KR101558653B1 - 신경망을 이용한 영상의 화질 개선 시스템 및 방법 - Google Patents
신경망을 이용한 영상의 화질 개선 시스템 및 방법 Download PDFInfo
- Publication number
- KR101558653B1 KR101558653B1 KR1020130068402A KR20130068402A KR101558653B1 KR 101558653 B1 KR101558653 B1 KR 101558653B1 KR 1020130068402 A KR1020130068402 A KR 1020130068402A KR 20130068402 A KR20130068402 A KR 20130068402A KR 101558653 B1 KR101558653 B1 KR 101558653B1
- Authority
- KR
- South Korea
- Prior art keywords
- noise
- image
- neural network
- edge enhancement
- result
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000008030 elimination Effects 0.000 claims abstract description 18
- 238000003379 elimination reaction Methods 0.000 claims abstract description 18
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 230000006872 improvement Effects 0.000 claims abstract description 5
- 230000004044 response Effects 0.000 claims description 14
- 230000001537 neural effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003623 enhancer Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/14—Picture signal circuitry for video frequency region
- H04N5/21—Circuitry for suppressing or minimising disturbance, e.g. moiré or halo
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
본 발명은 영상의 국부적인 특징과 잡음의 성질에 따라 잡음제거필터들의 결과를 입력으로 하는 신경망의 연결 강도를 결정해 이상적인 잡음 제거 필터를 생성하여 영상의 잡음을 제거하기 위한 영상의 화질 개선 시스템 및 방법에 관한 것으로, 본 발명의 신경망을 이용한 영상의 화질 개선 시스템은 다양한 에지와 화소값들을 포함하도록 인공적으로 만들어진 원본영상에 잡음을 인가하여 잡음영상을 생성하는 잡음영상 생성부와, 잡음영상에 대한 신경망 에지향상장치의 결과를 얻는 신경망 에지향상장치부와, 잡음영상에 대한 다수 잡음제거필터의 결과를 얻는 잡음제거필터부와, 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과와 잡음영상에 대한 다수 잡음제거필터의 결과를 입력받는 신경망부를 포함하며, 신경망을 이용한 영상의 화질 개선 방법은 다양한 에지와 화소값들을 포함하도록 인공적으로 만들어진 원본영상에 잡음을 인가하여 잡음영상을 생성하는 단계와, 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과와 잡음영상에 대한 다수 잡음제거필터의 결과를 신경망에 입력하는 단계와, 잡음영상의 잡음을 제거했을 때 원본영상의 동일한 위치에서의 화소값과 같아지도록 신경망이 학습하며 신경망에서 연결강도가 결정되는 단계와, 연결강도가 결정된 신경망에서 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과와 잡음영상에 대한 다수 잡음제거필터의 결과가 결합되어 이상적인 잡음제거필터를 생성하는 단계를 포함한다.
Description
본 발명은 영상의 화질 개선 시스템 및 방법에 관한 것으로, 더 구체적으로는 영상의 국부적인 특징과 잡음의 성질에 따라 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과영상과 잡음영상에 대한 다수 잡음제거필터의 결과영상을 입력으로 하는 신경망의 연결 강도를 결정해 이상적인 잡음 제거 필터를 생성하여 영상의 잡음을 제거하기 위한 신경망을 이용한 영상의 화질 개선 시스템 및 방법에 관한 것이다.
일반적으로 잡음을 제거하고 영상을 복원하는 필터들은 각각 나름대로 특성을 갖고 있다. 어떤 필터는 에지 부분을 선명하게 보존하나 평탄한 영역에서는 잡음제거 효과가 떨어지고, 어떤 필터는 평탄한 부분에서는 효과가 뛰어나지만 에지 부분은 몽롱하게 만들기도 한다. 이와 같이 필터에 따라 잡음 제거 효과를 발휘할 수 있는 영상의 위치가 다르며 또한 효과적으로 제거할 수 있는 잡음의 종류도 다르다는 문제점이 있었다.
본 발명의 목적은 영상의 국부적인 특징과 잡음의 성질에 따라 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과영상과 잡음영상에 대한 다수 잡음제거필터의 결과영상을 입력으로 하는 신경망의 연결 강도를 결정해 이상적인 잡음 제거 필터를 생성하여 영상의 잡음을 제거하기 위한 신경망을 이용한 영상의 화질 개선 시스템 및 방법을 제공하는 것이다.
상술한 본 발명의 목적을 달성하기 위하여, 본 발명은 다양한 에지와 화소값들을 포함하도록 인공적으로 만들어진 원본영상에 잡음을 인가하여 잡음영상을 생성하는 잡음영상 생성부와, 잡음영상을 입력받아 신경망 에지향상장치를 통해 잡음영상에 대해 에지가 있는 부분에서는 큰 응답을, 에지가 없는 영역에서는 작은 응답을 보이는 결과영상을 얻는 신경망 에지향상장치부와, 잡음영상에 대한 다수 잡음제거필터의 결과영상을 얻는 잡음제거필터부; 및 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과영상과 잡음영상에 대한 다수 잡음제거필터의 결과영상을 입력받고, 입력받은 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과영상과 잡음영상에 대한 다수 잡음제거필터의 결과영상을 결합해 잡음이 없는 원본영상처럼 되도록 신경망의 학습을 통해 연결강도를 결정하는 신경망부를 포함하는 신경망을 이용한 영상의 화질 개선 시스템을 제공할 수 있다.
여기서, 잡음영상 생성부에서 인가하는 잡음은 제거하고자 하는 모든 형태의 잡음을 포함하며, 이러한 잡음영상 생성부에서 생성된 잡음영상을 신경망에 입력하는 것을 특징으로 한다.
또한, 신경망 에지향상장치부의 신경망 에지향상장치는 영상의 에지가 있는 부분에서는 큰 응답을, 에지가 없는 평탄한 영역에서는 작은 응답을 나타내는 것을 특징으로 한다.
또한, 잡음제거필터부는 영상의 국부적인 특징과 잡음의 성질에 따라 적용되는 여러 종류의 다수 잡음제거필터를 갖는 것을 특징으로 한다.
상술한 신경망을 이용한 영상의 화질 개선 시스템의 방법은, 다양한 에지와 화소값들을 포함하도록 인공적으로 만들어진 원본영상에 잡음을 인가하여 잡음영상을 생성하는 단계와, 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과영상과 잡음영상에 대한 다수 잡음제거필터의 결과영상을 신경망에 입력하는 단계와, 잡음영상의 잡음을 제거했을 때 원본영상의 동일한 위치에서의 화소값과 같아지도록 신경망이 학습하며 신경망에서 연결강도가 결정되는 단계와, 연결강도가 결정된 신경망에서 잡음영상과 잡음영상에 대한 신경망 에지향상장치와 잡음영상에 대한 다수 잡음제거필터가 결합되어 이상적인 잡음제거필터를 생성하는 단계를 포함하는 것을 특징으로 한다.
잡음영상 생성 단계에서, 잡음은 제거하고자 하는 모든 형태의 잡음 중 어느 하나를 인가하는 것을 특징으로 한다.
다음으로, 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과영상과 잡음영상에 대한 다수 잡음제거필터의 결과영상을 신경망에 입력하는 단계에서, 영상의 국부적인 특징과 잡음의 성질에 따라 적용되는 잡음 제거 필터의 종류가 여러 개일 수 있어 다양한 잡음을 효과적으로 제거하기 위하여 여러 종류의 잡음 제거 필터를 신경망에 연결하는 것을 특징으로 한다.
다음으로, 신경망이 학습하며 신경망에서 연결강도가 결정되는 단계에서,
잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과영상과 잡음영상에 대한 다수 잡음제거필터의 결과영상이 신경망에서 결합되어 잡음이 없는 원본영상처럼 되도록 신경망을 통해 연결강도가 결정되고 이러한 연결강도는 반복적으로 갱신되며, 신경망은 오류 역전파(error back-propagation) 방법에 의해 학습하는 것을 특징으로 한다.
다음으로, 이상적인 잡음제거필터 생성 단계에서, 이상적인 잡음제거필터는 영상의 국부적인 특징과 다양한 잡음의 성질에 따라 잡음영상과 잡음영상에 대한 신경망 에지향상장치와 잡음영상에 대한 다수 잡음제거필터의 결합이 이상적인 잡음제거 필터의 응답과 유사하도록 연결강도가 결정된 신경망을 통해 결합되는 것을 특징으로 한다.
본 발명의 신경망을 이용한 영상의 화질 개선 시스템 및 방법에 따르면, 영상의 국부적인 특징과 잡음의 성질에 따라 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과영상과 잡음영상에 대한 다수 잡음제거필터의 결과영상을 입력으로 하는 신경망의 연결 강도를 결정해 이상적인 잡음 제거 필터를 생성하여 영상의 잡음을 제거함으로써 영상의 가독성을 높일 수 있다.
도 1은 본 발명의 바람직한 실시예에 따른 신경망을 이용한 영상의 화질 개선 시스템의 개념도;
도 2는 본 발명의 바람직한 실시예에 따른 신경망을 이용한 영상의 화질 개선 방법의 흐름도; 및
도 3은 도 2의 신경망을 이용한 영상의 화질 개선 방법의 개략적인 개념도이다.
도 2는 본 발명의 바람직한 실시예에 따른 신경망을 이용한 영상의 화질 개선 방법의 흐름도; 및
도 3은 도 2의 신경망을 이용한 영상의 화질 개선 방법의 개략적인 개념도이다.
이하, 첨부한 도면을 참조로 본 발명의 바람직한 실시예에 따른 신경망을 이용한 영상의 화질 개선 시스템 및 방법에 대하여 상세하게 설명한다.
도 1에 도시한 바와 같이, 본 실시예에 따른 신경망을 이용한 영상의 화질 개선 시스템(100)은 잡음영상 생성부(110), 신경망 에지향상장치부(120), 잡음제거필터부(130), 신경망부(140)를 포함한다.
잡음영상 생성부(110)는 다양한 에지와 화소값들을 포함하도록 인공적으로 만들어진 원본영상에 잡음을 인가하여 잡음영상을 생성한다.
여기서, 잡음은 제거하고자 하는 모든 형태의 잡음 중 어느 하나를 인가한다.
이러한 잡음영상 생성부(110)에서 생성된 잡음영상을 신경망에 입력한다.
신경망 에지향상장치부(120)의 에지향상장치는 영상의 에지가 있는 부분에서는 큰 응답을, 에지가 없는 평탄한 영역에서는 작은 응답을 보이는 장치를 의미한다.
본 발명에서 에지가 있는 영역과 그렇지 않은 평탄한 영역에서 서로 다른 필터를 적용하기 위해서는 이를 구분하기 위한 에지향상장치가 필요하므로 신경망 에지향상장치인 NEE(Neural Edge Enhancement)를 사용하였다.
NEE의 구조는 입력의 화소값과 출력에지 규모를 직접 조정할 수 있는 수정된 다층 신경회로망(NN:Neural Network)로 구성되어 있다. NEE의 수정된 다층 NN은 에지 향상을 위해 비선형 콘볼루션 커널(convolution kernel)이라 간주할 수 있다.
NEE의 동작은 다음과 같다. 입력 영역의 픽셀값이 정규화되어 NEE에 입력되면 NEE 신경망은 이러한 입력값을 이용하여 출력값으로 에지강도를 계산해낸다.
이러한 NEE의 훈련과정은 Kenji Suzuki의 논문에 주어진 방식으로 이루어지며, 그 훈련의 결과는 원하는 에지향상을 위한 비선형 콘볼루션 커널이다. 이러한 훈련 과정을 통해 얻어진 NEE는 잡음이 많은 환경에서도 안정된 에지향상 효과를 제공하는 특징이 있다.
신경망 에지향상장치부(120)는 잡음영상에 대한 이러한 신경망 에지향상장치의 결과영상을 신경망에 입력한다.
잡음제거필터부(130)는 하나 이상의 잡음제거필터를 갖는다.
영상의 국부적인 특징과 잡음의 성질에 따라 적용되는 잡음제거필터의 종류가 여러 개일 수 있어 다양한 잡음을 효과적으로 제거하기 위하여 여러 종류의 잡음제거필터를 신경망에 연결하고, 잡음영상에 대한 이러한 다수 잡음제거필터의 결과영상을 신경망에 입력한다.
신경망부(140)는 잡음영상부(110)에서 생성된 잡음영상과, 잡음영상에 대한 신경망 에지향상장치부(120)의 결과영상과, 잡음영상에 대한 잡음제거필터부(130)의 결과영상을 입력받는다.
입력받은 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과영상과 잡음영상에 대한 다수 잡음제거필터의 결과영상이 신경망에서 결합되어 잡음이 없는 원본영상처럼 되도록 신경망의 학습을 통해 연결강도가 결정되고 이러한 연결강도는 반복적으로 갱신된다.
여기서, 신경망의 학습은 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과영상과 잡음영상에 대한 다수 잡음제거필터의 결과영상의 결합이 원본영상과 같아지도록 반복하여 신경망의 연결강도를 갱신하는 것을 의미하는 오류 역전파(error back-propagation) 방법에 의해 이루어진다.
상술한 구성의 본 발명의 신경망을 이용한 영상의 화질 개선 시스템을 이용한 영상의 화질 개선 방법은, 도 2에 도시한 바와 같이, 다양한 에지와 화소값들을 포함하도록 인공적으로 만들어진 원본영상에 잡음을 인가하여 잡음영상을 생성하는 단계(S110); 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과영상과 잡음영상에 대한 다수 잡음제거필터의 결과영상을 신경망에 입력하는 단계(S120); 잡음영상의 잡음을 제거했을 때 원본영상의 동일한 위치에서의 화소값과 같아지도록 신경망이 학습하며 신경망에서 연결강도가 결정되는 단계(S130); 연결강도가 결정된 신경망에서 잡음영상과 잡음영상에 대한 신경망 에지향상장치와 잡음영상에 대한 다수 잡음제거필터가 결합되어 이상적인 잡음제거필터를 생성하는 단계(S140);를 포함할 수 있다.
다양한 에지와 화소값들을 포함하도록 인공적으로 만들어진 원본영상에 잡음을 인가하여 잡음영상을 생성하는 단계(S110)에서는 신경망을 통해 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과와 잡음영상에 대한 다수 잡음제거필터들의 결과가 결합되어 원본영상과 같아지도록 만드는 학습 과정을 위해 잡음을 인공적으로 인가한다.
여기서, 잡음은 제거하고자 하는 모든 형태의 잡음 중 어느 하나를 인가한다.
다음으로, 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과영상과 잡음영상에 대한 다수 잡음제거필터의 결과영상을 신경망에 입력하는 단계(S120)에서는 영상의 국부적인 특징과 잡음의 성질에 따라 적용되는 잡음제거필터의 종류가 여러 개일 수 있어 다양한 잡음을 효과적으로 제거하기 위하여 여러 종류의 잡음제거필터를 신경망에 연결한다.
잡음영상에서 잡음이 없는 부분의 경우에는 필터링을 하지 않은 결과가 이상적이므로 잡음영상 자체도 연결한다.
에지향상장치는 영상의 에지가 있는 부분에서는 큰 응답을, 에지가 없는 평탄한 영역에서는 작은 응답을 보이는 장치를 의미한다.
본 발명에서 에지가 있는 영역과 그렇지 않은 평탄한 영역에서 서로 다른 필터를 적용하기 위해서는 이를 구분하기 위한 에지향상장치가 필요하므로 신경망 에지향상장치인 NEE(Neural Edge Enhancement)를 사용하였다.
NEE의 구조는 입력의 화소값과 출력에지 규모를 직접 조정할 수 있는 수정된 다층 신경회로망(NN:Neural Network)로 구성되어 있다. NEE의 수정된 다층 NN은 에지 향상을 위해 비선형 콘볼루션 커널(convolution kernel)이라 간주할 수 있다.
NEE의 동작은 다음과 같다. 입력 영역의 픽셀값이 정규화되어 NEE에 입력되면 NEE 신경망은 이러한 입력값을 이용하여 출력값으로 에지강도를 계산해낸다.
이러한 NEE의 훈련과정은 Kenji Suzuki의 논문에 주어진 방식으로 이루어지며, 그 훈련의 결과는 원하는 에지향상을 위한 비선형 콘볼루션 커널이다. 이러한 훈련 과정을 통해 얻어진 NEE는 잡음이 많은 환경에서도 안정된 에지향상 효과를 제공하는 특징이 있다.
다음으로, 잡음영상의 잡음을 제거했을 때 원본영상의 동일한 위치에서의 화소값과 같아지도록 신경망이 학습하며 신경망에서 연결강도가 결정되는 단계(S130)에서는 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과영상과 잡음영상에 대한 다수 잡음제거필터의 결과영상이 신경망에서 결합되어 잡음이 없는 원본영상처럼 되도록 신경망의 학습을 통해 연결강도가 결정되고 이러한 연결강도는 반복적으로 갱신된다.
여기서, 신경망의 학습은 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과영상과 잡음영상에 대한 다수 잡음제거필터의 결과영상의 결합이 원본영상과 같아지도록 반복하여 신경망의 연결강도를 갱신하는 것을 의미하는 오류 역전파(error back-propagation) 방법에 의해 이루어진다.
다음으로, 연결강도가 결정된 신경망에서 잡음영상과 잡음영상에 대한 신경망 에지향상장치와 잡음영상에 대한 다수 잡음제거필터가 결합되어 이상적인 잡음제거필터를 생성하는 단계(S140)에서는 영상의 국부적인 특징과 다양한 잡음의 성질에 따라 잡음영상과 신경망 에지향상장치와 다수 잡음제거필터의 결합이 이상적인 잡음제거 필터의 응답과 유사하도록 연결강도가 결정된 신경망을 통해 결합한다.
본 실시예에 따른 신경망을 이용한 영상의 화질 개선 방법은 영상의 국부적인 특징과 잡음의 성질에 따라 잡음영상과 잡음영상에 대한 신경망 에지향상장치의 결과영상과 잡음영상에 대한 다수 잡음제거필터의 결과영상을 입력으로 하는 신경망의 연결 강도를 결정해 이상적인 잡음 제거 필터를 생성하여 영상의 잡음을 제거함으로써 영상의 가독성을 높일 수 있다.
이상, 본 발명의 바람직한 실시예를 참조로 본 신경망을 이용한 영상의 화질 개선 시스템 및 방법에 대하여 설명하였지만, 본 발명의 권리범위는 상술한 실시예에 한정되지 않으며, 본 발명의 사상을 벗어나지 않는 범위 내에서 수정, 변경 및 다양한 변형실시예가 가능함은 당업자에게 명백하다.
100 : 신경망을 이용한 영상의 화질 개선 시스템
110 : 잡음영상 생성부
120 : 신경망 에지향상장치부
130 : 잡음제거필터부
140 : 신경망부
110 : 잡음영상 생성부
120 : 신경망 에지향상장치부
130 : 잡음제거필터부
140 : 신경망부
Claims (10)
- 다양한 에지와 화소값들을 포함하도록 인공적으로 만들어진 원본영상에 잡음을 인가하여 잡음영상을 생성하는 잡음영상 생성부;
상기 잡음영상을 입력받아 신경망 에지향상장치를 통해 상기 잡음영상에 대해 에지가 있는 부분에서는 큰 응답을, 에지가 없는 영역에서는 작은 응답을 보이는 결과영상을 얻는 신경망 에지향상장치부;
상기 잡음영상에 대한 다수 잡음제거필터의 결과영상을 얻는 잡음제거필터부; 및
상기 잡음영상, 상기 잡음영상에 대한 신경망 에지향상장치의 결과영상 및 상기 잡음영상에 대한 다수 잡음제거필터의 결과영상을 입력받고, 입력받은 상기 잡음영상, 상기 잡음영상에 대한 신경망 에지향상장치의 결과영상 및 상기 잡음영상에 대한 다수 잡음제거필터의 결과영상을 연결강도를 갱신하면서 결합하여, 상기 잡음이 없는 원본영상처럼 되도록 학습을 통해 연결강도를 결정하는 신경망부;를 포함하는 것을 특징으로 하는 신경망을 이용한 영상의 화질 개선 시스템.
- 청구항 1에 있어서,
상기 잡음영상 생성부에서 인가하는 잡음은 제거하고자 하는 모든 형태의 잡음을 포함하는 것을 특징으로 하는 신경망을 이용한 영상의 화질 개선 시스템.
- 청구항 1에 있어서,
상기 신경망 에지향상장치부의 신경망 에지향상장치는 영상의 에지가 있는 부분에서는 큰 응답을, 에지가 없는 평탄한 영역에서는 작은 응답을 나타내는 것을 특징으로 하는 신경망을 이용한 영상의 화질 개선 시스템.
- 청구항 1에 있어서,
상기 잡음제거필터부는 영상의 국부적인 특징과 잡음의 성질에 따라 적용되는 여러 종류의 다수 잡음제거필터를 갖는 것을 특징으로 하는 신경망을 이용한 영상의 화질 개선 시스템.
- 다양한 에지와 화소값들을 포함하도록 인공적으로 만들어진 원본영상에 잡음을 인가하여 잡음영상을 생성하는 단계;
상기 잡음영상, 상기 잡음영상에 대한 신경망 에지향상장치의 결과영상 및 상기 잡음영상에 대한 다수 잡음제거필터의 결과영상을 신경망에 입력하는 단계;
상기 잡음영상의 잡음을 제거했을 때 상기 원본영상의 동일한 위치에서의 화소값과 같아지도록 상기 신경망이 학습하며 상기 신경망에서 연결강도가 결정되는 단계;
상기 연결강도가 결정된 신경망에서 상기 잡음영상, 상기 잡음영상에 대한 신경망 에지향상장치의 결과영상 및 상기 잡음영상에 대한 다수 잡음제거필터의 결과영상이 결합되어 이상적인 잡음제거필터를 생성하는 단계;를 포함하는 신경망을 이용한 영상의 화질 개선 방법.
- 청구항 5에 있어서,
상기 잡음영상 생성 단계에서,
잡음은 제거하고자 하는 모든 형태의 잡음 중 어느 하나를 인가하는 것을 특징으로 하는 신경망을 이용한 영상의 화질 개선 방법.
- 청구항 5에 있어서,
상기 잡음영상과 상기 잡음영상에 대한 신경망 에지향상장치의 결과영상과 상기 잡음영상에 대한 다수 잡음제거필터의 결과영상을 신경망에 입력하는 단계에서,
영상의 국부적인 특징과 잡음의 성질에 따라 적용되는 상기 잡음 제거 필터의 종류가 여러 개일 수 있어 다양한 잡음을 효과적으로 제거하기 위하여 여러 종류의 잡음 제거 필터를 신경망에 연결하는 것을 특징으로 하는 신경망을 이용한 영상의 화질 개선 방법.
- 청구항 5에 있어서,
신경망이 학습하며 신경망에서 연결강도가 결정되는 단계에서,
상기 잡음영상과 상기 잡음영상에 대한 신경망 에지향상장치의 결과영상과 상기 잡음영상에 대한 다수 잡음제거필터의 결과영상이 상기 신경망에서 결합되어 잡음이 없는 상기 원본영상처럼 되도록 상기 신경망을 통해 연결강도가 결정되고 이러한 연결강도는 반복적으로 갱신되는 것을 특징으로 하는 신경망을 이용한 영상의 화질 개선 방법.
- 청구항 8에 있어서,
상기 신경망은 오류 역전파(error back-propagation) 방법에 의해 학습하는 것을 특징으로 하는 신경망을 이용한 영상의 화질 개선 방법.
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020130068402A KR101558653B1 (ko) | 2013-06-14 | 2013-06-14 | 신경망을 이용한 영상의 화질 개선 시스템 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020130068402A KR101558653B1 (ko) | 2013-06-14 | 2013-06-14 | 신경망을 이용한 영상의 화질 개선 시스템 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20140145801A KR20140145801A (ko) | 2014-12-24 |
KR101558653B1 true KR101558653B1 (ko) | 2015-10-08 |
Family
ID=52675427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020130068402A KR101558653B1 (ko) | 2013-06-14 | 2013-06-14 | 신경망을 이용한 영상의 화질 개선 시스템 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101558653B1 (ko) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019168332A1 (ko) * | 2018-02-27 | 2019-09-06 | 엘지전자 주식회사 | 신호 처리 장치 및 이를 구비하는 영상표시장치 |
US10719741B2 (en) | 2017-02-10 | 2020-07-21 | Electronics And Telecommunications Research Institute | Sensory information providing apparatus, video analysis engine, and method thereof |
US11373280B2 (en) | 2019-05-16 | 2022-06-28 | Samsung Electronics Co., Ltd. | Electronic device and method of training a learning model for contrast ratio of an image |
KR20220103370A (ko) * | 2021-01-15 | 2022-07-22 | 성균관대학교산학협력단 | 노이즈 필터를 이용한 이상치 탐지 방법 및 장치 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101880035B1 (ko) * | 2015-09-24 | 2018-07-19 | 주식회사 뷰노 | 영상 생성 방법 및 장치, 및 영상 분석 방법 |
KR102494139B1 (ko) | 2015-11-06 | 2023-01-31 | 삼성전자주식회사 | 뉴럴 네트워크 학습 장치 및 방법과, 음성 인식 장치 및 방법 |
KR102627646B1 (ko) | 2018-10-23 | 2024-01-19 | 엘지전자 주식회사 | 신호 처리 장치 및 이를 구비하는 영상표시장치 |
KR102063492B1 (ko) | 2018-11-30 | 2020-01-08 | 아주대학교산학협력단 | 기계학습용 의료 영상 데이터의 학습 노이즈 필터링 방법 및 그 시스템 |
KR102510881B1 (ko) * | 2020-07-01 | 2023-03-16 | 주식회사 딥브레인에이아이 | 신경망 기반의 특징점 학습 장치 및 방법 |
KR102381914B1 (ko) * | 2020-10-21 | 2022-03-31 | 아주대학교산학협력단 | 이미지 복원 방법 및 장치 |
CN112862700B (zh) * | 2021-01-16 | 2023-10-27 | 西北工业大学 | 一种基于噪声注意力的高光谱遥感图像盲去噪方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010062956A (ja) | 2008-09-04 | 2010-03-18 | Japan Science & Technology Agency | フィルタリング処理装置及びフィルタリング処理方法 |
-
2013
- 2013-06-14 KR KR1020130068402A patent/KR101558653B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010062956A (ja) | 2008-09-04 | 2010-03-18 | Japan Science & Technology Agency | フィルタリング処理装置及びフィルタリング処理方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10719741B2 (en) | 2017-02-10 | 2020-07-21 | Electronics And Telecommunications Research Institute | Sensory information providing apparatus, video analysis engine, and method thereof |
WO2019168332A1 (ko) * | 2018-02-27 | 2019-09-06 | 엘지전자 주식회사 | 신호 처리 장치 및 이를 구비하는 영상표시장치 |
US11373280B2 (en) | 2019-05-16 | 2022-06-28 | Samsung Electronics Co., Ltd. | Electronic device and method of training a learning model for contrast ratio of an image |
KR20220103370A (ko) * | 2021-01-15 | 2022-07-22 | 성균관대학교산학협력단 | 노이즈 필터를 이용한 이상치 탐지 방법 및 장치 |
KR102546340B1 (ko) | 2021-01-15 | 2023-06-22 | 성균관대학교산학협력단 | 노이즈 필터를 이용한 이상치 탐지 방법 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
KR20140145801A (ko) | 2014-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101558653B1 (ko) | 신경망을 이용한 영상의 화질 개선 시스템 및 방법 | |
KR101552894B1 (ko) | 색 강화 방법 및 장치 | |
JP2017091529A (ja) | ノイジーな画像をアップスケーリングする方法、及びノイジーな画像をアップスケーリングする装置 | |
EP2993642A1 (en) | Method and apparatus for generating sharp image based on blurry image | |
JP2020144489A5 (ko) | ||
CN101706954A (zh) | 图像增强方法和装置以及图像低频分量计算方法和装置 | |
JP2007018379A (ja) | 画像処理方法及び画像処理装置 | |
US7826678B2 (en) | Adaptive image sharpening method | |
Trambadia et al. | Design and analysis of an image restoration using wiener filter with a quality based hybrid algorithms | |
US8687885B2 (en) | Methods for reducing row and column patterns in a digital image | |
Patel et al. | A study of digital image filtering techniques in spatial image processing | |
JP2009271725A (ja) | 画像復元装置、画像復元方法及び画像復元プログラム | |
CN107025641A (zh) | 基于对比度分析的图像融合方法 | |
JP2015166979A (ja) | 画像処理方法、画像処理装置、撮像装置および画像処理プログラム | |
CN111325671A (zh) | 网络训练方法、装置、图像处理方法及电子设备 | |
CN111415317A (zh) | 图像处理方法及装置、电子设备、计算机可读存储介质 | |
Son et al. | Iterative inverse halftoning based on texture-enhancing deconvolution and error-compensating feedback | |
JP2021086284A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
JP2006311378A (ja) | 画像処理装置及び画像処理方法 | |
Xu et al. | A universal impulse noise filter with an impulse detector and nonlocal means | |
Singh et al. | Restoration of degraded gray images using genetic algorithm | |
JP6121013B2 (ja) | 画像処理装置及び画像処理方法 | |
JP5855210B2 (ja) | 情報処理装置、ライン状ノイズ低減処理方法、及びプログラム | |
Tanikawa et al. | Image restoration based on weighted average of multiple blurred and noisy images | |
EP2309448A1 (en) | Local image contrast enhancement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E90F | Notification of reason for final refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20180920 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20191001 Year of fee payment: 5 |