KR100709323B1 - 확률 신경회로망 이론을 적용한 영상보상장치 및 방법 - Google Patents

확률 신경회로망 이론을 적용한 영상보상장치 및 방법 Download PDF

Info

Publication number
KR100709323B1
KR100709323B1 KR1020050010745A KR20050010745A KR100709323B1 KR 100709323 B1 KR100709323 B1 KR 100709323B1 KR 1020050010745 A KR1020050010745 A KR 1020050010745A KR 20050010745 A KR20050010745 A KR 20050010745A KR 100709323 B1 KR100709323 B1 KR 100709323B1
Authority
KR
South Korea
Prior art keywords
pixel
pixel value
error
peripheral
value group
Prior art date
Application number
KR1020050010745A
Other languages
English (en)
Other versions
KR20060089487A (ko
Inventor
한홍규
Original Assignee
삼성전자주식회사
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020050010745A priority Critical patent/KR100709323B1/ko
Priority to US11/245,087 priority patent/US20060177126A1/en
Publication of KR20060089487A publication Critical patent/KR20060089487A/ko
Application granted granted Critical
Publication of KR100709323B1 publication Critical patent/KR100709323B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Control Of Indicators Other Than Cathode Ray Tubes (AREA)

Abstract

확률 신경회로망 이론을 적용한 영상보상장치 및 방법이 제공된다. 본 영상보상장치는, 현재프레임을 구성하는 화소들 중 에러가 발생된 에러화소를 검출하는 에러화소 검출부, 및 현재프레임을 학습하여 현재프레임 학습결과를 저장하고 기저장된 이전프레임 학습결과를 이용하여 검출부에 의해 검출된 에러화소의 화소값을 추정하는 신경회로망부를 포함한다. 이에 의해, 사용자에게 보다 우수한 화질의 영상을 제공할 수 있게 되며, 인공지능형 영상보상에 한걸음 다가서는 기틀을 마련할 수 있게 된다.
확률 신경회로망, 학습, 에러화소, 주변화소값군

Description

확률 신경회로망 이론을 적용한 영상보상장치 및 방법{Apparatus for compensating image according to probablistic neural network theory and method thereof}
도 1은 본 발명의 일 실시예에 따른, 확률 신경회로망 이론을 적용한 영상보상장치의 블럭도,
도 2는 본 발명의 일 실시예에 따른, 확률 신경회로망 이론을 적용한 영상보상방법의 설명에 제공되는 흐름도,
도 3a 내지 도 3c는 현재프레임을 학습하는 과정의 부연설명에 제공되는 도면,
도 4는 학습결과 저장부에 저장되는 학습결과의 일 예를 나타낸 도면,
도 5a 및 도 5b는 에러화소의 화소값을 추정하는 과정의 부연설명에 제공되는 도면이다.
* 도면의 주요 부분에 대한 부호의 설명 *
110 : 에러화소 검출부 120 : 신경회로망부
122 : 학습부 124 : 학습결과 저장부
126 : 에러화소 보상부
본 발명은 영상보상장치 및 방법에 관한 것으로, 더욱 상세하게는 확률 신경회로망 이론을 적용하여 영상에 존재하는 에러를 보상할 수 있는 영상보상장치 및 방법에 관한 것이다.
기록매체에 기록된 영상신호를 읽어들이는 과정이나 유/무선으로 영상신호를 전송받는 과정에서, 영상신호에는 에러가 발생할 수 있다. 영상신호에 에러가 존재하게 되면, 영상신호에 대응되는 영상이 정상적으로 재생되지 않거나, 그 영상의 화질이 크게 열화되게 된다.
이를 개선하기 위해서는 영상을 재생처리하기 전에, 에러가 발생된 부분을 보상처리하여야 한다. 현재, 영상보상에 대한 많은 연구와 실용화가 이루어진 상태이다.
하지만, 보다 더 우수한 화질의 영상을 제공받고자 하는 사용자의 요구로 인해, 보다 더 우수한 영상보상 결과를 수반하는 영상보상이 요청되고 있는 것도 현실정이다.
또한, 인공지능화된 전자제품들에 대한 연구가 시도되고 있는 현 실정에 비추어 볼때, 인공지능형 영상보상에 대한 연구도 요청되는 바이다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 보다 우수한 화질의 영상을 제공하기 위해, 확률 신경회로망 이론을 적 용하여 영상에 존재하는 에러를 보상할 수 있는 영상보상장치 및 방법을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명에 따른, 영상보상장치는, 현재프레임을 구성하는 화소들 중 에러가 발생된 에러화소를 검출하는 에러화소 검출부; 및 상기 현재프레임을 학습하여 현재프레임 학습결과를 저장하고, 기저장된 이전프레임 학습결과를 이용하여 상기 검출부에 의해 검출된 상기 에러화소의 화소값을 추정하는 신경회로망부;를 포함한다.
그리고, 상기 신경회로망부는, 상기 현재프레임을 구성하는 각각의 화소에 대해, 상기 화소의 주변화소들 각각에 대한 주변화소값들의 집합인 주변화소값군과 상기 화소의 화소값에 대한 일대일 대응관계를 생성하여 저장한다. 그리고, 상기 신경회로망부는, 기저장되어 있는 이전프레임에 대한 일대일 대응관계를 참조하여 상기 검출부에 의해 검출된 상기 에러화소의 화소값을 추정하는 에러화소 보상부를 포함하는 것이 바람직하다.
또한, 상기 화소의 주변화소들은, 소정 패턴내에 존재하는 화소들인 것이 바람직하다.
그리고, 상기 화소의 주변화소들은, 상기 화소의 좌측영역 및 상측영역에 존재하는 화소들 중 일부일 수 있다.
또한, 상기 에러화소 보상부는, 기저장되어 있는 상기 이전프레임에 대한 일대일 대응관계에서, 상기 에러화소에 대한 주변화소값군과 동일한 주변화소값군을 검색하고, 검색된 주변화소값군에 대응되는 화소값을 상기 에러화소의 화소값으로 추정하는 것이 바람직하다.
그리고, 상기 에러화소 보상부는, 기저장되어 있는 상기 이전프레임에 대한 일대일 대응관계에서, 상기 에러화소에 대한 주변화소값군과 동일한 주변화소값군이 검색되지 않으면, 상기 에러화소에 대한 주변화소값군과 가장 유사한 주변화소값군을 검색하고, 검색된 주변화소값군에 대응되는 화소값을 상기 에러화소의 화소값으로 추정할 수 있다.
또한, 상기 에러화소에 대한 주변화소값군과 가장 유사한 주변화소값군은, 일치하는 주변화소값의 개수가 가장 많은 주변화소값군일 수 있다.
한편, 본 발명에 따른, 영상보상방법은, 현재프레임을 학습하여, 현재프레임 학습결과를 생성하는 학습단계; 생성된 상기 현재프레임 학습단계를 저장하는 저장단계; 상기 현재프레임을 구성하는 화소들 중 에러가 발생된 에러화소를 검출하는 검출단계; 및 기저장된 이전프레임 학습결과를 이용하여, 검출된 상기 에러화소의 화소값을 추정하는 추정단계;를 포함한다.
그리고, 상기 학습단계는, 상기 현재프레임을 구성하는 각각의 화소에 대해, 상기 화소의 주변화소들 각각에 대한 주변화소값들의 집합인 주변화소값군과 상기 화소의 화소값에 대한 일대일 대응관계를, 상기 현재프레임 학습결과로서 생성하는 것이 바람직하다.
또한, 상기 화소의 주변화소들은, 소정 패턴내에 존재하는 화소들인 것이 바람직하다.
그리고, 상기 화소의 주변화소들은, 상기 화소의 좌측영역 및 상측영역에 존재하는 화소들 중 일부일 수 있다.
또한, 상기 추정단계는, 기저장되어 있는 상기 이전프레임 학습결과에서, 상기 에러화소에 대한 주변화소값군과 동일한 주변화소값군을 검색하고, 검색된 주변화소값군에 대응되는 화소값을 상기 에러화소의 화소값으로 추정하는 것이 바람직하다.
그리고, 상기 추정단계는, 기저장되어 있는 상기 이전프레임 학습결과에서, 상기 에러화소에 대한 주변화소값군과 동일한 주변화소값군이 검색되지 않으면, 상기 에러화소에 대한 주변화소값군과 가장 유사한 주변화소값군을 검색하고, 검색된 주변화소값군에 대응되는 화소값을 상기 에러화소의 화소값으로 추정할 수 있다.
또한, 상기 에러화소에 대한 주변화소값군과 가장 유사한 주변화소값군은, 일치하는 주변화소값의 개수가 가장 많은 주변화소값군일 수 있다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 영상보상장치의 블럭도이다. 본 영상보상장치는 확률 신경회로망(Probablistic Neural Network theory) 이론을 적용하여, 영상에 존재하는 에러를 보상한다. 도 1을 참조하면, 본 영상보상장치는, 에러화소 검출부(110), 및 신경회로망부(120)를 구비한다.
에러화소 검출부(110)는 입력되는 현재프레임을 구성하는 화소들 중에서 에 러화소들을 검출한다. 에러화소 검출부(110)가 검출한 에러화소들에 대한 정보는 신경회로망부(120)로 전달된다.
'에러화소'란 에러가 발생된 화소로서, 보다 구체적으로 화소값 데이터가 손상되었거나 화소값 데이터에 오류가 발생하여, 정상적으로 재생할 수 없게 된 화소를 말한다. 따라서, 에러화소에 대해서는 화소값을 추정하고 추정된 화소값을 이용하여 재생하여야 한다.
신경회로망부(120)는 확률 신경회로망 이론에 따라, 입력되는 프레임을 학습하고, 프레임 학습결과를 이용하여 영상에 존재하는 에러를 보상한다. 이에 따라, 신경회로망부(120)에서는 에러가 보상된 프레임이 출력되게 된다. 이와 같은 기능을 수행하는 신경회로망부(120)는 학습부(122), 학습결과 저장부(124), 및 에러화소 보상부(126)를 구비한다.
학습부(122)는 입력되는 현재프레임을 학습하여 현재프레임 학습결과를 생성하고, 생성된 현재프레임 학습결과를 학습결과 저장부(124)에 저장한다.
학습결과 저장부(124)는 학습부(122)에 의해 현재 생성되고 있는 현재프레임 학습결과가 저장되는 기록매체이다. 또한, 학습결과 저장부(124)에는 학습부(122)에 의해 기생성된 이전프레임 학습결과도 기저장되어 있다.
여기서, '이전프레임 학습결과'란 이전프레임에 대한 학습부(122)의 학습결과를 말하고, '이전프레임'이란 현재프레임 이전에 입력된 프레임을 말한다.
에러화소 보상부(126)는 에러화소 검출부(110)로부터 전달받은 현재프레임의 에러화소들에 대한 정보와, 학습결과 저장부(124)에 기저장되어 있는 이전프레임 학습결과를 이용하여 에러화소를 보상한다. 구체적으로, 에러화소 보상부(126)는 학습결과 저장부(124)에 기저장되어 있는 이전프레임 학습결과를 참조하여, 에러화소들의 화소값들을 추정한다.
이하에서는, 본 영상보상장치가 확률 신경회로망 이론을 적용하여, 영상에 존재하는 에러를 보상하는 과정에 대해, 도 2를 참조하여 상세히 설명한다. 도 2는 본 발명의 일 실시예에 따른, 확률 신경회로망 이론을 적용한 영상보상방법의 설명에 제공되는 흐름도이다.
도 2를 참조하면, 먼저, 학습부(122)는 입력되는 현재프레임을 학습하여 현재프레임 학습결과를 생성하고(S210), 생성된 현재프레임 학습결과를 학습결과 저장부(124)에 저장한다(S220).
구체적으로 S210단계에서, 학습부(122)는 현재프레임을 구성하는 각 화소에 대해, 각 화소의 주변화소값군과 그 화소의 화소값에 대한 대응관계를, 학습결과로서 생성하게 된다.
여기서. '화소의 주변화소값군'이란 그 화소의 주변화소들 각각에 대한 화소값들의 집합을 말한다. 그리고, 화소의 주변화소들은 일정한 패턴내에 존재하는 화소들이다. 환언하면, 화소의 주변화소들은 일정한 패턴을 형성하는 것으로 표현할 수 있다.
화소의 주변화소들로 형성되는 패턴에 대해서는 제한이 없음이 원칙이다. 하지만, 영상처리는 프레임상에서 좌측에서 우측으로, 그리고, 상측에서 하측으로 진행된다는 점을 고려할 때, 패턴은 화소의 좌측영역 및 상측영역에 존재하는 주변 화소들 중 일부로 형성되는 패턴으로 상정하는 것이 적절하다.
이하에서, 각 화소의 주변화소값군과 그 화소의 화소값에 대한 대응관계를 생성하는 과정에 대해, 구체적인 예를 들어 설명하기로 한다.
도 3a에 도시된 바와 같이, 각 화소의 화소값은 그 화소안에 표기된 알파벳 소문자인 것으로 가정한다. 또한, 화소의 주변화소들은 총 8개(화소의, '좌상상' 화소, '우상상' 화소, '좌좌상' 화소, '좌상' 화소, '상' 화소, '우상' 화소, '우우상' 화소, '좌' 화소)로서, 빗금친 모양의 패턴을 형성하는 것으로 가정한다.
'34가 표기된 화소'(이하, '화소 34'로 약칭한다.)의 주변화소들은 빗금친 패턴내에 존재하는 화소들('화소 13', '화소 15', '화소 22', '화소 23', '화소 24', '화소 25', '화소 26', '화소 33')이 된다.
그러면, '화소 34'의 주변화소값군은 (b, d, h, i, j, k, l, p)이고, '화소 34'의 화소값은, (q)이다. 따라서, '화소 34'의 주변화소값군과 '화소 34'의 화소값에 대한 대응관계는 [(b, d, h, i, j, k, l, p), (q)]가 된다.
위와 마찬가지로, 도 3b를 참조하면, '화소 35'의 주변화소값군과 '화소 35'의 화소값에 대한 대응관계는 [(c, e, i, j, k, l, m, q), (r)]가 됨을 알 수 있다. 또한, 도 3c를 참조하면, '화소 36'의 주변화소값군과 '화소 36'의 화소값에 대한 대응관계는 [(d, f, j, k, l, m, n, r), (s)]가 됨을 알 수 있다.
위의 대응관계들은 학습결과 저장부(124)에 현재프레임 학습결과로서 저장된다. 도 4에는 학습결과 저장부(124)에 저장되는 현재프레임 학습결과를 나타내었다. 한편, 학습결과 저장부(124)에는 이전프레임 학습결과가 기저장되어 있는 바, 도 4에는 학습결과 저장부(124)에 기저장된 이전프레임 학습결과를 현재프레임 학습결과의 하단에 나타내었다.
다시 도 2를 참조하면, 에러화소 검출부(110)는 입력되는 현재프레임을 구성하는 화소들 중에서 에러화소들을 검출한다(S230). 검출된 에러화소들에 대한 정보는 에러화소 보상부(126)로 전달된다.
그러면, 에러화소 보상부(126)는 학습결과 저장부(124)에 기저장되어 있는 이전프레임 학습결과를 참조하여, 에러화소들의 화소값들을 추정한다(S240).
구체적으로 S240단계에서, 에러화소 보상부(126)는 학습결과 저장부(124)에 기저장되어 있는 이전프레임 학습결과에서, 에러화소의 주변화소값군과 동일한 주변화소값군을 검색한다. 그리고, 에러화소 보상부(126)는 검색된 주변화소값군에 대응되는 화소값을 에러화소의 화소값으로 추정한다.
이하에서, 에러화소들의 화소값들을 추정하는 과정에 대해, 구체적인 예를 들어 설명하기로 한다.
도 5a에 도시된 바와 같이, '화소 86', '화소 87', '화소 88', '화소 89'가 에러화소라고 가정한다. 에러화소들의 화소값은 현재로서는 알 수 없기 때문에, '?'로 표기하였다.
에러화소 보상부(126)는 '화소 86'의 화소값을 추정하기 위해, 먼저 '화소 86'의 주변화소값군을 획득한다. 도 5a에 도시된 바에 따르면, '화소 86'의 주변화소값군은 (h, b, r, a, q, f, n, k)임을 알 수 있다.
이후, 에러화소 보상부(126)는 학습결과 저장부(124)에 기저장되어 있는 이 전프레임 학습결과에서, '화소 86'의 주변화소값군과 동일한 주변화소값군을 검색하고, 검색된 주변화소값군에 대응되는 화소값을 '화소 86'의 화소값으로 추정한다.
학습결과 저장부(124)에 기저장되어 있는 이전프레임 학습결과가 도 4의 하단부에 나타낸 바와 같을 때, '화소 86'의 주변화소값군인 (h, b, r, a, q, f, n, k)과 동일한 주변화소값군에 대응되는 화소값은 'i'임을 알 수 있다. 그 결과, 에러화소 보상부(126)는 '화소 86'의 화소값을 'i'로 추정한다.
다음, 에러화소 보상부(126)는 위의 방법과 동일한 방법으로 '화소 87'의 화소값을 추정한다. 도 5b에 도시된 바에 따르면 '화소 87'의 주변화소값군은 (l, m, a, q, f, n, p, i)임을 알 수 있고, 도 4에 도시된 바에 따르면 (l, m, a, q, f, n, p, i)와 동일한 주변화소값군에 대응되는 화소값은 'j'임을 알 수 있다. 그 결과, 에러화소 보상부(126)는 '화소 87'의 화소값을 'j'로 추정한다.
이후, 에러화소 보상부(126)는 위의 방법과 동일한 방법으로 '화소 88'과 '화소 89'에 대해서도 화소값을 추정하게 된다.
한편, 이전프레임 학습결과에서 에러화소의 주변화소값군과 동일한 주변화소값군이 검색되지 않는 경우(즉, 에러화소의 주변화소값군과 동일한 주변화소값군이 이전프레임 학습결과에 존재하지 않는 경우)가 있을 수 있다.
이 경우, 에러화소 보상부(126)는 이전프레임 학습결과에서 에러화소의 주변화소값군과 가장 유사한 주변화소값군을 검색하고, 검색된 주변화소값군에 대응되는 화소값을 에러화소의 화소값으로 추정할 수 있다. 이때, 에러화소의 주변화소 값군과 가장 유사한 주변화소값군은, 일치하는 주변화소값의 개수가 가장 많은 주변화소값군으로 할 수 있다.
예를 들면, 이전프레임 학습결과에 (l, m, a, q, f, n, p, i)가 없고 (l, m, a, q, f, n, x, y)와 (l, m, a, q, f, n, p, y)가 있는 경우, (l, m, a, q, f, n, p, i)와 가장 유사한 주변화소값군 후자이다. (l, m, a, q, f, n, p, i)와 전자는 일치하는 주변화소값의 개수가 6개인 반면, (l, m, a, q, f, n, p, i)와 후자는 일치하는 주변화소값의 개수가 7개이기 때문이다.
지금까지, 본 영상보상장치가 영상에 존재하는 에러를 보상하는 과정에 대해 상세히 설명하였다. 한편, S210단계에서 학습부(122)에 의해 생성되고, S220단계에서 학습결과 저장부(124)에 저장되는 현재프레임 학습결과는, 다음프레임에 존재하는 에러화소들의 화소값들을 추정하는데 이용되게 된다. 여기서, '다음프레임'이란, 현재프레임 이후에 입력되는 프레임이다.
본 영상보상장치는 영상을 재생할 수 있는 영상재생기기에 채택될 수 있다. 영상재생기기의 예로, TV, 셋탑박스, 휴대용 단말기기, 광기록매체 재생기기, 자기기록매체 재생기기, 반도체기록매체 재생기기 등을 들 수 있다. 휴대용 단말기기로서, 모바일폰, PDA 등을 들 수 있고, 광기록매체 녹화기기로서 DVDP(Digital Video Disk Player) 등을 들 수 있고, 자기기록매체 녹화기기로서 HDD(Hard Disk Drive) 재생기기, VCR(Video Cassette Recorder) 등을 들 수 있으며, 반도체기록매체 녹화기기로서 메모리카드 재생기기 등을 들 수 있다.
이상 설명한 바와 같이, 본 발명에 따르면, 확률 신경회로망 이론을 적용하여 영상에 존재하는 에러를 보상할 수 있게 된다. 이에 따라, 사용자에게 보다 우수한 화질의 영상을 제공할 수 있게 된다. 또한, 인공지능형 영상보상에 한걸음 다가서는 기틀을 마련할 수 있게 된다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

Claims (14)

  1. 현재프레임을 구성하는 화소들 중 에러가 발생된 에러화소를 검출하는 에러화소 검출부;
    상기 현재프레임을 구성하는 각각의 화소에 대해, 상기 화소의 주변화소들 각각에 대한 주변화소값들의 집합인 주변화소값군과 상기 화소의 화소값을 일대일로 대응시키고, 일대일 대응관계를 상기 현재프레임 학습결과로서 생성하는 학습부;
    상기 학습부에 의해 현재 생성되는 상기 현재프레임 학습결과가 저장되고, 상기 학습부에 의해 기생성된 이전프레임 학습결과가 기저장되어 있는 학습결과 저장부; 및
    상기 학습결과 저장부에 기저장되어 있는 상기 이전프레임 학습결과를 참조하여, 상기 검출부에 의해 검출된 상기 에러화소의 화소값을 추정하는 에러화소 보상부;를 포함하는 것을 특징으로 하는 영상보상장치.
  2. 삭제
  3. 제 1항에 있어서,
    상기 화소의 주변화소들은,
    소정 패턴내에 존재하는 화소들인 것을 특징으로 하는 영상보상장치.
  4. 제 1항에 있어서,
    상기 화소의 주변화소들은,
    상기 화소의 좌측영역 및 상측영역에 존재하는 화소들 중 일부인 것을 특징으로 하는 영상보상장치.
  5. 제 1항에 있어서,
    상기 에러화소 보상부는,
    상기 학습결과 저장부에 기저장되어 있는 상기 이전프레임 학습결과에서, 상기 에러화소에 대한 주변화소값군과 동일한 주변화소값군을 검색하고, 검색된 주변화소값군에 대응되는 화소값을 상기 에러화소의 화소값으로 추정하는 것을 특징으로 하는 영상보상장치.
  6. 제 5항에 있어서,
    상기 에러화소 보상부는,
    상기 학습결과 저장부에 기저장되어 있는 상기 이전프레임 학습결과에서, 상기 에러화소에 대한 주변화소값군과 동일한 주변화소값군이 검색되지 않으면, 상기 에러화소에 대한 주변화소값군과 가장 유사한 주변화소값군을 검색하고, 검색된 주변화소값군에 대응되는 화소값을 상기 에러화소의 화소값으로 추정하는 것을 특징으로 하는 영상보상장치.
  7. 제 6항에 있어서,
    상기 에러화소에 대한 주변화소값군과 가장 유사한 주변화소값군은,
    일치하는 주변화소값의 개수가 가장 많은 주변화소값군인 것을 특징으로 하는 영상보상장치.
  8. 현재프레임을 구성하는 각각의 화소에 대해, 상기 화소의 주변화소들 각각에 대한 주변화소값들의 집합인 주변화소값군과 상기 화소의 화소값을 일대일로 대응시키고, 일대일 대응관계를 상기 현재프레임 학습결과로서 생성하는 학습단계;
    생성된 상기 현재프레임 학습결과를 저장하는 저장단계;
    상기 현재프레임을 구성하는 화소들 중 에러가 발생된 에러화소를 검출하는 검출단계; 및
    기저장된 이전프레임 학습결과를 이용하여, 검출된 상기 에러화소의 화소값을 추정하는 추정단계;를 포함하는 것을 특징으로 하는 영상보상방법.
  9. 삭제
  10. 제 8항에 있어서,
    상기 화소의 주변화소들은,
    소정 패턴내에 존재하는 화소들인 것을 특징으로 하는 영상보상방법.
  11. 제 8항에 있어서,
    상기 화소의 주변화소들은,
    상기 화소의 좌측영역 및 상측영역에 존재하는 화소들 중 일부인 것을 특징으로 하는 영상보상방법.
  12. 제 8항에 있어서,
    상기 추정단계는,
    기저장되어 있는 상기 이전프레임 학습결과에서, 상기 에러화소에 대한 주변화소값군과 동일한 주변화소값군을 검색하고, 검색된 주변화소값군에 대응되는 화소값을 상기 에러화소의 화소값으로 추정하는 것을 특징으로 하는 영상보상방법.
  13. 제 12항에 있어서,
    상기 추정단계는,
    기저장되어 있는 상기 이전프레임 학습결과에서, 상기 에러화소에 대한 주변화소값군과 동일한 주변화소값군이 검색되지 않으면, 상기 에러화소에 대한 주변화소값군과 가장 유사한 주변화소값군을 검색하고, 검색된 주변화소값군에 대응되는 화소값을 상기 에러화소의 화소값으로 추정하는 것을 특징으로 하는 영상보상방법.
  14. 제 13항에 있어서,
    상기 에러화소에 대한 주변화소값군과 가장 유사한 주변화소값군은,
    일치하는 주변화소값의 개수가 가장 많은 주변화소값군인 것을 특징으로 하는 영상보상방법.
KR1020050010745A 2005-02-04 2005-02-04 확률 신경회로망 이론을 적용한 영상보상장치 및 방법 KR100709323B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020050010745A KR100709323B1 (ko) 2005-02-04 2005-02-04 확률 신경회로망 이론을 적용한 영상보상장치 및 방법
US11/245,087 US20060177126A1 (en) 2005-02-04 2005-10-07 Apparatus for compensating image according to probabilistic neural network theory and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020050010745A KR100709323B1 (ko) 2005-02-04 2005-02-04 확률 신경회로망 이론을 적용한 영상보상장치 및 방법

Publications (2)

Publication Number Publication Date
KR20060089487A KR20060089487A (ko) 2006-08-09
KR100709323B1 true KR100709323B1 (ko) 2007-04-20

Family

ID=36780007

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020050010745A KR100709323B1 (ko) 2005-02-04 2005-02-04 확률 신경회로망 이론을 적용한 영상보상장치 및 방법

Country Status (2)

Country Link
US (1) US20060177126A1 (ko)
KR (1) KR100709323B1 (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013111973A1 (ko) 2012-01-27 2013-08-01 한국과학기술원 시각신경 회로장치, 시각신경 회로장치를 이용한 시각신경 모방시스템 및 객체탐색 시스템
CN104573718A (zh) * 2014-12-31 2015-04-29 浙江工业大学 基于自适应二分多神经网络的胎盘超声图像自动分级方法
KR101738422B1 (ko) 2015-09-14 2017-05-23 한국과학기술원 다종 센서 기반 시각 신경 회로 장치 및 이를 이용한 객체 탐색 시스템, 방법
KR20190059696A (ko) 2017-11-23 2019-05-31 고유정 보조 배터리 깔창
US11080835B2 (en) * 2019-01-09 2021-08-03 Disney Enterprises, Inc. Pixel error detection system
US11508143B2 (en) 2020-04-03 2022-11-22 Disney Enterprises, Inc. Automated salience assessment of pixel anomalies
KR20220004436A (ko) 2020-07-03 2022-01-11 삼성전자주식회사 뉴럴 네트워크 프로세서를 구비하는 이미지 프로세싱 장치 및 이의 동작 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5231481A (en) 1990-03-23 1993-07-27 Thomson-Csf Projection display device with negative feedback loop to correct all the faults of the projected image
JPH089264A (ja) * 1994-06-22 1996-01-12 Matsushita Electric Ind Co Ltd 固体撮像装置
DE19726877A1 (de) 1997-06-24 1999-01-07 Fraunhofer Ges Forschung Bildverarbeitungssystem und Verfahren zur Bildverarbeitung für Endoskope
JP2001197332A (ja) 1999-11-26 2001-07-19 Inst Fuer Neurosimulation & Bildtechnologien Gmbh 画像再生システムの欠陥を判定し且つ少なくとも部分的に補正する方法及び該方法を実施するための装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7009644B1 (en) * 1999-12-15 2006-03-07 Logitech Europe S.A. Dynamic anomalous pixel detection and correction
US7129975B2 (en) * 2001-02-07 2006-10-31 Dialog Imaging System Gmbh Addressable imager with real time defect detection and substitution

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5231481A (en) 1990-03-23 1993-07-27 Thomson-Csf Projection display device with negative feedback loop to correct all the faults of the projected image
JPH089264A (ja) * 1994-06-22 1996-01-12 Matsushita Electric Ind Co Ltd 固体撮像装置
DE19726877A1 (de) 1997-06-24 1999-01-07 Fraunhofer Ges Forschung Bildverarbeitungssystem und Verfahren zur Bildverarbeitung für Endoskope
JP2001197332A (ja) 1999-11-26 2001-07-19 Inst Fuer Neurosimulation & Bildtechnologien Gmbh 画像再生システムの欠陥を判定し且つ少なくとも部分的に補正する方法及び該方法を実施するための装置

Also Published As

Publication number Publication date
US20060177126A1 (en) 2006-08-10
KR20060089487A (ko) 2006-08-09

Similar Documents

Publication Publication Date Title
KR100709323B1 (ko) 확률 신경회로망 이론을 적용한 영상보상장치 및 방법
US20050276330A1 (en) Method and apparatus for sub-pixel motion estimation which reduces bit precision
EP0545711B1 (en) Apparatus for concealing error of moving pictures transform coding
US7676821B2 (en) Method and related system for detecting advertising sections of video signal by integrating results based on different detecting rules
JP4453768B2 (ja) 情報処理装置および方法、並びにプログラム
CN101796844A (zh) 用于估计和补偿图像的时空运动的方法和设备
CN101682717A (zh) 图像处理装置、图像处理方法和程序
KR20080071084A (ko) 화상 처리 장치, 화상 처리 방법, 및 프로그램
US5278663A (en) Method for compensating the vibration of an image and device therefor in a video camera
CN102123260A (zh) 广播节目的记录装置
JPWO2006006489A1 (ja) 動き検出装置
CN101364305A (zh) 电子装置、运动向量检测方法和其程序
JP2005086734A (ja) 画像記録装置
JP2007156969A (ja) 情報転送システム及び情報転送方法
KR20080035891A (ko) 움직임의 스마트 서치를 지원하는 영상 재생 장치 및 방법
KR100968987B1 (ko) 데이터 변환 장치 및 데이터 변환 방법, 학습 장치 및 학습 방법, 및 기록 매체
EP1161098A2 (en) Signal detection method and apparatus
JP2005301984A (ja) 画像処理装置および方法、プログラム並びに記録媒体
JP2007166545A (ja) 動きベクトル検出装置及び方法
JP4129788B2 (ja) 画像データ処理装置および方法、記録媒体、並びにプログラム
US20230128220A1 (en) Information processing apparatus, information processing terminal, method, program, and model
JP2000013765A (ja) 付随情報検出装置及び方法、並びに画像データ処理装置及び方法
JP4329331B2 (ja) 画像処理装置および方法、記録媒体、並びにプログラム
JP4239557B2 (ja) 画像処理装置および方法、記録媒体、並びにプログラム
KR100988149B1 (ko) 정보 처리 장치 및 방법, 기록 매체

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
J201 Request for trial against refusal decision
AMND Amendment
B701 Decision to grant
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee