KR100848849B1 - 가장 가까이 인접한 분류된 필터링을 통해 해상도를 향상시키는 방법 및 장치와, 가장 가까이 인접한 분류된 필터링을 통해 해상도를 향상시키기 위한 명령을 갖는 컴퓨터 판독가능 매체 - Google Patents

가장 가까이 인접한 분류된 필터링을 통해 해상도를 향상시키는 방법 및 장치와, 가장 가까이 인접한 분류된 필터링을 통해 해상도를 향상시키기 위한 명령을 갖는 컴퓨터 판독가능 매체 Download PDF

Info

Publication number
KR100848849B1
KR100848849B1 KR1020037007014A KR20037007014A KR100848849B1 KR 100848849 B1 KR100848849 B1 KR 100848849B1 KR 1020037007014 A KR1020037007014 A KR 1020037007014A KR 20037007014 A KR20037007014 A KR 20037007014A KR 100848849 B1 KR100848849 B1 KR 100848849B1
Authority
KR
South Korea
Prior art keywords
class
vector
normalized
image vector
input image
Prior art date
Application number
KR1020037007014A
Other languages
English (en)
Other versions
KR20040016823A (ko
Inventor
테트스지로 콘도
제임스 제이. 캐릭
야스히로 후지모리
윌리암 크녹스 카레이
Original Assignee
소니 일렉트로닉스 인코포레이티드
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 소니 일렉트로닉스 인코포레이티드 filed Critical 소니 일렉트로닉스 인코포레이티드
Publication of KR20040016823A publication Critical patent/KR20040016823A/ko
Application granted granted Critical
Publication of KR100848849B1 publication Critical patent/KR100848849B1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Television Systems (AREA)
  • Image Analysis (AREA)

Abstract

복수의 공간 클래스(spatial class)로부터 입력 이미지 벡터에 대해 가장 가까이 인접한 클래스를 결정함으로써 이미지의 해상도를 향상시키기 위한 방법 및 장치가 개시되어 있다. 일실시예에서, 가장 가까이 인접한 클래스는 수 개의 공간 클래스 중 하나로 분류될 입력 이미지 벡터를 먼저 수신함으로써 결정된다(305). 각각의 공간 클래스는 대응하는 정규화된 평균 클래스 벡터를 갖는다. 입력 이미지 벡터는 정규화된다(310). 그런 후에는, 정규화된 이미지 벡터로부터 각각의 정규화된 평균 클래스 벡터까지의 가중된 거리가 결정된다(320). 입력 이미지 벡터에 대해 가장 가까이 인접한 클래스인 클래스 벡터는 가중된 거리에 기초해서 결정된다(330). 가장 가까이 인접한 클래스에 대응하는 필터는 이미지의 해상도를 향상시키기 위해서 입력 이미지 벡터에 적용된다(340).

Description

가장 가까이 인접한 분류된 필터링을 통해 해상도를 향상시키는 방법 및 장치와, 가장 가까이 인접한 분류된 필터링을 통해 해상도를 향상시키기 위한 명령을 갖는 컴퓨터 판독가능 매체{METHOD AND APPARATUS FOR ENHANCING RESOLUTION BY NEAREST NEIGHBOR CLASSIFIED FILTERING, AND COMPUTER READABLE MEDIUM HAVING INSTRUCTIONS TO ENHANCE RESOLUTION BY NEAREST NEIGHBOR CLASSIFIED FILTERING}
본 발명은 이미지 처리 분야에 관한 것이다.
공간 필터링의 결과를 향상시키기 위해서 공간 클래스(spatial class)의 사용이 제시되어 왔다. 한 가지 기술은 대응하는 이진 값을 형성하기 위해서 클래스 탭(class tap)의 각 픽셀을 그 임계치를 정하는 것이다. 다음으로, 이진 값이 공간 클래스를 선택하기 위해서 사용된다. 그러나, 그 기술은 매우 많은 수의 클래스를 어림(scale)하지 않는데, 그 이유는 공간 클래스의 수가 분류 탭의 크기에 따라 지수적으로 증가하기 때문이다. 예컨대, 1인 반경을 갖는 다이아몬드 탭 분류기는 25=32 개의 공간 클래스를 제공하는 5 개의 탭을 갖는다. 2인 반경을 갖는 다이아몬드 탭은 213=8192 개의 클래스를 제공하는 13개의 탭을 갖는다. 더 큰 탭은 수 백만 개의 클래스를 필요로 한다.
이진-임계치 분류에 따른 두 번째 제한점은, 그것이 단일 픽셀에서의 에러 및 변화에 민감하다는 점이다. 그러한 민감도는 분류하는데 있어 어느 정도의 무작위성을 추가함으로써, 그렇지 않은 경우에 클래스들이 갖는 것 보다 상기 클래스들 을 단일-클래스의 성질(behavior) 쪽으로 더욱 이동시킨다. 비록 그것은 원활한 클래스 전환을 제공하지만, 그것은 성능을 제한시킨다.
복수의 공간 클래스로부터 입력 이미지 벡터에 대해 가장 가까이 인접한 클래스를 결정함으로써 이미지의 해상도를 향상시키기 위한 방법 및 장치가 개시되어 있다. 일실시예에서, 가장 가까이 인접한 클래스는 수 개의 공간 클래스 중 하나로 분류될 입력 이미지 벡터를 먼저 수신함으로써 결정된다. 각각의 공간 클래스는 대응하는 정규화된 평균 클래스 벡터를 갖는다. 입력 이미지 벡터는 정규화된다. 그런 후에는, 정규화된 이미지 벡터로부터 각각의 정규화된 평균 클래스 벡터까지의 가중된 거리가 결정된다.
입력 이미지 벡터에 대해 가장 가까이 인접한 클래스인 클래스 벡터는 가중된 거리에 기초해서 결정된다. 가장 가까이 인접한 클래스에 대응하는 필터는 이미지의 해상도를 향상시키기 위해서 입력 이미지 벡터에 적용된다.
본 발명은 첨부 도면들의 특징을 일예로서 도시하지만 그것들로 제한되지는 않고, 그 도면들에서 동일한 참조 번호는 유사한 소자를 나타낸다.
도 1은 샘플 값을 추정하는데 사용되는 공간 필터의 실시예를 나타내는 도면.
도 2는 더 낮은 해상도를 갖는 이미지로부터 생성되는 향상된 해상도를 갖는 이미지의 예를 나타내는 도면.
도 3은 가장 가까이 인접한 분류된 필터링을 통해 해상도 향상을 수행하는 방법에 대한 실시예를 나타내는 도면.
도 4는 가장 가까이 인접한 분류된 필터링을 통해 해상도 향상을 수행하는 디바이스에 대한 실시예를 나타내는 도면.
도 5는 가장 가까이 인접한 분류되는 필터링을 통해 해상도 향상을 수행하는 방법에 대한 다른 실시예를 나타내는 도면.
복수의 공간 클래스(spatial class)로부터 입력 이미지 벡터에 대해 가장 가까이 인접한 클래스를 결정함으로써 이미지의 해상도를 향상시키기 위한 방법 및 장치가 개시되어 있다. 일실시예에서, 가장 가까이 인접한 클래스는 수 개의 공간 클래스 중 하나로 분류될 입력 이미지 벡터를 먼저 수신함으로써 결정된다. 각각의 공간 클래스는 대응하는 정규화된 평균 클래스 벡터를 갖는다. 입력 이미지 벡터는 정규화된다. 그런 후에는, 정규화된 이미지 벡터로부터 각각의 정규화된 평균 클래스 벡터까지의 가중된 거리가 결정된다.
입력 이미지 벡터에 대해 가장 가까이 인접한 클래스인 클래스 벡터는 가중된 거리에 기초해서 결정된다. 가장 가까이 인접한 클래스에 대응하는 필터는 이미지의 해상도를 향상시키기 위해서 입력 이미지 벡터에 적용된다.
공간 필터링은 신호 처리에서 많이 사용된다. 예컨대, 픽셀 세트가 도 1에서 원으로 표시되었다면, 십자 모양(X)으로 표시된 위치로부터의 샘플 값이 추정될 수 있다. 일련의 유사한 추정이 도 2에 도시된 바와 같이 향상된 해상도를 갖는 이미 지를 생성하기 위해 사용될 수 있다.
공간 클래스가 생성된 이후에는, 클래스 벡터가 생성될 수 있고, 가장 가까이 인접한 분류된 필터링을 사용하여 이미지의 해상도를 향상시키기 위해 사용될 수 있다. 가장 가까이 인접한 분류된 필터링을 위한 방법이 도 3에 도시되어 있다.
각각의 입력 이미지 벡터에 대해 가장 가까이 인접한 클래스가 입력 이미지 벡터로부터 각각의 정규화된 평균 클래스 벡터까지의 상대적인 거리를 결정하기 위한 거리 측정값과 각 클래스의 정규화된 평균 클래스를 사용하여 결정될 수 있다. 도 3에 도시된 바와 같이, 입력 이미지 벡터가 수신된다(단계 305). 입력 이미지 벡터가 정규화됨으로써(단계 310), 탭(tap)의 중심에 가까운 픽셀은 최종 출력과 명확하게 가장 상호 관련되기 때문에 가장 높게 가중된다. 정규화된 이미지 벡터로부터 각각의 클래스 벡터까지의 가중된 거리가 결정된다(단계 320). 입력 이미지 벡터에 가장 가까이 인접한 클래스 벡터가 결정된다(단계 330). 가장 가까이 인접한 클래스에 대응하는 필터가 이미지의 해상도를 향상시키기 위해서 입력 이미지 벡터에 적용된다(단계 340).
예컨대, 가장 가까이 인접한 분류가, 아래의 표 3에 도시된 바와 같이, 입력 이미지 데이터를 두 클래스 중 하나로 분류하기 위해 사용될 수 있다. 두 클래스에 대한 정규화된 평균 클래스 벡터가 아래의 표 1 및 표 2에 도시되어 있다.
필터의 중심 가까이에 있는 탭이 거의 '0' 레벨이도록 하기 위해서, 정규화된 평균 클래스 벡터가 사용된다. 그것은 완벽하게 이루어질 수 없고, 따라서, 중심 탭은 '0'으로부터 약간의 오프셋을 가질 수 있다. 그러한 오프셋은 클래스 감소 의 방법을 제공하는데, 그 이유는, 중심 탭이 항상 '음(negative)'이 아니도록 하기 위해서, 클래스가 필요시 반전될 수 있기 때문이다. 또한, 매우 작은 동작 범위를 갖는 클래스는 완전히 확장되지 않고, 그럼으로써, 양자화 잡음이 트레이닝 처리(training process)에 있어 실제 에지 만큼의 큰 가중치를 갖지 않는다.
표 1은 제 1 클래스, 즉 클래스 1에 대해서 정규화된 평균 클래스 벡터의 예를 나타낸다.
표 1
Figure 112003018571751-pct00001
표 2는 제 2 클래스, 즉 클래스 2에 대해서 정규화된 평균 클래스 벡터의 예를 나타낸다.
표 2
Figure 112003018571751-pct00002
표 3은 가장 가까이 인접한 분류를 사용하여 클래스 1이나 클래스 2 중 어느 하나로 분류될 입력 이미지 벡터를 나타낸다.
표 3

Figure 112003018571751-pct00003
입력 이미지 벡터는 각각의 소자로부터 가중된 평균치를 감산하고 표준 편차로 나눔으로써 정규화된다. 입력 이미지 벡터의 가중된 평균치는 입력 이미지 벡터를 갖는 각 성분에, 아래의 표 4에 도시된 가중치와 같은, 대응하는 거리 가중치를 곱함으로써 결정된다. 그런 후에, 가중된 성분이 가중된 평균치에 더해진다. 입력 이미지 벡터의 각각의 성분은 대응하는 거리 가중치와 곱해지고, 그로 인해 탭 중심 가까이에 있는 픽셀은 최종 출력과 명확하게 가장 상호 관련되기 때문에 가장 높게 가중된다. 추정치 좌표로의 거리가 증가되기 때문에, 탭이 분류에 주는 영향은 감소할 것이다.
거리 가중치 세트를 결정하는 한 가지 방법은, 탭으로부터 추정치 좌표까지의 유클리드 거리(Euclidean distance)의 역수로 각각의 가중치를 초기화한 후, 가중치의 합이 '1'이 되도록 그 가중치를 정규화하는 것이다. 예컨대, 표 4에 도시된 탭 가중치는 출력 위치(i-0.25, j-0.25)에 대한 결과이다.
표 4
Figure 112003018571751-pct00004
표 4는 이미지 벡터에 적용되는 거리 가중치를 나타낸다. 이미지 벡터에 대한 가중된 평균치는 이미지 벡터의 각각의 성분에 그것의 대응하는 거리 가중치를 곱하고 가중된 성분들을 서로 더함으로써 결정된다. 다음으로, 가중된 평균치는 거의 '0'의 가중된 평균 이미지 벡터를 생성하기 위해서 이미지 벡터의 각각의 성분으로부터 감산됨으로써, 가중된 평균치=대략 (140 ×0.048 +...+ 122 ×0.037)=102이다. 표 5는 거의 '0'의 가중된 평균 벡터를 나타낸다.
표 5
Figure 112003018571751-pct00005
거의 '0'의 가중된 평균 이미지 벡터의 표준 편차가 결정된다. 거의 '0'의 가중된 평균 이미지 벡터는 각각의 벡터 성분을 표준 편차로 나눔으로써 정규화되는데, 그 표준 편차는 본 예에서 23.859이다. 만약 중심 탭이 음이라면, 벡터는 그 중심 탭이 음이 아니도록 하기 위해서 -1이 곱해진다. 그 결과는 표 6에 도시된 바와 같은 정규화된 이미지 벡터이다.
표 6
Figure 112003018571751-pct00006
다음으로, 정규화된 입력 이미지 벡터로부터 각각의 정규화된 평균 클래스 벡터까지의 가중된 거리가 결정된다. 정규화된 이미지 벡터로부터 클래스 1까지의 가중된 거리가 결정된다. 가중된 거리는, 이미지 벡터의 대응하는 성분으로부터 클래스 1의 각각의 성분을 감산하여, 그 결과치를 제곱하고, 그 제곱 결과치를 대응하는 거리 가중치와 곱하며, 그 가중된 제곱 결과치들을 더함으로써 결정될 수 있다.
본 예에서, 입력 이미지 데이터와 클래스 1 사이의 가중된 거리는 {(-1.592684-0.17622)2 ×0.048 + ... + (-0.838255-0.35244)2 ×0.037}=1.1151이다. 마찬가지로, 정규화된 이미지 벡터와 클래스 2 사이의 가중된 거리가 결정된다. 본 예에서, 그 거리는 {(-1.592684-0.82990)2 ×0.048 + ... + (-0.838255-0.00000)2 ×0.037}=1.8406이다.
정규화된 이미지 벡터로부터의 가장 작은 가중된 거리를 갖는 클래스는 이미지 벡터에 대해 가장 가까이 인접한 클래스인데, 본 예에서는 클래스 1이다. 입력 이미지 벡터는 자신이 가장 가까이에 있는 클래스에 더해진다. 그 클래스의 벡터 평균은 현재 벡터를 제공하여 더함으로써 갱신된다. 몇 번의 반복 이후에, 그 절차 는 정지되고, 필터가 아래에서 설명되는 최소 제곱법 트레이닝 절차(least squares training procedure)를 통해 각 클래스에 대해서 결정된다.
비록 위의 예는 가장 가까이 인접한 분류를 사용하여 두 클래스 중 하나로 분류되는 입력 이미지 벡터를 설명하지만, 클래스의 수는 '2' 보다 큰 임의의 수일 수 있다. 또한, 비록 위의 예는 하나의 입력 이미지 벡터를 나타내지만, 그러한 방법을 사용하여 분류되는 입력 이미지 벡터의 수는 '1' 보다 큰 임의의 수일 수 있다.
도 4는 해상도 구현을 위해 가장 가까이 인접한 분류된 필터링을 수행하는 디바이스(400)의 실시예를 나타낸다. 이미지에 대한 입력 데이터는 정규화 논리부(405)에 의해서 수신되고, 그 정규화 논리부(405)는 입력 이미지 벡터 데이터를 정규화한다. 정규화된 이미지 벡터는 거리 계산기(410)에 입력된다. 그 거리 계산기는 입력 이미지로부터 각 공간 클래스까지의 거리를 결정한다. 그 거리 값은 계산기(410)로부터 최소 거리 검출기(420)에 의해 수신된다. 그 검출기(420)는 어떤 클래스가 입력 이미지 데이터에 가장 근접해 있는지를 결정한다. 그런 가장 근접해 있는 클래스가 가장 가까이 인접한 클래스로서 선택된다. 다음으로, 이미지 데이터가 해상도를 향상시키기 위해서 필터(430)에 인가될 수 있다. 그 필터에 의해서 출력되는 픽셀 데이터는 예컨대 텔레비전 모니터와 같은 디스플레이 디바이스에 의해서 디스플레이될 수 있다.
도 4에 도시된 디바이스(400)는 하드웨어 회로로서 구현될 수 있고, 컴퓨터 판독가능 매체에 소프트웨어 저장될 수 있으며, 컴퓨터 프로세서, 또는 하드웨어와 소프트웨어의 결합에 의해서 실행될 수 있다.
가장 가까이 인접한 필터링에 의한 해상도 향상은 비디오나 다른 2차원 동영상, 3차원 동영상, 및 스테레오와 같은 오디오를 포함하는(그러한 것들로 제한되지는 않음) 임의의 형태의 시간적으로 상호 관련된 데이터에 적용될 수 있다. 설명에서, 값이란 용어는, 일실시예에서는, 수신되거나 생성되는 데이터 세트 내의 성분을 지칭할 수 있다. 게다가, 데이터 포인트는 데이터 내에서의 포지션(position), 플레이스(place), 인스턴스(instance), 로케이션(location) 또는 범위(range)일 수 있다.
명확성을 위해, 본 명세서에서 설명의 일부는 픽셀 스트림을 포함하는 비디오 데이터에 초점을 둔다. 그러나, 가장 가까이 인접한 필터링에 의한 해상도 향상이 비디오 데이터 이외의 다른 유형의 데이터를 통해 수행될 수 있으며, 가장 가까이 인접한 필터링에 의한 해상도 향상을 설명하기 위해 본 명세서에서 사용되는 용어와 어구는 광범위한 애플리케이션 및 데이터 유형을 포함한다는 것을 알 것이다. 예컨대, 적응 필터 탭 구조는 대응하는 클래스에 기초하여 필터 탭을 정의하기 위한 적응 구조이다.
클래스는 목표 데이터에 대한 하나 이상의 특징에 기초해서 정해질 수 있다. 예컨대, 클래스는 목표 데이터를 포함하고 있는 그룹에 대한 하나 이상의 특징에 기초해서 또한 정해질 수 있다. 클래스 ID는 목표 데이터를 설명하고 특별한 특징에 관해서 그 목표 데이터를 다른 데이터와 구별하기 위해 사용되는 클래스 내의 특정 값이다. 클래스 ID는 정해진 범위 내의 숫자, 심볼, 또는 코드로 표현될 수 있다. 데이터를 평가, 추정, 또는 분류하는데 사용되는 미리 결정되거나 가변적인 양으로서 파라미터가 사용될 수 있다.
가장 가까이 인접한 필터링에 의한 해상도 향상은 하나 이상의 데이터 클래스 세트에 대응하는 데이터를 생성하는 적응 처리를 위한 방법 및 장치를 제공한다. 그러한 처리는 "클래스 정의(class definition)"로서 알려져 있다. 클래스 정의는, 예컨대, 1973년 6월에 존 윌리(John Wiley) 및 손(Sons)의 "패턴 분류 및 장면 분석(Pattern Classification and Scene Analysis)"에서 리차드 오.듀다(Richard O. Duda) 및 피터 이. 하트(Peter E. Hart)에 의해 설명된 종래의 방법을 사용하는 신호 분포의 여러 속성을 통해 달성될 수 있다.
각각의 클래스에 대해서, 신호 복구에 적합한 필터가 적응 처리를 위해서 준비된다. 일실시예에서, 각각의 필터는 데이터에 적용되는 필터 계수의 매트릭스로 표현될 수 있다. 필터 계수는 트레이닝 처리에 의해 생성될 수 있는데, 필터링에 앞서 준비 처리로서 이루어지는 그 트레이닝 처리의 예가 다음에서 설명된다.
출력 데이터가 아래에 제시된 수학식 1을 통해 주어지는 선형 조합 연산에 따라 생성된다.
Figure 112003018571751-pct00007
여기서, xi는 입력 데이터이고, wi는 각각의 필터 계수에 대응하고, N은 계수의 개수이며, y는 에러 복구 이후의 출력 데이터이다. 필터 계수는 해상도 향상 처리에 앞서 이루어지는 트레이닝 처리에 의해서 각각의 클래스 ID를 위해 생성될 수 있다.
필터 계수는 트레이닝 처리에 의해서 생성될 수 있다. 예컨대, 트레이닝은 다음의 수학식 2와 같은 기준에 따라 이루어질 수 있다.
Figure 112003018571751-pct00008
여기서, X, W, 및 Y는 예컨대 다음과 같은 매트릭스이다: X는 수학식 3에 의해 정의되는 입력 데이터 매트릭스이고, W는 수학식 4에 의해 정의되는 계수 매트릭스이며, Y는 수학식 5에 의해 정의되는 목표 데이터 매트릭스에 대응한다.
Figure 112003018571751-pct00009
Figure 112003018571751-pct00010
Figure 112003018571751-pct00011
계수(wi)는 수학식 2에 따라 획득될 수 있고, 그로 인해 목표 데이터에 반하 는 추정 에러가 극소화된다.
다른 실시예가 도 5에 도시되어 있다. 단계 510에서는, 복수의 공간 클래스가 생성된다. 각각의 공간 클래스에 대한 정규화된 평균 클래스 벡터가 결정된다(단계520). 분류될 입력 이미지 벡터가 양자화된다(단계 530). 입력 이미지 벡터가 거리 가중치와 곱해진다(단계 550). 가중된 이미지 벡터로부터 각각의 정규화된 평균 클래스 벡터까지의 가중된 거리가 결정된다(단계 560). 입력 이미지 벡터에 가장 가까이 인접한 클래스 벡터가 결정된다(단계 565). 상기 입력 이미지 벡터가 상기 가장 가까이 인접한 클래스에 더해진다(단계 570). 상기 가장 가까이 인접한 클래스의 평균 벡터가 입력 이미지 벡터를 통해 갱신된다(단계 580). 각각의 클래스를 위한 필터가 결정된다(단계 590).
따라서, 가장 가까이 인접한 분류된 필터링을 통해 해상도를 향상시키기 위한 방법이 개시된다. 본 발명의 그러한 실시예 및 다른 실시예가 그러한 교시(teaching)에 따라 실현될 수 있고, 여러 변경 및 변화가 본 발명의 더 넓은 사상과 범위로부터 벗어나지 않는 한 그러한 교시로 이루어질 수 있다는 것이 명백해질 것이다. 명세서 및 도면은, 따라서, 제한적인 의도보다는 예시를 위한 것으로 간주되어야 하고, 본 발명은 청구항을 통해서만 그 범위가 정해진다.
상술된 바와 같이, 본 발명은 이미지 처리 분야에 이용가능하다.

Claims (18)

  1. 정규화된 이미지 벡터로부터 복수의 정규화된 평균 클래스 벡터 중 각각의 벡터까지의 가중된 거리(weighted distance)에 기초해서 복수의 공간 클래스(spatial class)로부터 입력 이미지 벡터에 대해 가장 가까이 인접한 클래스를 결정하는 단계로서, 상기 정규화된 이미지 벡터는 상기 입력 이미지 벡터에 대응하고, 각각의 정규화된 평균 클래스 벡터는 상기 복수의 공간 클래스 중 하나에 대응하는, 가장 가까이 인접한 클래스를 결정하는 단계와;
    상기 가장 가까이 인접한 클래스에 대응하는 필터를 상기 입력 이미지 벡터에 적용하는 단계를
    포함하는, 이미지의 해상도를 향상시키기 위한 방법.
  2. 제 1항에 있어서, 상기 가장 가까이 인접한 클래스를 결정하는 단계는,
    분류될 상기 입력 이미지 벡터를 수신하고, 복수의 정규화된 평균 클래스 벡터를 수신하는 단계와;
    상기 이미지 벡터를 정규화하는 단계와;
    상기 정규화된 이미지 벡터로부터 각각의 정규화된 평균 클래스 벡터까지의 가중된 거리(weighted distance)를 결정하는 단계를
    더 포함하는, 이미지의 해상도를 향상시키기 위한 방법.
  3. 제 2항에 있어서, 상기 입력 이미지 벡터를 정규화하는 단계는,
    상기 입력 이미지 벡터에 대한 가중된 평균치를 결정하는 단계를 더 포함하는, 이미지의 해상도를 향상시키기 위한 방법.
  4. 제 3항에 있어서, 상기 입력 이미지 벡터를 정규화하는 단계는,
    상기 입력 이미지 벡터에 대한 표준 편차를 결정하는 단계를 더 포함하는, 이미지의 해상도를 향상시키기 위한 방법.
  5. 정규화된 이미지 벡터로부터 복수의 정규화된 평균 클래스 벡터 중 각각의 벡터까지의 가중된 거리(weighted distance)에 기초해서 복수의 공간 클래스(spatial class)로부터 입력 이미지 벡터에 대해 가장 가까이 인접한 클래스를 결정하기 위한 수단으로서, 상기 정규화된 이미지 벡터는 상기 입력 이미지 벡터에 대응하고, 각각의 정규화된 평균 클래스 벡터는 상기 복수의 공간 클래스 중 하나에 대응하는, 가장 가까이 인접한 클래스를 결정하기 위한 수단과;
    상기 가장 가까이 인접한 클래스에 대응하는 필터를 상기 입력 이미지 벡터에 적용하기 위한 수단을 포함하고 있는,
    이미지의 해상도를 향상시키기 위한 수단을 포함하는, 장치.
  6. 제 5항에 있어서, 상기 가장 가까이 인접한 클래스를 결정하기 위한 수단은,
    분류될 상기 입력 이미지 벡터를 수신하고, 복수의 정규화된 평균 클래스 벡터를 수신하기 위한 수단과;
    상기 입력 이미지 벡터를 정규화하기 위한 수단과;
    상기 정규화된 이미지 벡터로부터 각각의 정규화된 평균 클래스 벡터까지의 가중된 거리를 결정하기 위한 수단을
    더 포함하는, 장치.
  7. 제 6항에 있어서, 상기 입력 이미지 벡터를 정규화하기 위한 수단은,
    상기 입력 이미지 벡터에 대한 가중된 평균치를 결정하기 위한 수단을 더 포함하는, 장치.
  8. 제 7항에 있어서, 상기 입력 이미지 벡터를 정규화하기 위한 수단은,
    상기 입력 이미지 벡터에 대한 표준 편차를 결정하기 위한 수단을 더 포함하는, 장치.
  9. 처리 시스템에 의해서 실행될 때, 상기 시스템으로 하여금,
    정규화된 이미지 벡터로부터 복수의 정규화된 평균 클래스 벡터 중 각각의 벡터까지의 가중된 거리(weighted distance)에 기초해서 복수의 공간 클래스로부터 입력 이미지 벡터에 대해 가장 가까이 인접한 클래스를 결정함으로써 이미지의 해상도를 향상시키고,
    상기 가장 가까이 인접한 클래스에 대응하는 필터를 상기 입력 이미지 벡터에 적용하도록 하는 명령을 가지며,
    상기 정규화된 이미지 벡터는 상기 입력 이미지 벡터에 대응하고, 각각의 정규화된 평균 클래스 벡터는 상기 복수의 공간 클래스 중 하나에 대응하는,
    컴퓨터 판독가능 매체.
  10. 제 9항에 있어서, 상기 가장 가까이 인접한 클래스를 결정하는 단계는,
    분류될 상기 입력 이미지 벡터를 수신하고, 복수의 정규화된 평균 클래스 벡터를 수신하는 단계와;
    상기 이미지 벡터를 정규화하는 단계와;
    상기 정규화된 이미지 벡터로부터 각각의 정규화된 평균 클래스 벡터까지의 가중된 거리를 결정하는 단계를
    더 포함하는, 컴퓨터 판독가능 매체.
  11. 제 10항에 있어서, 상기 입력 이미지 벡터를 정규화하는 단계는,
    상기 입력 이미지 벡터에 대한 가중된 평균치를 결정하는 단계를 더 포함하는, 컴퓨터 판독가능 매체.
  12. 제 11항에 있어서, 상기 입력 이미지 벡터를 정규화하는 단계는,
    상기 입력 이미지 벡터에 대한 표준 편차를 결정하는 단계를 더 포함하는, 컴퓨터 판독가능 매체.
  13. 복수의 목표 이미지 벡터 중 각각의 벡터를 정규화하는 단계와;
    각각의 정규화된 목표 이미지 벡터로부터 복수의 정규화된 평균 클래스 벡터 중 각각의 벡터까지의 가중된 거리(weighted distance)를 계산하는 단계로서, 각각의 정규화된 평균 클래스 벡터는 복수의 공간 클래스 중 하나에 대응하는, 가중화된 거리 계산 단계와;
    상기 가중된 거리에 기초해서 상기 목표 이미지 벡터 각각에 대해서 가장 가까이 인접한 클래스를 선택하는 단계와;
    각각의 목표 이미지 벡터를 상기 대응하는 가장 가까이 인접한 클래스에 더하는 단계와;
    상기 대응하는 정규화된 목표 이미지 벡터를 사용해 각각의 가장 가까이 인접한 클래스의 정규화된 평균 클래스 벡터를 갱신하는 단계와;
    상기 공간 클래스 각각에 대한 필터를 결정하는 단계를
    포함하는, 방법.
  14. 제13항에 있어서, 필터를 결정하는 단계는,
    필터 계수를 생성하는 단계를 포함하는, 방법.
  15. 복수의 목표 이미지 벡터 중 각각의 벡터를 정규화하기 위한 수단과;
    각각의 정규화된 목표 이미지 벡터로부터 복수의 정규화된 평균 클래스 벡터 중 각각의 벡터까지의 가중된 거리(weighted distance)를 계산하기 위한 수단으로서, 각각의 정규화된 평균 클래스 벡터는 복수의 공간 클래스 중 하나에 대응하는, 가중화된 거리 계산 수단과;
    상기 가중된 거리에 기초해서 상기 목표 이미지 벡터 각각에 대해서 가장 가까이 인접한 클래스를 선택하기 위한 수단과;
    각각의 목표 이미지 벡터를 상기 대응하는 가장 가까이 인접한 클래스에 더하기 위한 수단과;
    상기 대응하는 정규화된 목표 이미지 벡터를 사용해 각각의 가장 가까이 인접한 클래스의 정규화된 평균 클래스 벡터를 갱신하기 위한 수단과;
    상기 공간 클래스 각각에 대한 필터를 결정하기 위한 수단을
    포함하는, 장치.
  16. 제15항에 있어서, 필터를 결정하기 위한 수단은,
    필터 계수를 생성하기 위한 수단을 포함하는, 장치.
  17. 처리 시스템에 의해서 실행될 때, 상기 시스템으로 하여금,
    복수의 목표 이미지 벡터 중 각각의 벡터를 정규화시키고;
    각각의 정규화된 목표 이미지 벡터로부터 복수의 정규화된 평균 클래스 벡터 중 각각의 벡터까지의 가중된 거리(weighted distance)를 계산하게 하고;
    상기 가중된 거리에 기초해서 상기 목표 이미지 벡터 각각에 대해서 가장 가까이 인접한 클래스를 선택하게 하고;
    각각의 목표 이미지 벡터를 상기 대응하는 가장 가까이 인접한 클래스에 더하게 하고;
    상기 대응하는 정규화된 목표 이미지 벡터를 사용해 각각의 가장 가까이 인접한 클래스의 정규화된 평균 클래스 벡터를 갱신하게 하고;
    상기 공간 클래스 각각에 대한 필터를 결정하도록 하는 명령을 가지며,
    각각의 정규화된 평균 클래스 벡터는 복수의 공간 클래스 중 하나에 대응하는,
    컴퓨터 판독가능 매체.
  18. 제17항에서, 상기 명령은 필터를 결정할 때 상기 처리 시스템으로 하여금 필터를 생성하도록 더 야기하는, 컴퓨터 판독가능 매체.
KR1020037007014A 2000-11-28 2001-11-21 가장 가까이 인접한 분류된 필터링을 통해 해상도를 향상시키는 방법 및 장치와, 가장 가까이 인접한 분류된 필터링을 통해 해상도를 향상시키기 위한 명령을 갖는 컴퓨터 판독가능 매체 KR100848849B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US09/724,808 US6519368B1 (en) 2000-11-28 2000-11-28 Resolution enhancement by nearest neighbor classified filtering
US09/724,808 2000-11-28
PCT/US2001/044064 WO2002045060A2 (en) 2000-11-28 2001-11-21 Resolution enhancement by nearest neighbor classified filtering

Publications (2)

Publication Number Publication Date
KR20040016823A KR20040016823A (ko) 2004-02-25
KR100848849B1 true KR100848849B1 (ko) 2008-07-28

Family

ID=24911995

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020037007014A KR100848849B1 (ko) 2000-11-28 2001-11-21 가장 가까이 인접한 분류된 필터링을 통해 해상도를 향상시키는 방법 및 장치와, 가장 가까이 인접한 분류된 필터링을 통해 해상도를 향상시키기 위한 명령을 갖는 컴퓨터 판독가능 매체

Country Status (9)

Country Link
US (1) US6519368B1 (ko)
EP (1) EP1346311B1 (ko)
JP (1) JP4252308B2 (ko)
KR (1) KR100848849B1 (ko)
CN (1) CN1258738C (ko)
AU (1) AU2002236486A1 (ko)
DE (1) DE10196979T1 (ko)
HK (1) HK1064775A1 (ko)
WO (1) WO2002045060A2 (ko)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7149369B2 (en) * 2002-04-23 2006-12-12 Hewlett-Packard Development Company, L.P. Method and system for image scaling
US7016884B2 (en) * 2002-06-27 2006-03-21 Microsoft Corporation Probability estimate for K-nearest neighbor
KR100505663B1 (ko) * 2003-01-02 2005-08-03 삼성전자주식회사 적응형 윤곽 상관 보간에 의한 디스플레이 장치의 순차주사 방법
US7287015B2 (en) * 2004-09-30 2007-10-23 International Business Machines Corporation Methods and apparatus for transmitting signals through network elements for classification
US7327904B2 (en) * 2004-12-15 2008-02-05 Arcsoft, Inc. Pattern classification and filter design for increasing image resolution
US8254716B2 (en) * 2007-12-12 2012-08-28 Intel Corporation Method for adaptive image enhancement
US8150195B2 (en) 2008-10-03 2012-04-03 Sony Corporation Adaptive prediction using a dimensionality reduction process
US8358857B2 (en) * 2008-10-03 2013-01-22 Sony Corporation Dynamic clustering for adaptive prediction filters
JP5251637B2 (ja) * 2009-03-16 2013-07-31 株式会社リコー ノイズ低減装置、ノイズ低減方法、ノイズ低減プログラム、記録媒体
CN103593825B (zh) * 2013-10-17 2016-04-13 西安电子科技大学 基于改进的非局部约束和局部自相似性的图像超分辨方法
WO2018163364A1 (ja) * 2017-03-09 2018-09-13 国立大学法人東京大学 フィルタリング装置及びフィルタリング方法
JP7024983B1 (ja) * 2021-10-28 2022-02-24 竜太 綿貫 フィルタリング装置及びフィルタリング方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5852470A (en) 1995-05-31 1998-12-22 Sony Corporation Signal converting apparatus and signal converting method

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5060277A (en) * 1985-10-10 1991-10-22 Palantir Corporation Pattern classification means using feature vector regions preconstructed from reference data
JPH02170787A (ja) * 1988-12-23 1990-07-02 Matsushita Electric Ind Co Ltd ベクトル量子化符号化器とベクトル量子化復号化器
US5835630A (en) * 1996-05-08 1998-11-10 Xerox Corporation Modular time-varying two-dimensional filter

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5852470A (en) 1995-05-31 1998-12-22 Sony Corporation Signal converting apparatus and signal converting method

Also Published As

Publication number Publication date
DE10196979T1 (de) 2003-10-23
CN1258738C (zh) 2006-06-07
AU2002236486A1 (en) 2002-06-11
CN1488119A (zh) 2004-04-07
JP2004523941A (ja) 2004-08-05
EP1346311B1 (en) 2012-06-20
WO2002045060A3 (en) 2002-10-31
EP1346311A2 (en) 2003-09-24
HK1064775A1 (en) 2005-02-04
WO2002045060A2 (en) 2002-06-06
KR20040016823A (ko) 2004-02-25
EP1346311A4 (en) 2008-07-02
US6519368B1 (en) 2003-02-11
JP4252308B2 (ja) 2009-04-08

Similar Documents

Publication Publication Date Title
Wang et al. Optimized feature extraction for learning-based image steganalysis
Khan et al. An adaptive dynamically weighted median filter for impulse noise removal
Magudeeswaran et al. Contrast limited fuzzy adaptive histogram equalization for enhancement of brain images
KR100848849B1 (ko) 가장 가까이 인접한 분류된 필터링을 통해 해상도를 향상시키는 방법 및 장치와, 가장 가까이 인접한 분류된 필터링을 통해 해상도를 향상시키기 위한 명령을 갖는 컴퓨터 판독가능 매체
US8908989B2 (en) Recursive conditional means image denoising
Subramani et al. MRI brain image enhancement using brightness preserving adaptive fuzzy histogram equalization
Ponomaryov Real-time 2D–3D filtering using order statistics based algorithms
Meng et al. An effective weighted vector median filter for impulse noise reduction based on minimizing the degree of aggregation
Roy et al. Removal of ‘salt & pepper’noise from color images using adaptive fuzzy technique based on histogram estimation
CN114202473A (zh) 一种基于多尺度特征和注意力机制的图像复原方法及装置
CN111325671A (zh) 网络训练方法、装置、图像处理方法及电子设备
CN116310356B (zh) 深度学习模型的训练方法、目标检测方法、装置及设备
US11100624B2 (en) Method and device for analyzing image sections for a correspondence calculation
Ben Atitallah A new adaptive filter to remove impulsive noise in color images
Ojeda et al. An image quality index based on coefficients of spatial association with an application to image fusion
Azhar et al. Texture-oriented image denoising technique for the removal of random-valued impulse noise
Jung et al. Robust statistical pixel estimation
Wang et al. An airlight estimation method for image dehazing based on gray projection
Huang et al. Computing joint distributions of 2D moving median filters with applications to detection of edges
KR100992151B1 (ko) 얼굴 영상의 조명 정규화 방법 및 장치
EP3940601A1 (en) Information processing apparatus, information processing method, and information program
Zain et al. Hybrid singular value decomposition based alpha trimmed mean-median filter in eliminating high density salt and pepper noise from grayscale image
Laskar Amarjit Roy, Lalit Manam & Rabul
Sadiq et al. A Particle Swarm Optimization Based Edge Detection Algorithm for Noisy Coloured Images
Bagade et al. Generalized referenceless image quality assessment framework using texture energy measures and pattern strength features

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20130708

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20140709

Year of fee payment: 7

LAPS Lapse due to unpaid annual fee