JPH07184062A - 画質評価方式 - Google Patents
画質評価方式Info
- Publication number
- JPH07184062A JPH07184062A JP32677793A JP32677793A JPH07184062A JP H07184062 A JPH07184062 A JP H07184062A JP 32677793 A JP32677793 A JP 32677793A JP 32677793 A JP32677793 A JP 32677793A JP H07184062 A JPH07184062 A JP H07184062A
- Authority
- JP
- Japan
- Prior art keywords
- image
- evaluation
- compression
- picture quality
- compression parameter
- 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
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Facsimiles In General (AREA)
Abstract
(57)【要約】 （修正有）
【目的】 圧縮画像の客観的な画質評価と、画質劣化を
最小限にし、圧縮率を最大にする最適な圧縮パラメータ
を自動的に作成する。 【構成】 映像出力装置から原画像を取り込み、画像圧
縮器２で圧縮画像データを作成し、画質評価器３で各成
分（Ｒ，Ｇ，Ｂ等）の差分値を求め、各差分値に対する
各座標間の画素数の和（パワー差分値と言う）を求め、
パワー差分値の偏差値αと過去の経験に基づく基準値と
比較して評価する。画質劣化が大の時は圧縮パラメータ
を変更し、再度画像圧縮と評価を行い設定条件を満足す
れば画質評価を終了する。ニューラルネットワーク４
は、圧縮パラメータを用いて画像の統計的性質を学習す
る機能を有し、学習が終了した最適なパラメータを生成
する。
最小限にし、圧縮率を最大にする最適な圧縮パラメータ
を自動的に作成する。 【構成】 映像出力装置から原画像を取り込み、画像圧
縮器２で圧縮画像データを作成し、画質評価器３で各成
分（Ｒ，Ｇ，Ｂ等）の差分値を求め、各差分値に対する
各座標間の画素数の和（パワー差分値と言う）を求め、
パワー差分値の偏差値αと過去の経験に基づく基準値と
比較して評価する。画質劣化が大の時は圧縮パラメータ
を変更し、再度画像圧縮と評価を行い設定条件を満足す
れば画質評価を終了する。ニューラルネットワーク４
は、圧縮パラメータを用いて画像の統計的性質を学習す
る機能を有し、学習が終了した最適なパラメータを生成
する。
Description
【０００１】
【産業上の利用分野】本発明は、画像処理方法、特に原
画像と比べて圧縮画像の画質を評価する方式と最適な圧
縮パラメータを決定する方式に関する。
画像と比べて圧縮画像の画質を評価する方式と最適な圧
縮パラメータを決定する方式に関する。
【０００２】
【従来の技術】従来、原画像と圧縮画像の画質評価は、
画像間の色合いや輪郭などの目についた違いを検出する
といった主観的な評価を行っていた。しかし、このよう
な評価方式では、評価を行う観測者によって評価結果が
異なるため、多人数で画質の評価を行い、平均をとるな
どして画質の善し悪しを決定していた。
画像間の色合いや輪郭などの目についた違いを検出する
といった主観的な評価を行っていた。しかし、このよう
な評価方式では、評価を行う観測者によって評価結果が
異なるため、多人数で画質の評価を行い、平均をとるな
どして画質の善し悪しを決定していた。
【０００３】また、最適な圧縮パラメータを決定する従
来の技術として、特開平３−０５３７８２号公報に記載
された、画像の統計的性質を学習すると別の画像の統計
的性質を再度学習せずに符号化を行う技術や、特開平３
−２３９０６９号公報に記載された、統計的性質が異な
る画像データが混在しても効率的に圧縮してデータ量を
低減する技術が知られている。
来の技術として、特開平３−０５３７８２号公報に記載
された、画像の統計的性質を学習すると別の画像の統計
的性質を再度学習せずに符号化を行う技術や、特開平３
−２３９０６９号公報に記載された、統計的性質が異な
る画像データが混在しても効率的に圧縮してデータ量を
低減する技術が知られている。
【０００４】
【発明が解決しようとする課題】しかし、前述の評価方
式では、圧縮方式や圧縮パラメータなどを変更するたび
に、再度多人数で画質の評価を行い、主観評価で画質の
善し悪しを決定するため、作業効率が非常に悪いという
問題点があった。
式では、圧縮方式や圧縮パラメータなどを変更するたび
に、再度多人数で画質の評価を行い、主観評価で画質の
善し悪しを決定するため、作業効率が非常に悪いという
問題点があった。
【０００５】また、圧縮パラメータを決定する方式で
は、圧縮率に観点をおいたものであり、画質に関するも
のではなかった。
は、圧縮率に観点をおいたものであり、画質に関するも
のではなかった。
【０００６】
【課題を解決するための手段】前記問題点を解決するた
め、本発明の画質評価方式は、原画像と圧縮画像との差
分値を検出し、この差分値を用いて、誰が評価を行って
も同じ結果が得られる客観的な評価を行う。また、画質
が良いという結果が得られたときの圧縮パラメータをも
ちいて、画像の統計的性質を学習し、他の画像において
も画質の劣化を最低限にし、圧縮率を最大限にする圧縮
パラメータを決定する。これにより画質評価と画像圧縮
の作業効率を高める。
め、本発明の画質評価方式は、原画像と圧縮画像との差
分値を検出し、この差分値を用いて、誰が評価を行って
も同じ結果が得られる客観的な評価を行う。また、画質
が良いという結果が得られたときの圧縮パラメータをも
ちいて、画像の統計的性質を学習し、他の画像において
も画質の劣化を最低限にし、圧縮率を最大限にする圧縮
パラメータを決定する。これにより画質評価と画像圧縮
の作業効率を高める。
【０００７】
【実施例】次に、本発明について実施例を挙げて説明す
る。
る。
【０００８】図１は、本発明のシステム構成を示すブロ
ック図であり、映像出力装置１と、画像圧縮器２、画質
評価器３およびニューラルネットワーク４から成る画像
処理システム５と、外部記憶装置６とで構成される。
ック図であり、映像出力装置１と、画像圧縮器２、画質
評価器３およびニューラルネットワーク４から成る画像
処理システム５と、外部記憶装置６とで構成される。
【０００９】図１において、原画像データは映像出力装
置１より画像処理システム５に入力される。画像圧縮器
２は、原画像データの圧縮を行い、圧縮画像データを生
成する。原画像データと圧縮画像データは画質評価器３
に入力され、画質の評価を行う。ニューラルネットワー
ク４は、原画像データを圧縮するときの圧縮パラメータ
を用いて、画像の統計的性質を学習する機能を有し、学
習が終了したニューラルネットワーク４を用いて、最適
な圧縮パラメータを生成する。原画像データや圧縮画像
データは外部記憶装置６に記憶される。
置１より画像処理システム５に入力される。画像圧縮器
２は、原画像データの圧縮を行い、圧縮画像データを生
成する。原画像データと圧縮画像データは画質評価器３
に入力され、画質の評価を行う。ニューラルネットワー
ク４は、原画像データを圧縮するときの圧縮パラメータ
を用いて、画像の統計的性質を学習する機能を有し、学
習が終了したニューラルネットワーク４を用いて、最適
な圧縮パラメータを生成する。原画像データや圧縮画像
データは外部記憶装置６に記憶される。
【００１０】本発明で扱う画像のサイズやデータ形式は
特定しないが、例として１６０×１２０のサイズで、デ
ータ形式が８ビットのＲＧＢデータの場合について以下
で説明する。
特定しないが、例として１６０×１２０のサイズで、デ
ータ形式が８ビットのＲＧＢデータの場合について以下
で説明する。
【００１１】同一座標において、原画像（ＲXY，ＧXY，
ＢXY）と圧縮画像（Ｒ′XY，Ｇ′XY，Ｂ′XY）との相違
（差分値）（ΔＲXY，ΔＧXY，ΔＢXY）を式（１）〜
（３）を用いて求める。
ＢXY）と圧縮画像（Ｒ′XY，Ｇ′XY，Ｂ′XY）との相違
（差分値）（ΔＲXY，ΔＧXY，ΔＢXY）を式（１）〜
（３）を用いて求める。
【００１２】ΔＲXY＝｜ＲXY−Ｒ′XY｜ （１） ΔＧXY＝｜ＧXY−Ｇ′XY｜ （２） ΔＢXY＝｜ＢXY−Ｂ′XY｜ （３） この差分値を画面全体における全ての座標について求め
る。これらの一例を図２から図４に示す。
る。これらの一例を図２から図４に示す。
【００１３】次に、求められた各座標の差分値（Δ
ＲXY，ΔＧXY，ΔＢXY）から、式（４）を用いて輝度成
分の差分値（ΔＹXY）を求める。この結果の一例を図５
に示す。
ＲXY，ΔＧXY，ΔＢXY）から、式（４）を用いて輝度成
分の差分値（ΔＹXY）を求める。この結果の一例を図５
に示す。
【００１４】 ΔＹXY＝０．３ΔＲXY＋０．５９ΔＧXY＋０．１１ΔＢXY （４） 上で求めた各座標間の差分値を用いて画質評価を行う。
例として差分値の面積（画素数）を用いて評価を行う方
式について以下で説明する。
例として差分値の面積（画素数）を用いて評価を行う方
式について以下で説明する。
【００１５】データ形式が８ビットのＲＧＢデータの場
合、原画像と圧縮画像の各座標間の各差分値は０〜２５
５となる。この差分値に対する分布を全画素について求
める。例えば、画面全体において差分値が１０であるΔ
Ｒの画素数は１００、ΔＧは５０、ΔＢは７０、ΔＹは
３０といった結果であるとき、差分値１０については画
素数は２５０個となる。このようにして各差分値に対す
る各座標間の画素数の和（以降、パワー差分値と呼ぶ）
を求める。この結果の一例を図６に示す。
合、原画像と圧縮画像の各座標間の各差分値は０〜２５
５となる。この差分値に対する分布を全画素について求
める。例えば、画面全体において差分値が１０であるΔ
Ｒの画素数は１００、ΔＧは５０、ΔＢは７０、ΔＹは
３０といった結果であるとき、差分値１０については画
素数は２５０個となる。このようにして各差分値に対す
る各座標間の画素数の和（以降、パワー差分値と呼ぶ）
を求める。この結果の一例を図６に示す。
【００１６】次に、得られたパワー差分布の偏差値αを
求め、パワー差分布がどのように偏っているかを検出す
る。
求め、パワー差分布がどのように偏っているかを検出す
る。
【００１７】評価はこの偏差値αと過去の経験から決定
しておいた基準値Ａとを比較することによって行う。図
６（ａ）は圧縮画像の画質が良いとき、図６（ｂ）は悪
いときの評価結果の例である。図６（ａ）のときはＡよ
りも偏差値αが小さいため、全画面における画質の劣化
が少ないといえる。図６（ｂ）のときはＡよりもαのパ
ワー差分値が大きいため、画質の劣化が大きいといえ
る。
しておいた基準値Ａとを比較することによって行う。図
６（ａ）は圧縮画像の画質が良いとき、図６（ｂ）は悪
いときの評価結果の例である。図６（ａ）のときはＡよ
りも偏差値αが小さいため、全画面における画質の劣化
が少ないといえる。図６（ｂ）のときはＡよりもαのパ
ワー差分値が大きいため、画質の劣化が大きいといえ
る。
【００１８】画質の劣化が大きいときは、圧縮パラメー
タを変更して、再度画像圧縮を行い、画質評価を行う。
タを変更して、再度画像圧縮を行い、画質評価を行う。
【００１９】画質と圧縮率の観点から、観測者が設定し
た条件を満足する結果が得られたとき、画質評価を終了
する。
た条件を満足する結果が得られたとき、画質評価を終了
する。
【００２０】画質評価が終了した後、画像圧縮時に設定
した圧縮パラメータを用いて、ニューラルネットワーク
による画像の統計的性質を学習する。
した圧縮パラメータを用いて、ニューラルネットワーク
による画像の統計的性質を学習する。
【００２１】ここで、本実施例で採用するニューラルネ
ットワークについて述べる。
ットワークについて述べる。
【００２２】ニューラルネットワークを用いて、規則を
見いだすとことを学習と呼ぶ。学習が終了したニューラ
ルネットワークに原画像データを入力することによっ
て、画質の劣化を最小限にし、圧縮率を最大限にする圧
縮パラメータを生成する。
見いだすとことを学習と呼ぶ。学習が終了したニューラ
ルネットワークに原画像データを入力することによっ
て、画質の劣化を最小限にし、圧縮率を最大限にする圧
縮パラメータを生成する。
【００２３】図７は画像データの統計的性質を学習する
ときのニューラルネットワークの概念図である。このニ
ューラルネットワークは、入力層８、中間層９および出
力層１０の典型的な３層構造を持ち、各層間の結合には
それぞれ重みＷIH１１とＷHO１２とがかけられている。
入力層８には画質、それに対応する圧縮パラメータが既
知の原画像データ７が与えられ、出力層１０からは予測
圧縮パラメータ１３が出力される。また、出力層１０に
は実際に圧縮を行なったときに設定した圧縮パラメータ
が教師信号１４として与えられ、（以降、教師圧縮パラ
メータと呼ぶ）予測圧縮パラメータ１３と教師圧縮パラ
メータとの差（誤差Ｅ）が小さくなるように結合の重み
ＷIH１１とＷHO１２を更新していく。この更新を学習と
呼ぶ。学習方法は公知のニューラルネットワークの学習
アルゴリズム、例えば、Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔら
の誤差伝播法による。
ときのニューラルネットワークの概念図である。このニ
ューラルネットワークは、入力層８、中間層９および出
力層１０の典型的な３層構造を持ち、各層間の結合には
それぞれ重みＷIH１１とＷHO１２とがかけられている。
入力層８には画質、それに対応する圧縮パラメータが既
知の原画像データ７が与えられ、出力層１０からは予測
圧縮パラメータ１３が出力される。また、出力層１０に
は実際に圧縮を行なったときに設定した圧縮パラメータ
が教師信号１４として与えられ、（以降、教師圧縮パラ
メータと呼ぶ）予測圧縮パラメータ１３と教師圧縮パラ
メータとの差（誤差Ｅ）が小さくなるように結合の重み
ＷIH１１とＷHO１２を更新していく。この更新を学習と
呼ぶ。学習方法は公知のニューラルネットワークの学習
アルゴリズム、例えば、Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔら
の誤差伝播法による。
【００２４】このような学習アルゴリズムを用いて、予
測圧縮パラメータ１３と教師圧縮パラメータ１４との誤
差が極めて小さくなるように結合の重みＷIH１１とＷHO
１２を変化させる。このように何度も学習を行って、予
測値と教師値との差が利用者が設定した許容範囲内（例
えば、量子化テーブルの各値がＥ＜０．１）になったと
き、このネットワークは画像の統計的性質を学習したこ
とになる。
測圧縮パラメータ１３と教師圧縮パラメータ１４との誤
差が極めて小さくなるように結合の重みＷIH１１とＷHO
１２を変化させる。このように何度も学習を行って、予
測値と教師値との差が利用者が設定した許容範囲内（例
えば、量子化テーブルの各値がＥ＜０．１）になったと
き、このネットワークは画像の統計的性質を学習したこ
とになる。
【００２５】図８は圧縮パラメータを予測するときのニ
ューラルネットワークの概念図である。このネットワー
クは画像の統計的性質の学習が終了したネットワークで
ある。入力層８にこれから圧縮をおこなう原画像データ
１５を入力することで、最適な圧縮パラメータ１６を出
力する。
ューラルネットワークの概念図である。このネットワー
クは画像の統計的性質の学習が終了したネットワークで
ある。入力層８にこれから圧縮をおこなう原画像データ
１５を入力することで、最適な圧縮パラメータ１６を出
力する。
【００２６】図１１は本実施例における処理の概略を示
すフローチャートである。
すフローチャートである。
【００２７】Ｓ１：映像出力装置１から原画像データを
取り込む。
取り込む。
【００２８】Ｓ２：原画像データを、画像圧縮器２で圧
縮して、圧縮画像データを作成する。
縮して、圧縮画像データを作成する。
【００２９】Ｓ３：画質評価器３で（Ｒ，Ｇ，Ｂ，Ｙ）
成分の差分値を求める。
成分の差分値を求める。
【００３０】Ｓ４：各差分値に対するパワー差分値を求
める。
める。
【００３１】Ｓ５：パワー差分値から偏差値を求める。
【００３２】Ｓ６：画質を評価する。
【００３３】Ｓ７：評価結果が悪ければ、圧縮パラメー
タを変更して、画像圧縮器３で再度圧縮を行う。
タを変更して、画像圧縮器３で再度圧縮を行う。
【００３４】Ｓ８：評価結果が良ければ、設定した圧縮
パラメータを使用して画像の統計的性質をニューラルネ
ットワーク４で学習する。
パラメータを使用して画像の統計的性質をニューラルネ
ットワーク４で学習する。
【００３５】Ｓ９：次回、他の画像を圧縮するときは統
計的性質を学習したニューラルネットワーク４に原画像
データを入力し、最適な圧縮パラメータを生成する。
計的性質を学習したニューラルネットワーク４に原画像
データを入力し、最適な圧縮パラメータを生成する。
【００３６】
【発明の効果】以上説明したように、本発明による画質
評価方式は、客観的に画質の評価を行い、また、最適な
圧縮パラメータを自動的に生成するため、画像評価の作
業効率が向上することとなる。
評価方式は、客観的に画質の評価を行い、また、最適な
圧縮パラメータを自動的に生成するため、画像評価の作
業効率が向上することとなる。
【図１】本発明のシステム構成を示す図である。
【図２】各座標のＲ成分の差分値を棒グラフで表示した
図である。
図である。
【図３】各座標のＧ成分の差分値を棒グラフで表示した
図である。
図である。
【図４】各座標のＢ成分の差分値を棒グラフで表示した
図である。
図である。
【図５】各座標のＹ成分の差分値を棒グラフで表示した
図である。
図である。
【図６】各差分値に対するパワー差分値を棒グラフで表
示したもので、良い評価結果が得られるときの例であ
る。
示したもので、良い評価結果が得られるときの例であ
る。
【図７】画像データの統計的性質を学習するときのニュ
ーラルネットワークの概念を示す図である。
ーラルネットワークの概念を示す図である。
【図８】最適な圧縮パラメータを予測するときのニュー
ラルネットワークの概念を示す図である。
ラルネットワークの概念を示す図である。
【図９】本発明の実施例を説明するためのフローチャー
トである。
トである。
１ 映像出力装置 ２ 画像圧縮器 ３ 画像評価器 ４ ニューラルネットワーク ５ 画像処理システム ６ 外部記憶装置 ７ 既値の原画像のＲＧＢデータ ８ 入力層 ９ 中間層 １０ 出力層
Claims (2)
- 【請求項１】 原画像データを圧縮するときに、圧縮パ
ラメータを変更することで圧縮画像の画質の調節を行う
方式において、 前記圧縮画像と前記原画像との比較を行うときに、これ
ら画像間の違い（差分値）を検出し、この差分値を用い
て画質の評価を行うことを特徴とする画質評価方式。 - 【請求項２】 前記圧縮パラメータを用いて、前記原画
像の統計的性質を学習することにより、他の圧縮画像の
画質の劣化を最小限にし、圧縮率を最大限にする最適な
圧縮パラメータを決定することを特徴とする請求項１記
載の画質評価方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP32677793A JP2795147B2 (ja) | 1993-12-24 | 1993-12-24 | 画質評価装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP32677793A JP2795147B2 (ja) | 1993-12-24 | 1993-12-24 | 画質評価装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH07184062A true JPH07184062A (ja) | 1995-07-21 |
| JP2795147B2 JP2795147B2 (ja) | 1998-09-10 |
Family
ID=18191590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP32677793A Expired - Lifetime JP2795147B2 (ja) | 1993-12-24 | 1993-12-24 | 画質評価装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2795147B2 (ja) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003536281A (ja) * | 1999-02-11 | 2003-12-02 | ブリティッシュ・テレコミュニケーションズ・パブリック・リミテッド・カンパニー | ビデオ信号品質の解析 |
| US7418148B2 (en) | 2003-09-29 | 2008-08-26 | Casio Computer Co., Ltd. | Image compression method and image compression device |
| CN102917157A (zh) * | 2012-10-19 | 2013-02-06 | 北京快联科技有限公司 | 一种基于人体视觉系统的图片压缩系统及方法 |
| CN103369349A (zh) * | 2012-03-28 | 2013-10-23 | 中国移动通信集团公司 | 一种数字视频质量控制方法及其装置 |
| JP2015005877A (ja) * | 2013-06-20 | 2015-01-08 | 富士通株式会社 | 評価装置、評価方法および評価プログラム |
| JP2016149605A (ja) * | 2015-02-10 | 2016-08-18 | 日本電信電話株式会社 | 映像符号化ストリーム生成方法、映像符号化ストリーム生成装置及び映像符号化ストリーム生成プログラム |
| WO2019009449A1 (ko) * | 2017-07-06 | 2019-01-10 | 삼성전자 주식회사 | 영상을 부호화/복호화 하는 방법 및 그 장치 |
| JP2019036899A (ja) * | 2017-08-21 | 2019-03-07 | 株式会社東芝 | 情報処理装置、情報処理方法およびプログラム |
| JP2021033356A (ja) * | 2019-08-14 | 2021-03-01 | 富士通株式会社 | 通信装置、通信システムおよび通信方法 |
| JP2021072539A (ja) * | 2019-10-30 | 2021-05-06 | キヤノン株式会社 | 画像符号化装置、復号装置、伝送システム、及びその制御方法 |
| CN113014954A (zh) * | 2019-12-20 | 2021-06-22 | 连普乐士株式会社 | 影像存储服务提供方法、记录介质以及计算装置 |
| WO2022157921A1 (ja) * | 2021-01-22 | 2022-07-28 | 富士通株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム |
| JP2022174918A (ja) * | 2021-05-12 | 2022-11-25 | 横河電機株式会社 | 装置、方法およびプログラム |
-
1993
- 1993-12-24 JP JP32677793A patent/JP2795147B2/ja not_active Expired - Lifetime
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003536281A (ja) * | 1999-02-11 | 2003-12-02 | ブリティッシュ・テレコミュニケーションズ・パブリック・リミテッド・カンパニー | ビデオ信号品質の解析 |
| US7418148B2 (en) | 2003-09-29 | 2008-08-26 | Casio Computer Co., Ltd. | Image compression method and image compression device |
| CN103369349A (zh) * | 2012-03-28 | 2013-10-23 | 中国移动通信集团公司 | 一种数字视频质量控制方法及其装置 |
| CN102917157A (zh) * | 2012-10-19 | 2013-02-06 | 北京快联科技有限公司 | 一种基于人体视觉系统的图片压缩系统及方法 |
| JP2015005877A (ja) * | 2013-06-20 | 2015-01-08 | 富士通株式会社 | 評価装置、評価方法および評価プログラム |
| US9407934B2 (en) | 2013-06-20 | 2016-08-02 | Fujitsu Limited | Image evaluation apparatus and method |
| JP2016149605A (ja) * | 2015-02-10 | 2016-08-18 | 日本電信電話株式会社 | 映像符号化ストリーム生成方法、映像符号化ストリーム生成装置及び映像符号化ストリーム生成プログラム |
| WO2019009489A1 (ko) * | 2017-07-06 | 2019-01-10 | 삼성전자 주식회사 | 영상을 부호화/복호화 하는 방법 및 그 장치 |
| WO2019009449A1 (ko) * | 2017-07-06 | 2019-01-10 | 삼성전자 주식회사 | 영상을 부호화/복호화 하는 방법 및 그 장치 |
| CN110832860A (zh) * | 2017-07-06 | 2020-02-21 | 三星电子株式会社 | 用于编码/解码图像的方法及其装置 |
| CN110832860B (zh) * | 2017-07-06 | 2024-04-09 | 三星电子株式会社 | 用于编码/解码图像的方法及其装置 |
| JP2019036899A (ja) * | 2017-08-21 | 2019-03-07 | 株式会社東芝 | 情報処理装置、情報処理方法およびプログラム |
| JP2021131876A (ja) * | 2017-08-21 | 2021-09-09 | 株式会社東芝 | 情報処理装置、情報処理方法およびプログラム |
| US11411575B2 (en) | 2017-08-21 | 2022-08-09 | Kabushiki Kaisha Toshiba | Irreversible compression of neural network output |
| JP2021033356A (ja) * | 2019-08-14 | 2021-03-01 | 富士通株式会社 | 通信装置、通信システムおよび通信方法 |
| JP2021072539A (ja) * | 2019-10-30 | 2021-05-06 | キヤノン株式会社 | 画像符号化装置、復号装置、伝送システム、及びその制御方法 |
| CN113014954A (zh) * | 2019-12-20 | 2021-06-22 | 连普乐士株式会社 | 影像存储服务提供方法、记录介质以及计算装置 |
| WO2022157921A1 (ja) * | 2021-01-22 | 2022-07-28 | 富士通株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム |
| JP2022174918A (ja) * | 2021-05-12 | 2022-11-25 | 横河電機株式会社 | 装置、方法およびプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2795147B2 (ja) | 1998-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0620686B1 (en) | Fuzzy-controlled coding method and apparatus therefor | |
| JP3359116B2 (ja) | 画像処理方法及び装置 | |
| US6633611B2 (en) | Method and apparatus for region-based moving image encoding and decoding | |
| JPH07184062A (ja) | 画質評価方式 | |
| JPH02214987A (ja) | 彩色装置 | |
| US20090147845A1 (en) | Image coding method and apparatus | |
| US7751616B2 (en) | Coding apparatus and method and storage medium storing program | |
| US5900910A (en) | Block matching method and apparatus which can use luminance/chrominance data | |
| JPH08130736A (ja) | データ圧縮方式 | |
| JP3143494B2 (ja) | 動きベクトル装置及びその方法 | |
| US11587207B2 (en) | Image debanding method | |
| JPH07212795A (ja) | 画像符号化方法及び装置 | |
| JPH08195888A (ja) | 画質評価装置 | |
| JPH02108372A (ja) | 画像データの圧縮装置、及び画像処理装置 | |
| JP3230530B2 (ja) | 動きベクトル検出装置及び動きベクトル検出方法 | |
| JPH06205396A (ja) | 画面に重み付けを持たせた画像圧縮方式 | |
| JPH02288483A (ja) | 復号画像信号の歪検出方式及び装置 | |
| JPH11259455A (ja) | 離散コサイン変換の直流成分予測方法 | |
| JP3383394B2 (ja) | 画像データ変換方法 | |
| Regis et al. | Fuzzy Logic and Temporal Information Applied to Video Quality Assessment. | |
| JP2006271002A (ja) | 符号化装置及び符号化方法 | |
| JPH06165157A (ja) | 動き検出回路 | |
| JPH02306769A (ja) | 画像信号符号化方式及び装置 | |
| Sepúlveda et al. | Intelligent method for contrast enhancement in digital video | |
| JPH06311504A (ja) | 動き判定装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 19980526 |