JP2021082196A - 画像処理装置、画像処理方法、パラメータ生成方法、及びプログラム - Google Patents
画像処理装置、画像処理方法、パラメータ生成方法、及びプログラム Download PDFInfo
- Publication number
- JP2021082196A JP2021082196A JP2019211554A JP2019211554A JP2021082196A JP 2021082196 A JP2021082196 A JP 2021082196A JP 2019211554 A JP2019211554 A JP 2019211554A JP 2019211554 A JP2019211554 A JP 2019211554A JP 2021082196 A JP2021082196 A JP 2021082196A
- Authority
- JP
- Japan
- Prior art keywords
- noise level
- target
- noise
- parameter
- image
- 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 63
- 238000000034 method Methods 0.000 title claims description 48
- 238000003672 processing method Methods 0.000 title claims 5
- 230000009467 reduction Effects 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 230000035945 sensitivity Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 230000002194 synthesizing effect Effects 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000010365 information processing Effects 0.000 description 24
- 230000015572 biosynthetic process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000003786 synthesis reaction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000001308 synthesis method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
【課題】計算コストやデータ量を抑制しながら、多様なノイズレベルに対応して、画像に対する有効なノイズ低減を行う。【解決手段】対象画像に対するノイズ低減処理を行う画像処理装置は、対象画像および対象画像のノイズレベルを表す対象ノイズレベルを取得する対象データ取得部201、第1の参照ノイズレベルで学習したノイズ推定手段の第1の参照パラメータと、第2の参照ノイズレベルで学習したノイズ推定手段の第2の参照パラメータとを取得する参照パラメータ取得部202、第1の参照ノイズレベルと、第2の参照ノイズレベルと、対象ノイズレベルとに基づいて、第1の参照パラメータおよび第2の参照パラメータを合成して、対象ノイズレベルに対応する対象パラメータを生成するパラメータ合成部203、及び対象パラメータを用いて、ノイズ推定手段により対象画像に対するノイズ低減処理を行うノイズ低減処理部204を有する。【選択図】図2
Description
本発明は、一般に、画像処理に関し、より具体的には、画像のノイズ低減に関する。
近年、ディープニューラルネットワーク(DNN)が、多くの画像復元のアプリケーションに応用されている。DNNとは、具体的には、2層以上の隠れ層を有するニューラルネットワークを指し、隠れ層の数を多くすることで性能が向上してきている。画像復元とは、具体的には、ノイズ低減、ボケ除去、超解像、欠損補完などの、劣化画像から元画像を復元する処理を指す。画像復元におけるDNNの課題として、特定のパラメータで表現できる画像劣化に対しては従来の手法を上回る復元性能を示すものの、多様な画像劣化に対しては単一のネットワークでは性能が十分でないことが知られている。例えば、画像のノイズ低減の場合、ネットワークの学習に用いる画像に含まれているノイズレベルが単一、あるいは十分に狭い範囲にある場合、学習時と同じノイズレベルの画像は良好にノイズが低減される。しかし、学習時と異なるノイズレベルの画像に対しては、十分なノイズ低減効果が得られない。
この課題に対して、多様なノイズレベルの画像を混在させてネットワークを学習させる方法が知られている(非特許文献1参照)。この方法によれば、学習に用いた画像のいずれかのノイズレベルのノイズを有する画像に対しては、十分なノイズ低減効果が得られる。
K. Zhang, W. Zuo, Y. Chen, D. Meng, and L. Zhang, "Beyond a gaussian denoiser: Residual learning of deep cnn for image denoising," IEEE Trans. Image Process., vol. 26, no. 7, pp. 3142 − 3155, 2017.
Foi, A., M. Trimeche, V. Katkovnik, and K. Egiazarian, "Practical Poissonian−Gaussian noise modeling and fitting for single−image raw−data", IEEE Trans. Image Process., vol. 17, no. 10, pp. 1737−1754, 2008.
しかしながら、非特許文献1に開示されたように、多様なノイズレベルの画像を混在させて学習させたネットワークでは、処理対象の画像と同一、かつ単一のノイズレベルで学習したネットワークを用いた場合に比べると、ノイズ低減後の画質が十分でない。そのため、画質を優先する場合には、処理対象の画像に生じ得る全てのノイズレベルの各々に対して個別に学習したネットワークを複数用意し、処理対象の画像のノイズレベルに応じてそれらを使い分ける必要がある。この場合、複数のネットワークを学習するための計算コストや、複数のネットワークのパラメータのデータ量が増加し、実装可能なデバイスや環境が制約を受けてしまう。
本発明は、このような問題に鑑みてなされたものであり、計算コストやデータ量を抑制しながら、多様なノイズレベルに対応して、画像に対する有効なノイズ低減を行うことを目的とする。
本発明の一実施形態において、対象画像に対するノイズ低減処理を行う画像処理装置は、前記対象画像および前記対象画像のノイズレベルを表す対象ノイズレベルを取得する第1の取得手段と、第1の参照ノイズレベルで学習したノイズ推定手段の第1の参照パラメータと、第2の参照ノイズレベルで学習した前記ノイズ推定手段の第2の参照パラメータとを取得する第2の取得手段と、前記第1の参照ノイズレベルと、前記第2の参照ノイズレベルと、前記対象ノイズレベルとに基づいて、前記第1の参照パラメータおよび前記第2の参照パラメータを合成して、前記対象ノイズレベルに対応する対象パラメータを生成する生成手段と、前記対象パラメータを用いて、前記ノイズ推定手段により前記対象画像に対する前記ノイズ低減処理を行うノイズ低減手段とを有する。
本発明によると、計算コストやデータ量を抑制しながら、多様なノイズレベルに対応して、画像に対する有効なノイズ低減を行うことができる。
以下、本発明の実施形態について、図面を参照して詳細に説明する。なお、以下の実施形態は、本発明を限定するものではない。また、本実施形態で説明されている特徴の組み合わせの全てが本発明に必須のものとは限らない。本発明には、本発明の要旨を逸脱しない範囲の様々な変形形態も含まれる。また、本発明は、以下の実施形態の一部を組み合わせるようにして構成してもよい。
(第1の実施形態)
本実施形態では、異なるノイズレベルで学習させたニューラルネットワーク(NN)のパラメータをもとに、任意の処理対象のノイズレベルに対応するパラメータを生成する。そして、当該パラメータを適用したNNにより、処理対象の画像に対するノイズ低減処理(すなわち、画像処理)を行う。なお、以下では、ニューラルネットワーク(NN)を単にネットワークとも称する。また、本実施形態は、画像のノイズ推定手段としてニューラルネットワークを用いて説明するが、これに限定されず、同様の性質を有するノイズ推定手段に適用可能である。
本実施形態では、異なるノイズレベルで学習させたニューラルネットワーク(NN)のパラメータをもとに、任意の処理対象のノイズレベルに対応するパラメータを生成する。そして、当該パラメータを適用したNNにより、処理対象の画像に対するノイズ低減処理(すなわち、画像処理)を行う。なお、以下では、ニューラルネットワーク(NN)を単にネットワークとも称する。また、本実施形態は、画像のノイズ推定手段としてニューラルネットワークを用いて説明するが、これに限定されず、同様の性質を有するノイズ推定手段に適用可能である。
図1は、本実施形態における情報処理装置のハードウェア構成の一例を示す。本実施形態の情報処理装置100は、CPU101、RAM102、ROM103、二次記憶装置104、入力インターフェース105、出力インターフェース106を含む。情報処理装置100の各構成要素は、システムバス107によって相互に接続されている。また、情報処理装置100は、入力インターフェース105を介して外部記憶装置108および操作部110に接続されている。また、情報処理装置100は、出力インターフェース106を介して外部記憶装置108および表示装置109に接続されている。
CPU101は、RAM102をワークメモリとして用い、ROM103に格納されたプログラムを実行し、システムバス107を介して情報処理装置100の各構成要素を統括的に制御する。これにより、後述する様々な処理が実行される。二次記憶装置104は、情報処理装置100で取り扱われる種々のデータを記憶し、本実施形態ではHDDが用いられる。CPU101は、システムバス107を介して二次記憶装置104へのデータの書き込みおよび二次記憶装置104に記憶されたデータの読出しを行う。なお、二次記憶装置104にはHDDの他に、光ディスクドライブやフラッシュメモリなど、様々なタイプの記憶装置を用いることが可能である。
入力インターフェース105は、例えばUSBやIEEE1394等のシリアルバスインターフェースである。情報処理装置100は、入力インターフェース105を介して、外部装置からデータや命令等を入力する。本実施形態では、情報処理装置100は、入力インターフェース105を介して、外部記憶装置108(例えば、ハードディスク、メモリカード、CFカード、SDカード、USBメモリなどの記憶媒体)からデータを取得する。また、本実施形態では、情報処理装置100は、操作部110に入力されたユーザの指示を、入力インターフェース105を介して取得する。操作部110は、マウスやキーボードなどの入力装置であり、ユーザの指示を入力する。
出力インターフェース106は、入力インターフェース105と同様にUSBやIEEE1394等のシリアルバスインターフェースである。なお、出力インターフェース106は、例えばDVIやHDMI(登録商標)等の映像出力端子であってもよい。情報処理装置100は、出力インターフェース106を介して、外部装置にデータ等を出力する。本実施形態では、情報処理装置100は、出力インターフェース106を介して表示装置109(例えば、液晶ディスプレイなどの各種画像表示装置)に、CPU101によって処理されたデータ(例えば、画像データ)を出力する。
なお、情報処理装置100は、上記以外の構成要素を備えてもよい。
図2は、本実施形態における情報処理装置100の機能ブロック図である。情報処理装置100は、対象データ取得部201、参照パラメータ取得部202、パラメータ合成部203、ノイズ低減処理部204、及びパラメータ保持部205を有する。情報処理装置100は、各機能部が処理を実施することにより、画像処理装置として機能する。各機能部が実施する処理については、図6を参照して後述する。
図3は、一般的なNNの構造の一例を示す。本実施形態では、一般的なNNの構造を、畳み込みニューラルネットワーク(CNN)を例に用いて説明するが、この構造には限定されない。
図3(a)に示すように、NNは、入力層301、1つまたは複数の中間層302(ブロック1〜X)、及び出力層303を含む。入力層301には、ノイズを含む画像が入力される。その後、逐次的にブロック1からブロックXまでの処理が実行され、最後に出力層303にデータが出力される。ブロック間を伝達するデータは、入力データと同サイズ、またはより低い解像度の複数チャネルの画像の形態をとる。出力データは、推定されたノイズ、もしくはノイズが低減された画像である。推定されたノイズを出力データとして学習した学習モデルを用いてノイズ低減処理する場合には、入力データから出力データを差し引くことで、ノイズが低減された画像が得られる。
また、図3(b)に示すように、各ブロックは、畳み込み層304、正規化層305、及び活性化層306を連結した構造となっている。なお、必ずしも全ての層を含む必要はなく、ブロックによって構造が異なっていてもよい。
畳み込み層304は、入力されるデータの各チャネルに対し所定のフィルタを畳み込んだ結果を加算し出力する。フィルタ係数は、後述する学習によって決定する。畳み込み層304の出力のチャネル数は任意に決めることができ、出力チャネル数に応じた種類のフィルタを用意すればよい。
正規化層305は、入力されるデータに対し、平均と分散を補正する線形変換を行う。例えば、学習用データをネットワークに入力したときの正規化層305の出力が、平均が0、分散が1になるように線形変換係数を、後述する学習によって決定する。
活性化層306は、入力されるデータに対し、要素ごとに独立に非線形変換を行う。非線形変換は具体的には、sigmoid関数、tanh関数、ReLU(Rectified Linear Unit)など、一般に知られている関数を用いることができる。
図4は、一般的なスキップ接続のあるニューラルネットワークの構造の一例を示す。図示されるように、一般的なNNは、入力層301または任意のブロックの出力と、別のブロックの出力とを加算または連結するようなスキップ接続を有してもよい。
次に、NNの学習について説明する。NNの学習とは、学習用データを用いて、NNを構成するパラメータを決定することを指す。パラメータとしては、例えば、畳み込み層のフィルタ係数、正規化層の線形変換の係数などが挙げられる。
学習用データは、入力データ(生徒データ)と出力データの正解値(教師データ)のペアの集合である。ノイズ低減を目的とする場合には、生徒データは実写画像またはCG画像に人工的なノイズを付加して得られるノイズ画像とし、教師データはノイズを付加する前の元画像、または付加したノイズ自体とする。人工ノイズは、一般的に、分散値が同一のガウス乱数を画素ごと独立に加算することで生成されるが、輝度依存性ノイズなど、より現実に近いノイズモデルを用いて生成してもよい。人工ノイズにおける分散値は、特定のISO感度に対応した値とすることができる。また、人工ノイズを用いる代わりに、ISO感度が異なる条件で撮影された同一被写体の画像のペアの集合を学習用データとしてもよい。この方法は、現実のノイズを用いて学習できるため、実写画像に対するノイズ低減効果が人工ノイズを用いて学習する場合に比べて高くなるメリットがある。しかしその反面、画像のペア間でわずかな位置ずれも許容されないため、撮影は困難であり、撮影シーンが制約される。
実写画像のノイズレベルは、撮影の設定(主にISO感度)や機材の状態(主に長時間連続使用による発熱)などによって変化することが知られている。そのため、ノイズ低減処理は多様なノイズレベルに対応する必要がある。
そこで本実施形態では、異なるノイズレベルで学習させたNNのパラメータをもとに、新たなネットワークを生成して、任意の処理対象のノイズレベルに対して用いる。特に、本実施形態では、2つのノイズレベルのそれぞれで学習させた2つのネットワークを用いる方法について説明する。
次に、新たなネットワークを生成する方法について説明する。具体的には、まず、同じ層構造を有するネットワークを、パラメータのみが異なるようにして、2つの参照ノイズレベルのそれぞれで学習させる。次に、学習済みネットワークのそれぞれのパラメータ(参照パラメータとも称する)を、処理対象の画像のノイズレベルに応じて合成し、新たなパラメータ(対象パラメータとも称する)を生成する。このようにして、処理対象のノイズレベルに対応する新たなネットワークを生成する。
上記の方法で生成した対象パラメータを用いるネットワークで所望の効果を得るためには、2つの参照ノイズレベル間で各畳み込みフィルタの役割(すなわち、抽出する特徴量)が同一である必要がある。しかし、それぞれの参照ノイズレベルでの学習を独立に行った場合には、このような同一性は保証されない。そこで、2つの参照ノイズレベル間で各畳み込みフィルタの役割を同一にするために、本実施形態では、以下に述べる方法で追加学習を行う。
図5は、本実施形態におけるニューラルネットワークの学習方法を示す。本実施形態では、異なる参照ノイズレベルのそれぞれでネットワークを学習させ、各参照ノイズレベルに対応した参照パラメータを生成する方法について説明する。なお、本学習方法は、図2の情報処理装置100が実施してもよいし、その他の装置が実施してもよい。本学習方法を実施する装置は、図示された機能部を有するように構成される。
まず、初期パラメータ取得部500が、ネットワーク学習のための初期パラメータを取得する。初期パラメータは、ランダムに生成したものでも良いし、何かしらの事前学習が行われたものでも良いし、恣意的にデザインされたものでも良い。
続けて、第1の学習部501が、上記の初期パラメータに対する追加学習として、ネットワークの第1の学習を行う。第1の学習では、生徒データとして、教師データに第1の参照ノイズレベルに相当する人工ノイズが付加された画像データを用いる。これにより、第1の参照ノイズレベルに対応する第1の参照パラメータを得ることができる。
続けて、第2の学習部502が、上記の第1の参照パラメータに対する追加学習として、同じ層構造を有するネットワークの第2の学習を行う。第2の学習では、生徒データとして、教師データに第2の参照ノイズレベルに相当する人工ノイズが付加された画像データを用いる。これにより、第2の参照ノイズレベルに対応する第2の参照パラメータを得ることができる。
このようにして、本実施形態では、異なる参照ノイズレベルのそれぞれでネットワークを学習させ、各参照ノイズレベルに対応する参照パラメータをパラメータ保持部205に記憶する。
次に、異なる参照ノイズレベルに対応する2つの参照パラメータを合成して、対象パラメータを生成する方法について説明する。対象パラメータの生成処理は、上述した情報処理装置100のパラメータ合成部203が実施する。
本実施形態では、以下の2つの性質を満たす方法で新たなパラメータを生成することで、生成したパラメータを用いたノイズ低減処理の効果をより好適にすることができる。
性質1:処理対象の画像のノイズレベルが第1の参照ノイズレベルに近いほど、対象パラメータは第1の参照パラメータに近く、処理対象の画像のノイズレベルが第2の参照ノイズレベルに近いほど、対象パラメータは第2の参照パラメータに近い。
性質2:処理対象の画像のノイズレベルが第1の参照ノイズレベルと等しい場合、対象パラメータは第1の参照パラメータに等しく、処理対象の画像のノイズレベルが第2の参照ノイズレベルと等しい場合、対象パラメータは第2の参照パラメータと等しい。
上述した2つの性質を満たす対象パラメータの生成方法(すなわち、パラメータ生成方法)の一例を以下で説明する。
まず、処理対象の画像のノイズレベルを表す対象ノイズレベルNLtargetと、2つの参照ノイズレベルNLref1、NLref2を用いて、以下の式(1)により合成係数rを求める。
次いで、合成係数rを用いて、以下の式(2)により2つの参照パラメータPRref1、PRref2を合成して、対象パラメータPRtargetを求める。
このようにして、本実施形態では、2つの異なる参照ノイズレベルのそれぞれに対応する参照パラメータを合成して、処理対象の画像のノイズレベルに対応した対象パラメータを生成することができる。すなわち、多様なノイズレベルに対応して、画像に対する有効なノイズ低減を行うことができる。また、複数のネットワークを学習するための計算コストや、複数のネットワークのパラメータのデータ量を抑制することができる。
図6は、本実施形態におけるノイズ低減処理のフローチャートを示す。なお、本実施形態では、対象ノイズレベルとして、画像の撮影時のISO感度情報を使用する。さらに2つの参照ノイズレベルとして、想定する撮像装置で設定可能な最小及び最大のISO感度を使用する。したがって、この2つの参照ノイズレベルである最小及び最大のISO感度でそれぞれ予め学習させた2つのNNの参照パラメータが、パラメータ保持部205に保持されている。
フローチャートで示される一連の処理は、情報処理装置100のCPU101がROM103または二次記憶装置104に格納されている制御プログラムをRAM102に展開して実行することにより行われる。あるいはまた、フローチャートにおけるステップの一部または全部の機能をASICや電子回路等のハードウェアで実現してもよい。フローチャートの説明における記号「S」は、当該フローチャートにおける「ステップ」を意味する。その他のフローチャートについても同様である。
まず、S601において、対象データ取得部201は、二次記憶装置104または外部記憶装置108から対象データを取得する。対象データは、少なくとも対象画像と対象ノイズレベルNLtargetを含む。対象画像は、撮像装置によって撮像された撮像画像とすることができる。対象ノイズレベルは、当該撮像画像が撮像された際のISO感度情報とすることができる。
S602において、参照パラメータ取得部202は、異なる参照ノイズレベルで予め生成された参照パラメータPRref1、PRref2を、パラメータ保持部205から取得する。参照パラメータは、撮像装置で設定可能な最小及び最大のISO感度で予め学習させた2つのNNの参照パラメータである。
S603において、パラメータ合成部203は、対象ノイズレベルに応じて2つの参照パラメータPRref1、PRref2を合成し、対象パラメータPRtargetを生成する。合成方法は、上述の通りである。
S604において、ノイズ低減処理部204は、対象パラメータを用いるNNに対象画像を入力することで、ノイズ低減処理を実行する。ノイズ低減処理部204は、NNの出力として、対象画像からノイズが低減された画像を取得することができる。
なお、画像のノイズ成分が出力されるように、NNを学習させる方法もある。その場合、ノイズ低減処理部204は、対象画像から、出力されたノイズ成分を減算することで、ノイズが低減された画像を取得することができる。
以上説明したように、本実施形態によると、計算コストやデータ量を抑制しながら、多様なノイズレベルに対応して、画像に対する有効なノイズ低減を行うことができる。したがって、例えば、蓄積及び読み込み可能なデータサイズが限られたデバイスにおいて、本実施形態によるノイズ低減処理を実施することができる。
(第2の実施形態)
第1の実施形態では、異なるノイズレベルで学習させたニューラルネットワーク(NN)のパラメータをもとに、任意の処理対象のノイズレベルに対応するパラメータを生成して、新たなNNによるノイズ低減処理を行う方法について述べた。
第1の実施形態では、異なるノイズレベルで学習させたニューラルネットワーク(NN)のパラメータをもとに、任意の処理対象のノイズレベルに対応するパラメータを生成して、新たなNNによるノイズ低減処理を行う方法について述べた。
本実施形態では、異なるノイズレベルで学習させた3つ以上のNNの中から選択した2つのNNのパラメータをもとに、任意の処理対象のノイズレベルに対応するパラメータを生成して、新たなNNによるノイズ低減処理を行う方法について述べる。
図7は、本実施形態における情報処理装置の機能ブロック図である。ここでは、図2に示した第1の実施形態の機能ブロック図と比較して、異なる部分を主に説明する。
本実施形態におけるパラメータ保持部205は、異なる参照ノイズレベルで学習させた3つ以上のNNの参照パラメータを保持している。参照ノイズレベル決定部701は、対象ノイズレベルを取得し、対象パラメータを生成するための2つの参照ノイズレベルを決定して出力する。
図8は、本実施形態におけるニューラルネットワークの学習方法を示す。ここでは、N(Nは3以上の整数)個の異なる参照ノイズレベルのそれぞれで予めネットワークを学習させ、N個の参照パラメータを生成する方法について説明する。なお、本学習方法は、図7の情報処理装置100が実施してもよいし、その他の装置が実施してもよい。本学習方法を実施する装置は、図示された機能部を有するように構成される。
まず、初期パラメータ取得部800が、本実施形態におけるネットワーク学習のための初期パラメータを取得する。初期パラメータは、ランダムに生成したものでも良いし、何かしらの事前学習が行われたものでも良いし、恣意的にデザインされたものでも良い。
続けて、第1の学習部801が、上記の初期パラメータに対する追加学習として、ネットワークの第1の学習を行う。第1の学習では、生徒データとして、教師データに第1の参照ノイズレベルに相当する人工ノイズが付加された画像データを用いる。これにより、第1の参照ノイズレベルに対応する第1の参照パラメータを得ることができる。
続けて、第2の学習部802が、上記の第1の参照パラメータに対する追加学習として、同じ層構造を有するネットワークの第2の学習を行う。第2の学習では、生徒データとして、教師データに第2の参照ノイズレベルに相当する人工ノイズが付加された画像データを用いる。これにより、第2の参照ノイズレベルに対応する第2の参照パラメータを得ることができる。
同様に、第Nの学習部803が、第(N−1)の参照パラメータに対する追加学習として、同じ層構造を有するネットワークの第Nの学習を行う。第Nの学習により、第Nの参照ノイズレベルに対応する第Nの参照パラメータを得ることができる。
なお、各参照ノイズレベルは、単調に増加または減少するようにしておくとよい。
このようにして、本実施形態では、N個の異なる参照ノイズレベルのそれぞれで予めノットワークを学習させ、各参照ノイズレベルに対応する参照パラメータを生成する。
図9は、本実施形態におけるノイズ低減処理のフローチャートを示す。本実施形態における処理フローは、図6で示した第1の実施形態の処理フローと比較して、S901が追加されていることと、S602及びS603の処理内容とが異なる。以下では、これらの相違点について主に説明する。
S901において、参照ノイズレベル決定部701は、対象ノイズレベルに応じて1つまたは2つの参照ノイズレベルを決定する。参照ノイズレベルは、パラメータ保持部205が参照パラメータを保持している複数の参照ノイズレベルの中から選択される。2つの参照ノイズレベルを選択する場合は、対象ノイズレベルより大きいものと小さいものを1つずつ選択するとよい。すなわち、選択される2つの参照ノイズレベルは、一方が対象ノイズレベルより大きく、もう一方が対象ノイズレベルより小さいものとする。なお、対象ノイズレベルによってそのように選択できない場合には、そうでなくともよい。
本実施形態では、より好適には、対象ノイズレベルより大きいものの内、最小の参照ノイズレベルと、対象ノイズレベルより小さいものの内、最大の参照ノイズレベルとを選択する。
なお、対象ノイズレベルと同じものが複数の参照ノイズレベルの中にある場合には、その参照ノイズレベル1つを選択する。
S602において、参照パラメータ取得部202は、S901で決定した参照ノイズレベルに対応する参照パラメータをパラメータ保持部205から取得する。
S603において、パラメータ合成部203は、S602で取得した参照パラメータを用いて対象パラメータを生成する。S901で決定された参照ノイズレベルが1つの場合は、その参照ノイズレベルに対応してS602で取得された参照パラメータを対象パラメータとする。一方、S901で決定された参照ノイズレベルが2つの場合は、第1の実施形態と同じ方法で参照パラメータを合成し、対象パラメータを生成する。
以上説明したように、本実施形態では、予め学習して生成し、保持しておく参照パラメータを多くすることで、第1の実施形態の方法と比較して、より精度の良いパラメータを合成により生成することができる。なぜなら、複数の参照ノイズレベルの中から、対象ノイズレベルにより近い、あるいは同一の参照ノイズレベルを選択して、対象パラメータを生成することができるからである。ただし、この場合、予め学習しておくための計算コストが増加し、蓄積が必要なデータサイズが増大するので、デバイスで蓄積可能なデータサイズや要求される画像品質に応じて、保持しておく参照パラメータの数を適切に設定するとよい。
(第3の実施形態)
第1の実施形態では、上述した式(1)及び式(2)を用いて、異なる参照ノイズレベルに対応する2つの参照パラメータを合成して、対象パラメータを生成するパラメータ生成方法を説明した。
第1の実施形態では、上述した式(1)及び式(2)を用いて、異なる参照ノイズレベルに対応する2つの参照パラメータを合成して、対象パラメータを生成するパラメータ生成方法を説明した。
本実施形態では、上述した式とは異なる式を用いて、2つの参照パラメータを合成し、対象パラメータを生成する別のパラメータ生成方法を説明する。
まず、処理対象の画像のノイズレベルを表す対象ノイズレベルNLtargetと、2つの参照ノイズレベルNLref1、NLref2を用いて、以下の式(3)により合成係数rを求める。
次いで、合成係数rを用いて、以下の式(4)により2つの参照パラメータPRref1、PRref2を合成して、対象パラメータPRtargetを求める。
本実施形態によるパラメータ生成方法も、第1の実施形態で説明した性質1、2を満たすことができる。
(第4の実施形態)
上述した実施形態では、2つの参照パラメータを合成して、対象パラメータを生成する方法を説明した。具体的には、処理対象の画像のノイズレベルを表す対象ノイズレベルと2つの参照ノイズレベルとを用いて合成係数rを求め、当該合成係数rを用いて2つ参照パラメータを合成した。本実施形態では、上述した実施形態で示された合成方法の包括的な概念を説明する。
上述した実施形態では、2つの参照パラメータを合成して、対象パラメータを生成する方法を説明した。具体的には、処理対象の画像のノイズレベルを表す対象ノイズレベルと2つの参照ノイズレベルとを用いて合成係数rを求め、当該合成係数rを用いて2つ参照パラメータを合成した。本実施形態では、上述した実施形態で示された合成方法の包括的な概念を説明する。
まず、関数f(t,a,b)(tは実数)は、以下の式(5)によって表現される性質を有するものとする。
また、対象ノイズレベルと2つの参照ノイズレベルは、合成係数rを用いて、以下の式(6)によって表現されるものとする。
この場合、2つの参照パラメータPRref1、PRref2を合成して、対象パラメータPRtargetを生成する方法は、以下の式(7)によって表現することができる。
第1の実施形態における合成方法は、以下の式(8)によって示される関数の例である。
また、第3の実施形態の合成方法は、以下の式(9)によって示される関数の例である。
以上説明したように、参照パラメータの合成方法を表現することができる。
(第5の実施形態)
第1及び第2の実施形態では、それぞれ図5及び図8を参照して、参照パラメータの生成方法を説明した。本実施形態では、上述した実施形態とは異なる参照パラメータの生成方法の例を説明する。
第1及び第2の実施形態では、それぞれ図5及び図8を参照して、参照パラメータの生成方法を説明した。本実施形態では、上述した実施形態とは異なる参照パラメータの生成方法の例を説明する。
図10は、本実施形態におけるニューラルネットワークの学習方法を示す。本実施形態では、第1の参照パラメータに対して、それぞれ第i(iは2からNまでの整数)のノイズレベルで追加学習を行い、第iの参照パラメータを逐次生成する。
まず、初期パラメータ取得部1000が、初期パラメータを取得する。次いで、第1の学習部1001が、初期パラメータに対する追加学習として、第1の参照ノイズレベルで第1の学習を行う。第1の学習では、第1の参照パラメータを得ることができる。
次いで、第2の学習部1002から第Nの学習部1003がそれぞれ、第1の参照パラメータに対する追加学習として、それぞれの参照ノイズレベルで第2から第Nの学習を行う。第2から第Nの学習ではそれぞれ、第2から第Nの参照パラメータを得ることができる。
このように、第2から第Nの参照パラメータはそれぞれ、同一の参照パラメータである第1の参照パラメータに対する追加学習を行うことによって、生成してもよい。
(第6の実施形態)
本実施形態では、第5の実施形態とは異なるさらに別の参照パラメータの生成方法の例を説明する。
本実施形態では、第5の実施形態とは異なるさらに別の参照パラメータの生成方法の例を説明する。
図11は、本実施形態におけるニューラルネットワークの学習方法を示す。本実施形態では、第2及び第5の実施形態で説明した学習方法を組み合わせて、図示されるような所謂ツリー構造で追加学習を行い、参照パラメータを生成する。
まず、初期パラメータ取得部1100が、初期パラメータを取得する。次いで、第1の学習部1101及び第2の学習部1102がそれぞれ、初期パラメータに対する追加学習として、それぞれの参照ノイズレベルで第1及び第2の学習を行う。
次いで、第3の学習部1103及び第4の学習部1104がそれぞれ、第1の参照パラメータに対する追加学習として、それぞれの参照ノイズレベルで第3及び第4の学習を行う。また、第5の学習部1105及び第6の学習部1106はそれぞれ、第2の参照パラメータに対する追加学習として、それぞれの参照ノイズレベルで第5及び第6の学習を行う。
このように、所謂ツリー構造のもとで、同一の参照パラメータに対する追加学習を、異なる参照ノイズレベルで行うことで、参照パラメータを生成してもよい。
(その他の実施形態)
なお、ノイズレベルはISO感度に限らず、撮像装置内の温度計によって計測した計測温度や直近の使用履歴などからより高精度にノイズ強度を推定しても良い。
なお、ノイズレベルはISO感度に限らず、撮像装置内の温度計によって計測した計測温度や直近の使用履歴などからより高精度にノイズ強度を推定しても良い。
また、全てのパラメータを同一の式により合成する必要はなく、パラメータ毎に異なる式を用いて合成しても良い。
本発明は、上述の実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現可能である。
201 対象データ取得部
202 参照パラメータ取得部
203 パラメータ合成部
204 ノイズ低減処理部
205 パラメータ保持部
202 参照パラメータ取得部
203 パラメータ合成部
204 ノイズ低減処理部
205 パラメータ保持部
Claims (15)
- 対象画像に対するノイズ低減処理を行う画像処理装置であって、
前記対象画像および前記対象画像のノイズレベルを表す対象ノイズレベルを取得する第1の取得手段と、
第1の参照ノイズレベルで学習したノイズ推定手段の第1の参照パラメータと、第2の参照ノイズレベルで学習した前記ノイズ推定手段の第2の参照パラメータとを取得する第2の取得手段と、
前記第1の参照ノイズレベルと、前記第2の参照ノイズレベルと、前記対象ノイズレベルとに基づいて、前記第1の参照パラメータおよび前記第2の参照パラメータを合成して、前記対象ノイズレベルに対応する対象パラメータを生成する生成手段と、
前記対象パラメータを用いて、前記ノイズ推定手段により前記対象画像に対する前記ノイズ低減処理を行うノイズ低減手段と
を有することを特徴とする画像処理装置。 - 対象画像に対するノイズ低減処理を行う画像処理装置であって、
前記対象画像および前記対象画像のノイズレベルを表す対象ノイズレベルを取得する第1の取得手段と、
前記対象ノイズレベルに応じて、3つ以上の参照ノイズレベルの中から第1の参照ノイズレベルおよび第2の参照ノイズレベルを決定する決定手段と、
前記第1の参照ノイズレベルで学習したノイズ推定手段の第1の参照パラメータと、前記第2の参照ノイズレベルで学習した前記ノイズ推定手段の第2の参照パラメータとを取得する第2の取得手段と、
前記第1の参照ノイズレベルと、前記第2の参照ノイズレベルと、前記対象ノイズレベルとに基づいて、前記第1の参照パラメータおよび前記第2の参照パラメータを合成して、前記対象ノイズレベルに対応する対象パラメータを生成する生成手段と、
前記対象パラメータを用いて、前記ノイズ推定手段により前記対象画像の前記ノイズ低減処理を行うノイズ低減手段と
を有することを特徴とする画像処理装置。 - 前記第1の参照ノイズレベル及び前記第2の参照ノイズレベルは、一方が前記対象ノイズレベルより大きく、もう一方が前記対象ノイズレベルより小さいことを特徴とする請求項2に記載の画像処理装置。
- 前記決定手段は、前記3つ以上の参照ノイズレベルの中に前記対象ノイズレベルと同じノイズレベルがある場合、当該参照ノイズレベルを1つだけ選択し、
前記第2の取得手段は、前記選択された参照ノイズレベルの参照パラメータを取得し、
前記生成手段は、前記取得したパラメータを前記対象パラメータとすることを特徴とする請求項2に記載の画像処理装置。 - 前記第2の参照パラメータは、前記第1の参照パラメータを基に追加学習して生成した前記ノイズ推定手段のパラメータであることを特徴とする請求項1乃至4のいずれか1項に記載の画像処理装置。
- 前記第1の参照パラメータ及び前記第2の参照パラメータは、同一のパラメータを基に追加学習して生成した前記ノイズ推定手段のパラメータであることを特徴とする請求項1乃至4のいずれか1項に記載の画像処理装置。
- 前記対象パラメータは、
前記対象ノイズレベルが前記第1の参照ノイズレベルに近いほど、前記第1の参照パラメータに近く、前記対象ノイズレベルが前記第2の参照ノイズレベルに近いほど、前記第2の参照パラメータに近く、
前記対象ノイズレベルが前記第1の参照ノイズレベルと等しい場合、前記第1の参照パラメータと等しく、前記対象ノイズレベルが前記第2の参照ノイズレベルと等しい場合、前記第2の参照パラメータと等しい、
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。 - 前記ノイズ推定手段は、ニューラルネットワークであることを特徴とする請求項1乃至7のいずれか1項に記載の画像処理装置。
- 前記対象パラメータ、前記第1の参照パラメータ、及び前記第2の参照パラメータは、前記ニューラルネットワークのフィルタ係数、及び線形変換係数の少なくとも1つを含むことを特徴とする請求項8に記載の画像処理装置。
- 前記ノイズレベルは、ISO感度、撮像装置の計測温度、及び、前記撮像装置の使用履歴のうちの少なくとも1つを含むことを特徴とする請求項1乃至9のいずれか1項に記載の画像処理装置。
- 前記ノイズ推定手段は、ノイズが低減された画像、または、ノイズ成分を推定す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。
- コンピュータを請求項1乃至11のいずれか1項に記載の画像処理装置として機能させるためのプログラム。
- 対象画像に対するノイズ低減処理を行う画像処理方法であって、
前記対象画像および前記対象画像のノイズレベルを表す対象ノイズレベルを取得する第1の取得ステップと、
第1の参照ノイズレベルで学習したノイズ推定手段の第1の参照パラメータと、第2の参照ノイズレベルで学習した前記ノイズ推定手段の第2の参照パラメータとを取得する第2の取得ステップと、
前記第1の参照ノイズレベルと、前記第2の参照ノイズレベルと、前記対象ノイズレベルとに基づいて、前記第1の参照パラメータおよび前記第2の参照パラメータを合成して、前記対象ノイズレベルに対応する対象パラメータを生成する生成ステップと、
前記対象パラメータを用いて、前記ノイズ推定手段により前記対象画像に対する前記ノイズ低減処理を行うノイズ低減ステップと
を含むことを特徴とする画像処理方法。 - 対象画像に対するノイズ低減処理を行う画像処理方法であって、
前記対象画像および前記対象画像のノイズレベルを表す対象ノイズレベルを取得する第1の取得ステップと、
前記対象ノイズレベルに応じて、3つ以上の参照ノイズレベルの中から第1の参照ノイズレベルおよび第2の参照ノイズレベルを決定する決定ステップと、
前記第1の参照ノイズレベルで学習したノイズ推定手段の第1の参照パラメータと、前記第2の参照ノイズレベルで学習した前記ノイズ推定手段の第2の参照パラメータとを取得する第2の取得ステップと、
前記第1の参照ノイズレベルと、前記第2の参照ノイズレベルと、前記対象ノイズレベルとに基づいて、前記第1の参照パラメータおよび前記第2の参照パラメータを合成して、前記対象ノイズレベルに対応する対象パラメータを生成する生成ステップと、
前記対象パラメータを用いて、前記ノイズ推定手段により前記対象画像の前記ノイズ低減処理を行うノイズ低減ステップと
を含むことを特徴とする画像処理方法。 - ノイズ推定手段に適用するパラメータの生成方法であって、
対象画像のノイズレベルを表す対象ノイズレベルを取得する第1の取得ステップと、
第1の参照ノイズレベルで学習した前記ノイズ推定手段の第1の参照パラメータと、第2の参照ノイズレベルで学習した前記ノイズ推定手段の第2の参照パラメータとを取得する第2の取得ステップと、
前記第1の参照ノイズレベルと、前記第2の参照ノイズレベルと、前記対象ノイズレベルとに基づいて、前記第1の参照パラメータおよび前記第2の参照パラメータを合成して、前記対象ノイズレベルに対応する前記パラメータを生成する生成ステップと
を含むことを特徴とするパラメータ生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019211554A JP2021082196A (ja) | 2019-11-22 | 2019-11-22 | 画像処理装置、画像処理方法、パラメータ生成方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019211554A JP2021082196A (ja) | 2019-11-22 | 2019-11-22 | 画像処理装置、画像処理方法、パラメータ生成方法、及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021082196A true JP2021082196A (ja) | 2021-05-27 |
Family
ID=75965742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019211554A Pending JP2021082196A (ja) | 2019-11-22 | 2019-11-22 | 画像処理装置、画像処理方法、パラメータ生成方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021082196A (ja) |
-
2019
- 2019-11-22 JP JP2019211554A patent/JP2021082196A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108604369B (zh) | 一种去除图像噪声的方法、装置、设备及卷积神经网络 | |
JP2020191046A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
US20150215590A1 (en) | Image demosaicing | |
US20210358081A1 (en) | Information processing apparatus, control method thereof, imaging device, and storage medium | |
CN113822830B (zh) | 基于深度感知增强的多曝光图像融合方法 | |
DE102013016872A1 (de) | System und ein Verfahren zur Optimierung einer Bildqualität in einer Digitalkamera | |
JP6071419B2 (ja) | 画像処理装置及び画像処理方法 | |
JP7353803B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
JPWO2008133195A1 (ja) | 画質調整能力測定方法、装置およびプログラム、並びに画質調整方法、装置およびプログラム | |
WO2023005818A1 (zh) | 噪声图像生成方法、装置、电子设备及存储介质 | |
JP2015191521A (ja) | 画像処理装置、画像処理方法、およびプログラム | |
JP7032913B2 (ja) | 画像処理装置、画像処理方法、コンピュータプログラム | |
JP2021189527A (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP6376767B2 (ja) | 画像処理装置及び画像処理方法 | |
WO2019188573A1 (ja) | 演算装置、演算方法およびプログラム | |
US11625816B2 (en) | Learning device, image generation device, learning method, image generation method, and program | |
US8000553B2 (en) | Acquiring a series of gradient stops from a bitmap source | |
JP6221333B2 (ja) | 画像処理装置、画像処理回路及び画像処理方法 | |
Taroudaki et al. | Near-optimal spectral filtering and error estimation for solving ill-posed problems | |
JP7301589B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
JP2021082196A (ja) | 画像処理装置、画像処理方法、パラメータ生成方法、及びプログラム | |
CN113658091A (zh) | 一种图像评价方法、存储介质及终端设备 | |
JP2019032654A (ja) | 画像処理装置、及び、画像処理方法、コンピュータプログラム | |
CN113674186A (zh) | 基于自适应调整因子的图像合成方法、装置 | |
JP2017098933A (ja) | 画像処理装置および画像処理方法 |