性を解析することとした。
本開示の第1の態様は、ニューラルネットワークに基づいて、センサから入力される入力データのノイズを除去するノイズ除去システムであって、前記センサのノイズ特性を解析した解析結果に基づいてノイズを生成するノイズ生成部と、ノイズの無いクリーンデータに、前記ノイズ生成部により生成されたノイズを付加してノイズデータを生成し、前記ニューラルネットワークに基づいて該ノイズデータから前記クリーンデータを推定できるように、ネットワークパラメータを最適化する学習部と、最適化された前記ネットワークパラメータを用いた前記ニューラルネットワークに基づいて、前記入力データのノイズを除去して出力データを生成する出力データ生成部とを備えることを特徴とする。
第1の態様では、ノイズ生成部は、センサのノイズ特性を解析した解析結果に基づいてノイズを生成するので、センサのノイズ特性を反映したノイズを生成することができる。そして、学習部は、このノイズが付加されたノイズデータからクリーンデータを推定できるように、ネットワークパラメータを最適化し、出力データ生成部は、この最適化されたネットワークパラメータを用いたニューラルネットワークに基づいて、出力データを生成する。従って、センサのノイズ特性を反映したノイズが除去された、出力データが出力される。その結果、ノイズ除去性能が向上する。
本開示の第2の態様は、第1の態様において、前記センサは、イメージセンサであり、前記入力データは、画像データであることを特徴とする。
第2の態様では、第1の態様と同様の作用効果によって、画像データのノイズ除去性能が向上する。
本開示の第3の態様は、第2の態様において、前記センサのノイズ特性についての前記解析結果は、前記イメージセンサから入力される画像データの輝度及び温度に対するノイズ特性の関係式であることを特徴とする。
第3の態様では、解析結果は、イメージセンサから入力される画像データの輝度及び温度に対するノイズ特性の関係式であるので、この解析結果が得られれば、輝度及び温度からノイズを簡単に生成することができる。従って、ノイズ生成をするたびにセンサのノイズ特性を解析するのではなく、解析結果である関係式を事前に取得しておき、この関係式を利用することで、クリーンデータのみからノイズデータを生成することができる。その結果、ノイズ生成部によるノイズ生成の動作と学習部によるネットワークパラメータの最適化の動作とのスループットをよくすることができる。
本開示の第4の態様は、第2又は第3の態様において、前記センサの前記ノイズ特性は、光ショットノイズの輝度に対する分布特性、並びに、暗電流ショットノイズ及び読み出しノイズの温度に対する分布特性を少なくとも含むことを特徴とする。
第4の態様では、センサのノイズ特性が、光ショットノイズの輝度に対する分布特性、並びに、暗電流ショットノイズ及び読み出しノイズの温度に対する分布特性を少なくとも含むので、出力データ生成部は、センサの光ショットノイズ、並びに、温度依存性が考慮された暗電流ショットノイズ及び読み出しノイズを反映したノイズが除去された画像を出力する。その結果、ノイズ除去性能が向上する。
本開示の第5の態様は、第1〜第4の態様のいずれか1つにおいて、前記出力データ生成部の前記ニューラルネットワークは、入力データを入力する入力層と、前記入力データから中間出力データとしてのノイズ成分を推定する中間層と、前記入力データと前記中間出力データとの差をとって生成された出力データを出力する出力層とを含むことを特徴とする。
第5の態様では、中間層が中間出力データとしてのノイズ成分を推定し、出力層が入力データと中間出力データとの差をとって生成された出力データを出力する。すなわち、中間層は、ノイズデータではなく、ノイズデータからクリーンデータを引いた差分であるノイズ成分を推定するように、ネットワークパラメータが最適化されている。ノイズ成分は、ノイズデータよりも値が小さいので、ノイズデータを推定するよりもノイズ成分を推定する方が、学習の収束性が向上する。従って、ネットワークパラメータを最適化させやすくなる。
本開示の第6の態様は、第5の態様において、前記中間層は、前記入力データの解像度を下げながら、各解像度におけるノイズを抽出する複数のダウンサンプリング層と、前記複数のダウンサンプリング層で抽出された前記各解像度におけるノイズを結合して、高解像度におけるノイズを復元する複数のアップサンプリング層とを含むことを特徴とする。
第6の態様では、中間層は、複数のダウンサンプリング層により入力データの解像度を下げながら、各解像度におけるノイズを抽出し、複数のアップサンプリング層により各解像度におけるノイズを結合して、高解像度におけるノイズを復元するので、低周波数を含む、広い周波数領域でノイズ除去できる。その結果、ノイズ除去性能が向上する。
本開示の第7の態様は、第1〜第6の態様のいずれか1つにおいて、前記ノイズ生成部と、前記学習部とを有する情報処理装置と、ノイズ特性が解析された前記センサと、前記学習部で最適化された前記ネットワークパラメータが格納された格納部と、前記出力データ生成部とを有する撮像装置とを備え、前記出力データ生成部は、前記センサで撮像された画像データを前記入力データとし、前記格納部に格納された前記ネットワークパラメータを用いた前記ニューラルネットワークに基づいて、前記出力データを生成することを特徴とする。
第7の態様では、情報処理装置がノイズ生成部と学習部とを有し、撮像装置が学習部で最適化されたネットワークパラメータが格納された格納部とセンサと出力データ生成部とを有する。すなわち、情報処理装置がノイズ生成部と学習部とを用いて機械学習を行い、撮像装置が最適化されたネットワークパラメータを用いて撮像された画像データのノイズ除去を行う。従って、第1〜第6の態様の効果を奏するノイズ除去性能を備えた撮像装置を提供できる。
本開示の第8の態様は、ニューラルネットワークに基づいて、イメージセンサから入力される画像データのノイズを除去して出力データを生成する撮像装置であって、前記ニューラルネットワークのネットワークパラメータは、ノイズの無いクリーン画像に、前記イメージセンサのノイズ特性を解析した解析結果に基づいて生成されたノイズを付加してノイズ画像を生成し、前記ニューラルネットワークに基づいて該ノイズ画像から前記クリーン画像を推定できるように、最適化されていることを特徴とする。
第8の態様では、イメージセンサから入力される画像データから、イメージセンサのノイズ特性を反映したノイズが除去された出力画像データが出力される。すなわち、ノイズ除去性能の高い撮像装置を提供できる。
以上説明したように、本発明によると、ノイズ除去性能を向上させることができる。
以下、本発明の実施形態を図面に基づいて詳細に説明する。尚、以下の実施形態は、本質的に好ましい例示であって、本発明、その適用物、あるいはその用途の範囲を制限することを意図するものではない。
≪実施形態≫
<構成>
ノイズ除去システムSは、図1に示すように、情報処理装置10と撮像装置20とを備えている。ノイズ除去システムSは、図2に示すニューラルネットワーク30に基づいて、撮像装置20の、後述するイメージセンサ21(センサ)から入力される画像データDin(入力データ)のノイズNSを除去するためのものである。ここで、ノイズNSは、光ショットノイズNS1、暗電流ショットノイズNS2及び読み出しノイズNS3の和である。尚、以下では、ノイズNSを「ノイズ成分」という場合がある。
<構成>
ノイズ除去システムSは、図1に示すように、情報処理装置10と撮像装置20とを備えている。ノイズ除去システムSは、図2に示すニューラルネットワーク30に基づいて、撮像装置20の、後述するイメージセンサ21(センサ)から入力される画像データDin(入力データ)のノイズNSを除去するためのものである。ここで、ノイズNSは、光ショットノイズNS1、暗電流ショットノイズNS2及び読み出しノイズNS3の和である。尚、以下では、ノイズNSを「ノイズ成分」という場合がある。
以下、情報処理装置10及び撮像装置20の構成並びにニューラルネットワーク30の構造を詳細に説明する。
―情報処理装置―
情報処理装置10は、ニューラルネットワーク30に基づいて機械学習を行うためのものであり、ノイズ生成部11と、学習器12(学習部)とを有している。情報処理装置10は、例えば、汎用のコンピュータである。
情報処理装置10は、ニューラルネットワーク30に基づいて機械学習を行うためのものであり、ノイズ生成部11と、学習器12(学習部)とを有している。情報処理装置10は、例えば、汎用のコンピュータである。
ノイズ生成部11は、イメージセンサ21に固有のノイズ特性を解析するノイズ解析部13を有し、このノイズ解析部13の解析結果に基づいてイメージセンサ21に固有のノイズNSを生成する。ここで、「イメージセンサ21に固有のノイズ特性」とは、このイメージセンサ21の光ショットノイズNS1の輝度に対する分布特性、並びに、暗電流ショットノイズNS2及び読み出しノイズNS3の温度に対する分布特性である。
また、ノイズNSの輝度Yに対する分布特性は、ガウス分布に従うことを前提とし、その標準偏差をσで表す。この標準偏差σは、輝度Y及び温度Tの関数σ=f(Y)+g(T)として表すことができる。この関数を、ノイズNSの標準偏差σを縦軸に、輝度Yを横軸にとって表示すると、例えば、図3のようになる。ノイズNSの標準偏差σが、輝度Y及び温度Tによって異なっているのは、光ショットノイズNS1の標準偏差σAが光子量によって異なっていること、並びに、暗電流ショットノイズNS2及び読み出しノイズNS3の標準偏差σBが、温度Tによって異なっていることに起因している。
学習器12は、機械学習を行うためのニューラルネットワーク30を実装している。
―撮像装置―
撮像装置20は、光を電気信号に変換するイメージセンサ21を有している。撮像装置20は、デジタルカメラである。イメージセンサ21は、ノイズ特性が互いに異なるI個のイメージセンサ21i(i=1〜I)のいずれか一つである。尚、iは、イメージセンサを区別する場合に付すインデックスであり、センサ情報(例えば、イメージセンサの型番号)を区別するものである。
撮像装置20は、光を電気信号に変換するイメージセンサ21を有している。撮像装置20は、デジタルカメラである。イメージセンサ21は、ノイズ特性が互いに異なるI個のイメージセンサ21i(i=1〜I)のいずれか一つである。尚、iは、イメージセンサを区別する場合に付すインデックスであり、センサ情報(例えば、イメージセンサの型番号)を区別するものである。
撮像装置20は、出力データ生成部23を有している。この出力データ生成部23は、学習器12に実装されているものと同じ構造の、ノイズ除去を行うためのニューラルネットワーク30を実装している。
撮像装置20は、情報処理装置10の学習器12によって最適化されたネットワークパラメータの組W(以下、「パラメータセット」という。)が格納されたメモリ24(格納部)を有している。このパラメータセットWは、後述するように、イメージセンサ21iごとに異なっており、撮像時の温度Tによっても異なっている。すなわち、メモリ24には、I個のイメージセンサ21i及びJ種類の温度Tjについてそれぞれ最適化された、I×J組のパラメータセットWが格納されている。尚、jは、温度Tを区別する場合に付すインデックスであり、Jは、考慮する温度Tの種類の総数である。
―ニューラルネットワーク―
ニューラルネットワーク30は、図2に示すように、画像データDinを入力する入力層31と、画像データDinから中間出力データDmidとしてのノイズ成分NSを推定する中間層32と、入力データDinと中間出力データDmidとの差をとって生成された出力画像データDout(出力データ)を出力する出力層33とを含んでいる。尚、「ノイズ成分NSを推定する」とは、特定温度条件の特定輝度レベルの入力画素に対するノイズ特性に応じて、ノイズ量を算出することをいう。
ニューラルネットワーク30は、図2に示すように、画像データDinを入力する入力層31と、画像データDinから中間出力データDmidとしてのノイズ成分NSを推定する中間層32と、入力データDinと中間出力データDmidとの差をとって生成された出力画像データDout(出力データ)を出力する出力層33とを含んでいる。尚、「ノイズ成分NSを推定する」とは、特定温度条件の特定輝度レベルの入力画素に対するノイズ特性に応じて、ノイズ量を算出することをいう。
中間層32は、複数のダウンサンプリング層32a,32a,…及び複数のアップサンプリング層32b,32b,…を含んでいる。複数のダウンサンプリング層32a,32a,…は、入力データDinの解像度を下げながら、各解像度におけるノイズを抽出する。複数のアップサンプリング層32b,32b,…は、複数のダウンサンプリング層32a,32a,…で抽出された各解像度におけるノイズを結合して、高解像度におけるノイズNSを復元するように構成されている。
<動作>
以下、ノイズ除去システムSによって行う動作、すなわち、ノイズ除去方法について説明する。ノイズ除去方法は、イメージセンサ21の光ショットノイズNS1を解析する第1解析段階、イメージセンサ21の暗電流ショットノイズNS2及び読み出しノイズNS3を解析する第2解析段階、ノイズ画像生成段階、機械学習段階、並びにノイズ除去段階の5つの段階からなる。
以下、ノイズ除去システムSによって行う動作、すなわち、ノイズ除去方法について説明する。ノイズ除去方法は、イメージセンサ21の光ショットノイズNS1を解析する第1解析段階、イメージセンサ21の暗電流ショットノイズNS2及び読み出しノイズNS3を解析する第2解析段階、ノイズ画像生成段階、機械学習段階、並びにノイズ除去段階の5つの段階からなる。
まず、第1解析段階及び第2解析段階を行い、その解析結果として、イメージセンサ21から入力される画像データDinの輝度Y及び温度Tに対するノイズ特性の関係式が得られる。次いで、ノイズ画像生成段階と、それに続く機械学習段階と、それに続くノイズ除去段階とを行う。尚、第1解析段階及び第2解析段階は、いずれを先に行ってもよい。
以下、各段階について詳細に説明する。
―第1解析段階―
第1解析段階では、ノイズ生成部11のノイズ解析部13が、イメージセンサ21に固有の光ショットノイズNS1を解析する。具体的に、光ショットノイズNS1はガウス分布に従うことを前提とする。そして、以下の手順により、その標準偏差σAと輝度Yとの関係式を求める。
第1解析段階では、ノイズ生成部11のノイズ解析部13が、イメージセンサ21に固有の光ショットノイズNS1を解析する。具体的に、光ショットノイズNS1はガウス分布に従うことを前提とする。そして、以下の手順により、その標準偏差σAと輝度Yとの関係式を求める。
まず、使用するすべてのイメージセンサ21i(i=1〜I)によって、光ショットノイズNS1解析用の複数の第1画像IM1k(k=1〜K)を準備する。尚、kは、第1画像IM1を区別する場合に付すインデックスであり、Kは、第1画像IM1の総数である。
各第1画像IM1kは、輝度Yが互いに異なる複数のグレーパッチRl(l=1〜L)を含む。各グレーパッチRlは、輝度Yが均一である。尚、lは、複数のグレーパッチRlを互いに区別する場合に付すインデックスであり、Lは、グレーパッチRlの総数である。
次いで、各第1画像IM1kにおけるグレーパッチRlごとの輝度Yk,lを測定する。
次いで、各グレーパッチRlについてすべての第1画像IM1k(すべてのk)の光ショットノイズNS1の標準偏差σAlを算出する。具体的に、ガウス分布に従うノイズNS1を含む画素データは複数データを平均化することでノイズの含まれない画素値に漸近する特性に従い、各グレーパッチRlについてすべての第1画像IM1k(すべてのk)で平均化した平均輝度Ylを算出し、すべての第1画像IM1kの各グレーパッチRlの平均輝度Ylを引いた輝度値Yl’を算出する。すなわち、Yl’はノイズ成分の輝度値(ここでは、光ショットノイズNS1の信号レベル)を表し、すべての第1画像IM1kから得られた各グレーパッチの輝度値Yl’のばらつきから標準偏差σAlを算出する。
次いで、前記のようにしてグレーパッチRlの平均輝度Yl及び標準偏差σAlをすべてのlについて算出した後、注目するイメージセンサ21iについて、輝度Y及び標準偏差σAの関係を表す関係式σA=fi(Y)を求める。関係式σA=fi(Y)を求める方法は、例えば、横軸に輝度Y、縦軸に標準偏差σAをとったグラフに、算出した前記の平均輝度Yl及び標準偏差σAlを、すべてのlについてプロットし、これにモデルとなる多項式をフィッティングする方法である。すべてのイメージセンサ21i(すべてのi)について得られるこの関係式σA=fi(Y)は、記憶部(図示しない)に記憶される。
―第2解析段階―
第2解析段階では、ノイズ生成部11のノイズ解析部13が、イメージセンサ21に固有の暗電流ショットノイズNS2及び読み出しノイズNS3を解析する。具体的に、暗電流ショットノイズNS2と読み出しノイズNS3とが両方含まれた複合ノイズは、温度Tによって異なるガウス分布に従うことを前提とする。そして、以下の手順により、その標準偏差σBと温度Tとの関係式を求める。
第2解析段階では、ノイズ生成部11のノイズ解析部13が、イメージセンサ21に固有の暗電流ショットノイズNS2及び読み出しノイズNS3を解析する。具体的に、暗電流ショットノイズNS2と読み出しノイズNS3とが両方含まれた複合ノイズは、温度Tによって異なるガウス分布に従うことを前提とする。そして、以下の手順により、その標準偏差σBと温度Tとの関係式を求める。
まず、使用するすべてのイメージセンサ21i(i=1〜I)によって、複数の(周辺)温度Tj(j=1〜J2)での暗電流ショットノイズNS2及び読み出しノイズNS3解析用の複数の第2画像IM2m(m=1〜M)を準備する。尚、mは、第2画像IM2を区別する場合に付すインデックスであり、J2及びMは、それぞれ温度Tの種類及び第2画像IM2の総数である。各第2画像IM2mは、遮光状態で撮像された暗黒画像である。尚、遮光状態で撮像された暗黒画像に含まれる支配的なノイズは、暗電流ショットノイズNS2及び読み出しノイズNS3であることを前提とする。
次いで、各第2画像IM2mにおける各温度Tjについて各画素の輝度Ym,jを測定する。
次いで、各温度Tjについてすべての第2画像IM2m(すべてのm)の暗電流ショットノイズNS2及び読み出しノイズNS3の標準偏差σBjを算出する。具体的に、ガウス分布に従う暗電流ショットノイズNS2及び読み出しノイズNS3は、複数の画素データの輝度を平均化することでノイズの含まれない画素値に漸近する特性に従い、各温度Tjについてすべての第2画像IM2m(すべてのm)で平均化した平均輝度Yjを算出し、すべての第2画像IM2mから平均輝度Yjを減算した輝度値Yj’を算出する。すなわち、Yj’はノイズ成分の輝度値(ここでは、暗電流ショットノイズNS2及び読み出しノイズNS3の信号レベル)を表し、すべての第2画像IM2mから得られた輝度値Yj’のばらつきから標準偏差σBjを算出する。
次いで、前記のようにして温度Tjの平均輝度Yj及び標準偏差σBjをすべてのjについて算出した後、注目するイメージセンサ21iについて、温度T及び標準偏差σBの関係を表す関係式σB=gi(T)を求める。関係式σB=gi(T)を求める方法は、例えば、横軸に温度T、縦軸に標準偏差σBをとったグラフに、Tj及び標準偏差σBjを、すべてのjについてプロットし、これにモデルとなる多項式をフィッティングする方法である。すべてのイメージセンサ21i(すべてのi)について得られるこの関係式σB=gi(T)は、記憶部に記憶される。以上が、第2解析段階である。
第1解析段階で求めた関係式(σA=fi(Y))及び第2解析段階で求めた関係式(σB=gi(T))から、光ショットノイズNS1と暗電流ショットノイズNS2と読み出しノイズNS3とを含むノイズNSの標準偏差(σ=σA+σB)と、輝度Y及び温度Tとの関係を表す解析結果σA+σB=fi(Y)+gi(T)がイメージセンサ21iごとに得られ、解析終了となる。解析終了後は、この解析結果σ=σA+σB=fi(Y)+gi(T)を用いることで、すべてのイメージセンサ21i(すべてのi)について、任意の輝度Y及び温度Tにおける標準偏差σを求めることができ、標準偏差σのガウス分布に従うノイズNSを生成できる。
―ノイズ画像生成段階―
学習器12は、ノイズ画像生成段階を行う。具体的に、学習器12は、以下の手順により、ノイズNSの無い(又はノイズNSが非常に少ない)N枚のクリーン画像D0(クリーンデータ)に、ノイズ生成部11により生成されたノイズNSを付加してI×J×N枚のノイズ画像D1(ノイズデータ)を生成する。
学習器12は、ノイズ画像生成段階を行う。具体的に、学習器12は、以下の手順により、ノイズNSの無い(又はノイズNSが非常に少ない)N枚のクリーン画像D0(クリーンデータ)に、ノイズ生成部11により生成されたノイズNSを付加してI×J×N枚のノイズ画像D1(ノイズデータ)を生成する。
まず、いずれのイメージセンサ21i(i=1〜I)よりも、発生するノイズの少ないイメージセンサを備えた撮像装置によって、異なるN種類の被写体を撮像することにより、N枚のクリーン画像D0を準備する。
次いで、ノイズ生成部11により、各クリーン画像D0の各画素の輝度Y及び考慮する温度Tに対応する、ノイズNSの標準偏差σを、前記の関係式σ=fi(Y)+gi(T)を用いて算出する。尚、「考慮する温度」とは、機械学習段階で機械学習を行うために考慮するJ種類の温度Tjを意味する。この標準偏差σの算出を、すべてのイメージセンサ21i(すべてのi)及び温度Tj(すべてのj)について行い、I×J種類のノイズNSの標準偏差σを生成する。そして、各標準偏差σのガウス分布に従う乱数としてノイズNSを発生させる。発生させたI×J種類のノイズNSを、N枚のクリーン画像D0に付加することにより、I×J×N枚のノイズ画像D1を生成する。
―機械学習段階―
学習器12は、ニューラルネットワーク30に基づいてノイズ画像D1からクリーン画像D0を推定できるように、パラメータセットWを最適化する。具体的に、学習器12は、I個のイメージセンサ21iによって、異なるJ種類の温度Tjを撮像条件とする、異なるN種類の被写体についてのI×J×N枚のノイズ画像D1及びN種類の被写体についてのN枚のクリーン画像D0を対とする教師データとして、機械学習を行う。I個のイメージセンサ21i及びJ種類の温度Tjについて、パラメータセットWを最適化するので、I×J組の最適化されたパラメータセットWが得られる。これらの最適化されたパラメータセットWは、記憶部に記憶される。
学習器12は、ニューラルネットワーク30に基づいてノイズ画像D1からクリーン画像D0を推定できるように、パラメータセットWを最適化する。具体的に、学習器12は、I個のイメージセンサ21iによって、異なるJ種類の温度Tjを撮像条件とする、異なるN種類の被写体についてのI×J×N枚のノイズ画像D1及びN種類の被写体についてのN枚のクリーン画像D0を対とする教師データとして、機械学習を行う。I個のイメージセンサ21i及びJ種類の温度Tjについて、パラメータセットWを最適化するので、I×J組の最適化されたパラメータセットWが得られる。これらの最適化されたパラメータセットWは、記憶部に記憶される。
―ノイズ除去段階―
前記の機械学習によって最適化されたパラメータセットWを用いて、ノイズ除去を行う撮像装置20の動作について説明する。
前記の機械学習によって最適化されたパラメータセットWを用いて、ノイズ除去を行う撮像装置20の動作について説明する。
まず、撮像装置20のメモリ24に、学習器12の記憶部に記憶された最適化されたパラメータセットWを複製する。
次いで、撮像装置20は、イメージセンサ21で画像を撮像し、この画像の電気信号である画像データDinをイメージセンサ21iから出力データ生成部23へ送る。
次いで、出力データ生成部23は、最適化されたパラメータセットWを用いたニューラルネットワーク30に基づいて、イメージセンサ21で撮像された画像の画像データを入力データDinとし、以下に記載するように、この入力データDinのノイズNSを除去して出力画像データDoutを生成する。ここで、パラメータセットWは、前記のようにI×J組からなるので、適切な1組のパラメータセットWを選択するためにイメージセンサ21iのi及び温度Tjのjを特定する必要がある。そのため、撮像装置20が備えるイメージセンサ21iを特定するセンサ情報(例えば、型番号)及び撮像時の温度Tが、撮像装置20の操作部(図示しない)から供給される。
そして、出力データ生成部23は、I×J組のパラメータセットWから、供給されたセンサ情報に対応するイメージセンサ21i及び撮像時の温度Tに最も近い温度Tjについて最適化された、1組のパラメータセットWを選択する。
そして、選択したパラメータセットWを用いたニューラルネットワーク30に基づいて、出力画像データDoutを生成する。具体的に、ニューラルネットワーク30では、画像データDinが入力層31に入力される。入力層31の画像データDinは、中間層32へ引き渡される。そして、中間層32では、選択されたパラメータセットWを用いて、複数のダウンサンプリング層32a,32a,…及び複数のアップサンプリング層32b,32b,…により、中間出力データDmidとして画像データDinのノイズ成分NSが生成される。そして、画像データDinからノイズ成分NSを引くことにより、クリーンデータに相当する出力画像データDoutが生成され、出力画像データDoutが出力層33に引き渡される。以上のようにして、出力画像データDoutが得られたら、ノイズ除去段階が終了となる。
<作用・効果>
本実施形態では、ノイズ生成部11は、イメージセンサ21のノイズ特性を解析した解析結果に基づいてノイズNSを生成するので、イメージセンサ21iのノイズ特性を反映したノイズNSを生成することができる。そして、学習器12は、このノイズNSが付加されたノイズ画像D1からクリーン画像D0を推定できるように、パラメータセットWを最適化し、出力データ生成部23は、この最適化されたパラメータセットWを用いたニューラルネットワーク30に基づいて、出力画像データDoutを生成する。従って、イメージセンサ21iのノイズ特性を反映したノイズNSが除去された、出力画像データDoutが出力される。その結果、画像データのノイズ除去性能が向上する。
本実施形態では、ノイズ生成部11は、イメージセンサ21のノイズ特性を解析した解析結果に基づいてノイズNSを生成するので、イメージセンサ21iのノイズ特性を反映したノイズNSを生成することができる。そして、学習器12は、このノイズNSが付加されたノイズ画像D1からクリーン画像D0を推定できるように、パラメータセットWを最適化し、出力データ生成部23は、この最適化されたパラメータセットWを用いたニューラルネットワーク30に基づいて、出力画像データDoutを生成する。従って、イメージセンサ21iのノイズ特性を反映したノイズNSが除去された、出力画像データDoutが出力される。その結果、画像データのノイズ除去性能が向上する。
ところで、本実施形態のノイズ生成部11によってノイズ画像D1を生成する方法の代わりに、イメージセンサからノイズ画像D1を取得して、これとクリーン画像D0との差をとることにより、ノイズNSを生成する方法も考えられる。しかし、イメージセンサからノイズ画像D1を取得すること、及び、ノイズ画像D1とクリーン画像D0との差をとるための画素位置を調整することに手間がかかるという問題、そして、このことによって、ノイズ生成とそれに続く機械学習段階の動作のスループットが悪くなるという問題、並びに、動く物体を被写体にできないという問題がある。
ここで、本実施形態では、ノイズNSを生成するたびにイメージセンサ21のノイズ特性を解析するのではなく、ノイズ特性を解析した解析結果を利用することで、クリーン画像D0のみからノイズ画像D1を生成することができる。その結果、ノイズ画像D1の取得及び画素位置調整の手間を回避でき、更に、ノイズ生成部11によるノイズ生成の動作と学習器12によるパラメータセットWの最適化の動作とのスループットをよくすることができる。そして、動く物体も被写体にできる。
また、本実施形態では、ノイズ解析部13の解析結果は、イメージセンサ21から入力される画像データDinの輝度Y及び温度Tに対するノイズ特性の関係式であるので、この関係式が得られれば、輝度Y及び温度TからノイズNSを簡単に生成することができる。従って、ノイズ生成部11によるノイズ生成の動作と学習器12によるパラメータセットWの最適化の動作とのスループットを更によくすることができる。
また、本実施形態では、イメージセンサ21iのノイズ特性が、光ショットノイズNS1の輝度Yに対する分布特性、並びに、暗電流ショットノイズNS2及び読み出しノイズNS3の温度Tに対する分布特性を含むので、出力データ生成部23は、イメージセンサ21iの光ショットノイズNS1、並びに、温度依存性が考慮された暗電流ショットノイズNS2及び読み出しノイズNS3を反映したノイズNSが除去された出力画像データDoutを出力する。その結果、ノイズ除去性能が向上する。
また、本実施形態では、中間層32が中間出力データDmidとしてのノイズ成分NSを推定し、出力層33が入力データDinと中間出力データDmidとの差をとって生成された出力画像データDoutを出力する。すなわち、中間層32は、ノイズデータDoutではなく、ノイズデータDoutからクリーンデータDinを引いた差分であるノイズ成分NSを推定するように、パラメータセットWが最適化されている。ノイズ成分NSは、ノイズデータDoutよりも値が小さいので、ノイズデータDoutを推定するよりもノイズ成分NSを推定する方が、学習の収束性が向上する。従って、パラメータセットWを最適化させやすくなる。
また、本実施形態では、中間層32は、複数のダウンサンプリング層32a,32a,…により入力データDinの解像度を下げながら、各解像度におけるノイズを抽出し、複数のアップサンプリング層32b,32b,…により各解像度におけるノイズを結合して、高解像度におけるノイズNSを復元するので、低周波数を含む、広い周波数領域でノイズ除去できる。その結果、ノイズ除去性能が向上する。
また、本実施形態では、情報処理装置10がノイズ生成部11と学習器12とを有し、撮像装置20が学習器12で最適化されたパラメータセットWが格納されたメモリ24とイメージセンサ21と出力データ生成部23とを有する。すなわち、情報処理装置10がノイズ生成部11と学習器12とを用いて機械学習を行い、撮像装置20が最適化されたパラメータセットWを用いて撮像された画像データDinのノイズ除去を行う。従って、高いノイズ除去性能を備えた撮像装置20を提供することができる。
≪その他の実施形態≫
前記実施形態では、情報処理装置10によって第1解析段階、第2解析段階、ノイズ画像生成段階、及び機械学習段階を行い、撮像装置20によってノイズ除去段階を行うが、これに限られない。両解析段階によって解析結果が一旦得られれば、ノイズ画像生成段階及び機械学習段階を、連続してスループットよく行うことができるので、例えば、情報処理装置によって、解析段階を行った上で、その解析結果を格納する撮像装置によって、ノイズ画像生成段階、機械学習段階及びノイズ除去段階を連続して行ってもよい。
前記実施形態では、情報処理装置10によって第1解析段階、第2解析段階、ノイズ画像生成段階、及び機械学習段階を行い、撮像装置20によってノイズ除去段階を行うが、これに限られない。両解析段階によって解析結果が一旦得られれば、ノイズ画像生成段階及び機械学習段階を、連続してスループットよく行うことができるので、例えば、情報処理装置によって、解析段階を行った上で、その解析結果を格納する撮像装置によって、ノイズ画像生成段階、機械学習段階及びノイズ除去段階を連続して行ってもよい。
また、前記実施形態では、ノイズ生成部11はノイズ解析部13を有する構成としたが、イメージセンサ21のノイズ特性を解析した解析結果があれば、ノイズ解析部13は必須ではない。
また、前記実施形態では、イメージセンサ21に固有のノイズ特性は、光ショットノイズNS1の輝度Yに対する分布特性、並びに、暗電流ショットノイズNS2及び読み出しノイズNS3の温度Tに対する分布特性としたが、これに限られず、例えば、画素感度ばらつきの輝度に対する分布特性や暗電流ノイズの輝度に対する分布特性を更に含んでいてもよい。
また、前記実施形態では、ニューラルネットワーク30の入力層31は、画像データを入力データDinとし、パラメータセットWは、イメージセンサ21i及び温度Tjの両方によって異なるが、これに限られない。例えば、画像データ及び温度Tを入力データDinとし、パラメータセットWをイメージセンサ21のみによって異なるI組からなるものとしてもよい。
前記実施形態は、情報処理装置10と撮像装置20とを備えたノイズ除去システムSであるが、ニューラルネットワーク30に基づいて、イメージセンサ21から入力される画像データDinのノイズNSを除去して出力画像データDoutを生成する撮像装置20のみの構成であってもよい。ここで、ニューラルネットワーク30のパラメータセットWが、ノイズNSの無いクリーン画像D0に、イメージセンサ21のノイズ特性を解析した解析結果に基づいて生成されたノイズNSを付加してノイズ画像D1を生成し、ニューラルネットワーク30に基づいてノイズ画像D1からクリーン画像D0を推定できるように、最適化されていればよい。これによって、イメージセンサ21から入力される画像データDinから、イメージセンサ21のノイズ特性を反映したノイズNSが除去された出力画像データDoutが出力される。すなわち、ノイズ除去性能の高い撮像装置を提供できる。
また、前記実施形態では、撮像装置20はデジタルカメラであるが、スマートフォンなどの他の機器に搭載されていてもよい。
また、前記実施形態では、センサは、イメージセンサ21であり、入力データDinは、画像データであるが、これに限られない。例えば、センサは音声マイクロホンであり、入力データは音声データであってもよい。
本発明は、ノイズ除去システムとして有用である。
S ノイズ除去システム
NS ノイズ
10 情報処理装置
11 ノイズ生成部
12 学習器(学習部)
20 撮像装置
21 イメージセンサ(センサ)
23 出力データ生成部
24 メモリ(格納部)
30 ニューラルネットワーク
31 入力層
32 中間層
32a ダウンサンプリング層
32b アップサンプリング層
33 出力層
W パラメータセット(ネットワークパラメータ)
NS ノイズ
10 情報処理装置
11 ノイズ生成部
12 学習器(学習部)
20 撮像装置
21 イメージセンサ(センサ)
23 出力データ生成部
24 メモリ(格納部)
30 ニューラルネットワーク
31 入力層
32 中間層
32a ダウンサンプリング層
32b アップサンプリング層
33 出力層
W パラメータセット(ネットワークパラメータ)
Claims (8)
- ニューラルネットワークに基づいて、センサから入力される入力データのノイズを除去するノイズ除去システムであって、
前記センサのノイズ特性を解析した解析結果に基づいてノイズを生成するノイズ生成部と、
ノイズの無いクリーンデータに、前記ノイズ生成部により生成されたノイズを付加してノイズデータを生成し、前記ニューラルネットワークに基づいて該ノイズデータから前記クリーンデータを推定できるように、ネットワークパラメータを最適化する学習部と、
最適化された前記ネットワークパラメータを用いた前記ニューラルネットワークに基づいて、前記入力データのノイズを除去して出力データを生成する出力データ生成部と
を備える、ノイズ除去システム。 - 請求項1に記載のノイズ除去システムおいて、
前記センサは、イメージセンサであり、
前記入力データは、画像データである、ノイズ除去システム。 - 請求項2に記載のノイズ除去システムにおいて、
前記センサのノイズ特性についての前記解析結果は、前記イメージセンサから入力される画像データの輝度及び温度に対するノイズ特性の関係式である、
ノイズ除去システム。 - 請求項2又は3に記載のノイズ除去システムおいて、
前記センサの前記ノイズ特性は、光ショットノイズの輝度に対する分布特性、並びに、暗電流ショットノイズ及び読み出しノイズの温度に対する分布特性を少なくとも含む、ノイズ除去システム。 - 請求項1〜4のいずれか1項に記載のノイズ除去システムおいて、
前記出力データ生成部の前記ニューラルネットワークは、
入力データを入力する入力層と、
前記入力データから中間出力データとしてのノイズ成分を推定する中間層と、
前記入力データと前記中間出力データとの差をとって生成された出力データを出力する出力層と
を含む、ノイズ除去システム。 - 請求項5に記載のノイズ除去システムおいて、
前記中間層は、
前記入力データの解像度を下げながら、各解像度におけるノイズを抽出する複数のダウンサンプリング層と、
前記複数のダウンサンプリング層で抽出された前記各解像度におけるノイズを結合して、高解像度におけるノイズを復元する複数のアップサンプリング層と
を含む、ノイズ除去システム。 - 請求項1〜6のいずれか1項に記載のノイズ除去システムにおいて、
前記ノイズ生成部と、前記学習部とを有する情報処理装置と、
ノイズ特性が解析された前記センサと、前記学習部で最適化された前記ネットワークパラメータが格納された格納部と、前記出力データ生成部とを有する撮像装置と
を備え、
前記出力データ生成部は、前記センサで撮像された画像データを前記入力データとし、前記格納部に格納された前記ネットワークパラメータを用いた前記ニューラルネットワークに基づいて、前記出力データを生成する、
ノイズ除去システム。 - ニューラルネットワークに基づいて、イメージセンサから入力される画像データのノイズを除去して出力データを生成する撮像装置であって、
前記ニューラルネットワークのネットワークパラメータは、ノイズの無いクリーン画像に、前記イメージセンサのノイズ特性を解析した解析結果に基づいて生成されたノイズを付加してノイズ画像を生成し、前記ニューラルネットワークに基づいて該ノイズ画像から前記クリーン画像を推定できるように、最適化されている、撮像装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019185134A JP2021060847A (ja) | 2019-10-08 | 2019-10-08 | ノイズ除去システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019185134A JP2021060847A (ja) | 2019-10-08 | 2019-10-08 | ノイズ除去システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021060847A true JP2021060847A (ja) | 2021-04-15 |
Family
ID=75380515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019185134A Pending JP2021060847A (ja) | 2019-10-08 | 2019-10-08 | ノイズ除去システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021060847A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113709393A (zh) * | 2021-08-20 | 2021-11-26 | 国光电器股份有限公司 | 图像传感器光学暗区的校准曲线获取方法和校准方法 |
JP2023077988A (ja) * | 2021-11-25 | 2023-06-06 | キヤノン株式会社 | 放射線画像処理装置、放射線画像処理方法、画像処理装置、学習装置、学習データの生成方法、及びプログラム |
WO2023132223A1 (ja) * | 2022-01-04 | 2023-07-13 | ソニーグループ株式会社 | 画像処理装置、画像処理方法、および記録媒体 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015046678A (ja) * | 2013-08-27 | 2015-03-12 | キヤノン株式会社 | 画像処理装置、画像処理方法、および撮像装置 |
WO2018210978A1 (en) * | 2017-05-19 | 2018-11-22 | Retinai Medical Gmbh | Reducing noise in an image |
JP2018206382A (ja) * | 2017-06-01 | 2018-12-27 | 株式会社東芝 | 画像処理システム及び医用情報処理システム |
-
2019
- 2019-10-08 JP JP2019185134A patent/JP2021060847A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015046678A (ja) * | 2013-08-27 | 2015-03-12 | キヤノン株式会社 | 画像処理装置、画像処理方法、および撮像装置 |
WO2018210978A1 (en) * | 2017-05-19 | 2018-11-22 | Retinai Medical Gmbh | Reducing noise in an image |
JP2018206382A (ja) * | 2017-06-01 | 2018-12-27 | 株式会社東芝 | 画像処理システム及び医用情報処理システム |
Non-Patent Citations (1)
Title |
---|
玉田 大輝: "II MRIの新技術:前臨床編 7.深層学習を用いたMR画像処理 −画像再構成の新たなブレイクスルー", INNERVISION 第33巻 第9号, vol. 第33巻, JPN6021001008, 25 August 2018 (2018-08-25), JP, pages 26 - 29, ISSN: 0004543173 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113709393A (zh) * | 2021-08-20 | 2021-11-26 | 国光电器股份有限公司 | 图像传感器光学暗区的校准曲线获取方法和校准方法 |
CN113709393B (zh) * | 2021-08-20 | 2023-06-27 | 国光电器股份有限公司 | 图像传感器光学暗区的校准曲线获取方法和校准方法 |
JP2023077988A (ja) * | 2021-11-25 | 2023-06-06 | キヤノン株式会社 | 放射線画像処理装置、放射線画像処理方法、画像処理装置、学習装置、学習データの生成方法、及びプログラム |
WO2023132223A1 (ja) * | 2022-01-04 | 2023-07-13 | ソニーグループ株式会社 | 画像処理装置、画像処理方法、および記録媒体 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021217643A1 (zh) | 红外图像处理方法、装置及可移动平台 | |
US11127117B2 (en) | Information processing method, information processing apparatus, and recording medium | |
JP2021060847A (ja) | ノイズ除去システム | |
Julliand et al. | Image noise and digital image forensics | |
CN106570862B (zh) | 一种超分辨率重建质量的评价方法及装置 | |
JP7212554B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
JP2015511433A (ja) | 適応型多次元データ分解 | |
Zhang et al. | Hyperspectral image denoising with realistic data | |
JP6554253B2 (ja) | 画像処理装置、画像処理方法、および画像処理プログラム | |
Gu et al. | A single image dehazing method using average saturation prior | |
Yan et al. | Atmospheric-turbulence-degraded astronomical image restoration by minimizing second-order central moment | |
US20120070096A1 (en) | Imaging apparatus and image restoration method | |
JP2022528326A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
JP2012003454A (ja) | 画像処理装置、撮像装置および画像処理プログラム | |
JP2020154561A (ja) | 学習装置 | |
Balamurugan et al. | Source camera identification using SPN with PRNU estimation and enhancement | |
WO2018225134A1 (ja) | 画像処理装置、画像処理方法、および画像処理プログラム | |
KR101124878B1 (ko) | 추정된 흐림반경에 기초한 영상보정방법 및 영상보정장치 | |
JP2022029262A (ja) | 画像処理装置、画像処理方法、画像処理プログラム、および学習装置 | |
JP2018116672A (ja) | 情報処理装置、情報処理方法およびプログラム | |
WO2017203662A1 (ja) | デジタルホログラフィック撮像装置、撮像方法 | |
JP2015076676A (ja) | 画像処理装置、画像処理方法及びプログラム | |
KR101303201B1 (ko) | 루트 변환을 이용하여 합성 개구레이더 영상을 처리하기 위한 장치 및 그 방법 | |
JP2018166331A (ja) | 画像処理装置、画像処理方法、およびプログラム | |
US10387803B2 (en) | Sensor system for transcoding data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191127 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210126 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210706 |