KR102494123B1 - 이미지 센서, 카메라 모듈 및 카메라 모듈을 포함하는 광학 기기 - Google Patents
이미지 센서, 카메라 모듈 및 카메라 모듈을 포함하는 광학 기기 Download PDFInfo
- Publication number
- KR102494123B1 KR102494123B1 KR1020220032775A KR20220032775A KR102494123B1 KR 102494123 B1 KR102494123 B1 KR 102494123B1 KR 1020220032775 A KR1020220032775 A KR 1020220032775A KR 20220032775 A KR20220032775 A KR 20220032775A KR 102494123 B1 KR102494123 B1 KR 102494123B1
- Authority
- KR
- South Korea
- Prior art keywords
- image data
- image
- processor
- sensing unit
- bayer pattern
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
- H04N25/40—Extracting pixel data from image sensors by controlling scanning circuits, e.g. by modifying the number of pixels sampled or to be sampled
- H04N25/44—Extracting pixel data from image sensors by controlling scanning circuits, e.g. by modifying the number of pixels sampled or to be sampled by partially reading an SSIS array
- H04N25/443—Extracting pixel data from image sensors by controlling scanning circuits, e.g. by modifying the number of pixels sampled or to be sampled by partially reading an SSIS array by reading pixels from selected 2D regions of the array, e.g. for windowing or digital zooming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/50—Constructional details
- H04N23/54—Mounting of pick-up tubes, electronic image sensors, deviation or focusing coils
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/67—Focus control based on electronic image sensor signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
- H04N23/84—Camera processing pipelines; Components thereof for processing colour signals
- H04N23/843—Demosaicing, e.g. interpolating colour pixel values
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Studio Devices (AREA)
Abstract
일 실시예에 이미지 센서는 광을 수신하여 제1해상도를 가지는 제1베이어 패턴(Bayer Pattern)을 생성하는 이미지 센싱부 및 상기 이미지 센싱부로부터 상기 제1베이어 패턴의 적어도 일부인 제2베이어 패턴을 수신한 후, 수신한 상기 제2베이어 패턴을 기초로 상기 제2 베이어 패턴보다 높은 해상도를 가지는 제3베이퍼 패턴을 생성하는 프로세서를 포함할 수 있다.
Description
본 발명은 이미지 센서, 카메라 모듈 및 카메라 모듈을 포함하는 광학 기기에 관한 발명으로서, 보다 구체적으로는 이미지 센서에 포함되어 있는 별도의 프로세서를 이용하여 선 영상처리를 수행하는 기술에 관할 발명이다.
기술이 발전함에 따라 카메라 장치의 소형화가 가능해지자, 소형 카메라 장치는 스마트폰을 비롯한 휴대폰이나 PDA 등 다양한 IT 기기에 적용되어 사용되고 있다. 이러한 카메라 장치는 CCD나 CMOS 등의 이미지 센서를 주요 부품으로 제작되고 있으며, 화상의 크기를 조절하기 위하여 초점 조정이 가능하도록 제조되고 있다.
이러한 카메라 장치는 복수의 렌즈와 액추에이터(Actuator)를 포함하여 구성이 되며, 액추에이터가 각각의 렌즈를 이동시켜 그 상대적인 거리를 변화시킴으로써 광학적인 초점 거리가 조절되는 방식으로 대상체에 대한 물체를 촬영할 수 있다.
구체적으로 카메라 장치는 외부에선 수신한 광 신호를 전기 신호로 변환하는 이미지 센서와 이미지 센서로 광을 집광시키는 렌즈와 IR(Infrared) 필터, 이들을 내부에 포함하는 하우징 및 이미지 센서의 신호를 처리하는 인쇄회로기판을 등을 포함하고 있으며, 액추에이터는 VCM(Voice Coil Motor) 액추에이터 또는 MEMS(Micro Electromechanical Systems) 액추에이터 등의 액추에이터에 의해 렌즈의 초점 거리가 조절된다.
한편, 기술이 발전에 의해 해상도가 높은 이미지의 구현이 가능해짐에 따라, 멀리 있는 대상체를 촬영한 이미지를 고해상도로 구현할 수 있는 기술에 대한 요구 또한 늘어나고 있다.
일반적으로 카메라는 멀리 있는 대상체를 촬영하기 위해 줌(Zoom) 기능이 탑재되어 있는데, 줌 기능은 크게 카메라 내부의 실제 렌즈가 이동하여 대상체를 확대하는 광학줌과, 대상체를 촬영한 화상 데이터의 일부 화면을 디지털 처리 방식으로 확대 표시하여 줌 효과를 얻는 디지털 줌 방식으로 나뉘어진다.
렌즈의 이동을 이용하여 대상체에 대한 이미지를 얻는 광학 줌의 경우 비교적 높은 해상도를 가지는 이미지를 획득할 수 있으나, 이는 카메라 내부의 구조가 복잡해지고 부품 추가로 인해 비용이 증가하는 문제가 존재한다. 또한, 광학 줌을 이용하여 대상체를 확대할 수 있는 영역은 한계가 있어서, 이러한 부분에 대해서는 소프트웨어로 보정을 하는 기술 등이 개발되고 있다.
이러한 방법 이 외에도, 보이스 코일 모터(VCM, Voice Coil Motor) 또는 MEMS(Micro-Electro Mechanical Systems) 기술로 센서를 흔드는 센서 시프트(Shift) 기술, 렌즈를 VCM 등으로 흔들어서 픽셀 정보를 얻는 OIS(Optical Image Stabilizer) 기술, 센서와 렌즈 사이의 필터(Filter)를 흔드는 기술 등 카메라 내부의 부품을 움직이는 방식으로 픽셀 정보를 더 많이 생성하여 고해상도 이미지를 구현하는 기술들이 존재한다.
그러나 이러한 기술들의 단점은 여러 시차의 데이터를 합성하기 때문에 움직이는 물체를 촬영한 경우, 모션 블러(Motion Blur)나, 아티팩트(Artifact)와 같은 현상들이 발생할 수 있어 이로 인해 이미지의 화질을 저하시키는 문제가 발생할 수 있다.
반면, TV에서 일반적으로 사용되고 있는 소프트웨어 알고리즘을 이용한 고해상도 구현 기술은 싱글 프레임 SR (Single-Frame Super Resolution) 또는 멀티 프레임 SR(Multi-frame Super Resolution) 기술 등이 존재한다.
이러한 기술의 경우 아티팩트(Artifact) 문제는 발생하지는 않지만, 모바일, 차량, IoT 등 소형 카메라 장치가 적용될 수 있는 장치에는 적용하기 어려운 알고리즘이며, 또한 이러한 기술을 구현하기 위해서는 별도의 이미지 프로세서가 필요하다.
그러나 이러한 합성 알고리즘을 수행을 하기 위한 소프트웨어는 일반적으로 처리해야 하는 데이터의 양이 많기 때문에 AP(Application Processor)에서도 실시간으로 처리하기 어려운 문제점이 존재하였으며, 설사 AP가 이러한 기능을 수행할 수 있었어도 이러한 AP는 가격이 비싸 제조 단가가 증가하는 문제점이 존재하였다.
따라서, 본 발명은 전술한 바와 같이 종래 기술이 가지고 있던 문제점을 해결하기 위해 고안된 발명으로서, AP에서 처리하는 영상 처리의 적어도 일부분을 이미지 센서에 탑재되어 있는 별도의 프로세서를 이용하여 전처리를 수행함으로써, 고가의 AP를 탑재하지 않아도 동일한 기능을 수행할 수 있는 카메라 모듈 및 이를 포함하는 광학 기기를 제공하기 위함이다.
또한, AP에서 영상 처리를 하기 전에 이미지 센서로부터 수신한 베이어 패턴에 대한 정보를 기초로 외부로 출력해야 하는 영상에 대한 전처리를 수행함으로써, AP가 처리해야 하는 부담을 줄일 수 있는 카메라 모듈 및 이를 포함하는 광학 기기를 제공하기 위함이다.
일 실시예에 따른 이미지 센서는 광을 수신하여 제1해상도를 가지는 제1베이어 패턴(Bayer Pattern)을 생성하는 이미지 센싱부 및 상기 이미지 센싱부로부터 상기 제1베이어 패턴의 적어도 일부인 제2베이어 패턴을 수신한 후, 수신한 상기 제2베이어 패턴을 기초로 상기 제2 베이어 패턴보다 높은 해상도를 가지는 제3베이퍼 패턴을 생성하는 프로세서를 포함할 수 있다.
상기 이미지 센싱부로부터 상기 제1베이어 패턴을 수신한 후, 상기 제1베이어 패턴의 적어도 일부를 분해(Decomposition) 또는 재배열(Re-arrange)하여 상기 제2베이어 패턴을 생성하는 정렬부;를 포함하는 이미지 센서.
상기 프로세서는 상기 정렬부로부터 수신한 상기 제2베이어 패턴을 기초로 상기 제3베이어 패턴을 생성할 수 있다.
상기 프로세서는, 상기 제1베이어 패턴에 대해 SR(Super Resolution) 또는 줌(Zoom)을 실시하여 상기 제2 베이어 패턴을 출력할 수 있다.
상기 프로세서는 딥 러닝(Deep-Learning)을 수행하여 획득된 알고리즘에 기초해 상기 제2 베이어 패턴에 대한 영상 처리를 실시하여 상기 제3 베이어 패턴을 출력할 수 있다.
다른 실시예에 따른 카메라 모듈은 광을 수신하여 제1해상도를 가지는 제1베이어 패턴(Bayer Pattern)을 생성하는 이미지 센싱부 및 상기 이미지 센싱부로부터 상기 제1베이어 패턴의 적어도 일부인 제2베이어 패턴을 수신한 후, 수신한 상기 제2베이어 패턴을 기초로 상기 제2 베이어 패턴보다 높은 해상도를 가지는 제3베이퍼 패턴을 생성하는 프로세서를 포함할 수 있다.
상기 카메라 모듈은 이미지 센싱부로부터 상기 제1베이어 패턴을 수신한 후, 상기 제1베이어 패턴의 적어도 일부를 분해(Decomposition) 또는 재배열(Re-arrange)하여 상기 제2베이어 패턴을 생성하는 정렬부를 포함할 수 있다.
상기 프로세서는, 상기 정렬부로부터 수신한 상기 제2베이어 패턴을 기초로 상기 제3베이어 패턴을 생성할 수 있다.
상기 프로세서는, 딥 러닝(Deep-Learning)을 수행하여 획득된 알고리즘에 기초해 상기 제2 베이어 패턴에 대한 영상 처리를 실시하여 상기 제3 베이어 패턴을 출력할 수 있다.
또 다른 실시예에 따른 광학 기기는, 광을 수신하여 제1해상도를 가지는 제1베이어 패턴(Bayer Pattern)을 생성하는 이미지 센싱부,상기 이미지 센서로부터 출력되는 영상 정보를 수신하는 AP(Application Processor) 및 상기 제1베이어 패턴의 적어도 일부인 제2베이어 패턴을 기초로, 상기 제2 베이어 패턴보다 높은 해상도를 가지는 제3베이퍼 패턴을 생성하는 프로세서를 포함하고 상기 영상 정보는 상기 제3베이어 패턴에 대응되는 정보를 포함할 수 있다.
상기 프로세서는, 상기 AP로부터 상기 영상 정보를 수신한 후, 수신한 상기 영상 정보를 기초로 상기 제1베이어 패턴에서 상기 제2베이어 패턴으로 설정할 범위를 설정하고 설정된 범위를 기초로 상기 제3베이어 패턴을 생성할 수 있다.
상기 프로세서는, 상기 제3베이어 패턴을 상기 AP로 출력할 수 있다.
상기 영상 정보는 상기 제1베이어 패턴에 대한 줌(Zoom) 정보를 포함하고 상기 프로세서는, 상기 줌에 대한 정보에 기초로 상기 제2베이퍼 배턴의 범위를 설정할 수 있다.
상기 광학 기긱는 외부로 영상을 표시하는 디스플레이를 더 포함하고 상기 제2베이퍼 패턴의 범위는 상기 디스플레이에 의해 표시되는 영역에 대응될 수 있다.
상기 프로세서는 상기 AP와 별도로 카메라 모듈 내부에 독립적으로 실장될 수 있다.
일 실시예에 따른 이미지 센서, 카메라 모듈 및 이를 포함하는 광학 기기는 AP에서 처리하는 영상 처리의 일부분을 이미지 센서에 탑재되어 있는 별도의 프로세서를 이용하여 수행함으로써, 고가의 AP를 장착하지 않아도 효율적으로 영상처리를 할 수 있는바 비교적 경제적으로 카메라 모듈 및 이를 포함하는 광학 기기를 제조할 수 있는 효과가 존재한다.
또한, 네트워크 구성은 최적화시키는 방식으로 고해상도 이미지를 생성하므로 비교적 크기가 작은 소형 칩(Chip)으로 구현될 수 있으며, 본 기술이 적용된 칩을 카메라 장치에 탑재하는 방식으로 본 기술의 실시가 가능하므로, 줌 기능이 없는 카메라 장치 또는 특정 배율에 대한 고정 줌만 지원하는 카메라 장치에 본 기술을 적용시켜 연속 줌 기능을 사용할 수 있다.
또한, 전처리를 수행하는 프로세서는 딥러닝 과정을 통해 최적으로 영상 처리를 수행할 수 있는 알고리즘을 이용하여 AP가 수행하는 일부 기능을 대신 수행할 수 있어, AP가 실시간으로 처리해야 하는 데이터의 양을 줄일 수 있고 이에 따라, AP의 소비전력을 낮추고, AP를 원활하게 작동시킬 수 있는 효과가 존재한다.
도 1은 일 실시예에 따른 이미지 센서의 일부 구성 요소를 도시한 블록도이다.
도 2는 일 실시예에 따른 딥 러닝 트레이닝의 수행 과정을 도시한 도면이다.
도 3은 일 실시예에 따른 프로세서를 통과한 제3베이어 패턴을 가지고 있는 이미지를 도시한 도면이다.
도4는 다른 실시예에 따른 광학 기기의 일부 구성 요소를 도시한 블럭도이다.
도5는 다른 실시예에 따른 이미지 센서의 일부 구성 요소를 도시한 블록도이다.
도6은 다른 실시예에 따른 이미지 센서의 일부 구성 요소를 도시한 블럭도이다.
도 7은 일 실시예에 따른 광학 기기의 제어 방법을 도시한 순서도이다.
도 2는 일 실시예에 따른 딥 러닝 트레이닝의 수행 과정을 도시한 도면이다.
도 3은 일 실시예에 따른 프로세서를 통과한 제3베이어 패턴을 가지고 있는 이미지를 도시한 도면이다.
도4는 다른 실시예에 따른 광학 기기의 일부 구성 요소를 도시한 블럭도이다.
도5는 다른 실시예에 따른 이미지 센서의 일부 구성 요소를 도시한 블록도이다.
도6은 다른 실시예에 따른 이미지 센서의 일부 구성 요소를 도시한 블럭도이다.
도 7은 일 실시예에 따른 광학 기기의 제어 방법을 도시한 순서도이다.
본 명세서에 기재된 실시 예와 도면에 도시된 구성은 개시된 발명의 바람직한 일 예이며, 본 출원의 출원 시점에 있어서 본 명세서의 실시 예와 도면을 대체할 수 있는 다양한 변형 예들이 있을 수 있다.
또한, 본 명세서에서 사용한 용어는 실시 예를 설명하기 위해 사용된 것으로, 개시된 발명을 제한 및/또는 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 명세서에서, "포함하다", "구비하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않으며, 본 명세서에서 사용한 "제 1", "제 2" 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되지는 않는다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
도 1은 일 실시예에 따른 이미지 센서(200)의 일부 구성 요소를 도시한 블럭도이다.
도 1을 참조하면, 일 실시예에 다른 이미지 센서(200)는 외부 대상체에 대한 이미지를 획득하는 이미지 센싱부(210)와 이미지 센싱부(210)가 취득한 이미지를 정렬 또는 합성해서 새로운 이미지를 생성하는 정렬부(220) 및 정렬부(220)로부터 수신한 이미지를 기초로 딥 러닝을 수행하는 프로세서(230)를 포함할 수 있다.
이미지 센싱부(210)는 카메라 모듈(100)에 실장되어 있는 렌즈(120)를 통해 들어오는 빛을 전기 신호로 변화하는 장치를 포함할 수 있다. 구체적으로, 센싱부(210)는 CMOS(Complementary Metal Oxide Semiconductor) 또는 CCD(Charge Coupled Device)와 같은 여러 종류의 이미지 센서를 포함할 수 있다.
구체적으로 이미지 센싱부(210)는 렌즈(120)를 통해서 얻은 정보를 기초로 제1해상도를 가지는 제1 베이어 패턴(Bayer Pattern)을 생성하고 생성된 제1베이어 패턴을 정렬부(220)로 송신할 수 있다.
통상적인 카메라 장치 혹은 카메라 장치는 이미지 센서로부터 베이어 패턴을 전달받아 색을 입히는 과정(색 보간 과정, Color Interpolation 혹은 Demosaicing)을 거쳐 이미지 형태의 데이터를 출력할 수 있는데, 여기서 베이어 패턴이란 카메라 모듈(100) 또는 카메라 모듈(100)에 포함된 광 신호를 전기 신호로 변환하는 이미지 센싱부(210)가 출력하는 가공되지 않은 데이터(Raw Data)를 의미한다.
이에 대해 구체적으로 설명하면, 카메라 모듈(100)에 포함된 렌즈(120)를 통해 전달되는 광 신호는 이미지 센서에 배치된 R, G, B 색상을 검출할 수 있는 화소를 통해 전기 신호로 변환될 수 있다. 예를 들어, 카메라 모듈(100)의 사양이 500만 화소라고 한다면, R, G, B 색상을 감지할 수 있는 화소가 500만개 포함된 이미지 센서가 포함되어 있다고 볼 수 있다.
그리고 이미지 센서의 화소 수가 500만개인 경우 실제로 각각의 확소가 모든 색(color)을 감지하는 것이 아니라 흑백의 밝기만을 감지하는 단색(monochrome) 화소가 R, G, B 필터 중 어느 하나와 결합되어 있는 것으로 볼 수 있다. 즉, 이미지 센서는 화소수 만큼 배열된 단색 화소 셀들 위에 R, G, B 색상 필터들이 특정한 패턴을 가지고 배치되어 있다.
따라서, R, G, B 색상 패턴이 사용자(즉, 인간)의 시각 특성에 따라 교차하며 배치되는데 이를 베이어 패턴(Bayer Pattern)이라고 부른다.
일반적으로 베이어 패턴은 이미지 형태의 데이터 보다 데이터의 양이 작다. 따라서, 고사양의 프로세서를 가지고 있지 않은 카메라 장치가 장착된 장치라 하더라도 이미지 형태의 데이터보다 비교적 빠르게 베이어 패턴의 이미지 정보를 전송하고 수신할 수 있으며, 이를 기초로 다양한 해상도를 가지는 이미지로 변환시킬 수 있는 장점이 존재한다.
일 예로, 카메라 장치가 차량에 탑재되어, 카메라 장치가100Mbit/s 의 전이중(Full-duplex) 전송 속도를 가지는 저전압 차등 신호 방식(LVDS)이 이용되는 환경 내에서도 이미지 처리를 하는데 많은 프로세서가 필요하지 않아 과부하가 걸리지 않아 차량을 이용하는 운전자 또는 운전자의 안전에 위해가 되지 않을 수 있다.
또한, 차량 내 통신망에 의해 전달되는 데이터의 크기를 줄일 수 있어 자율 주행 차량에 적용하더라도 차량에 배치된 복수의 카메라의 작동에 따른 통신 방식, 통신 속도 등에 의해 발생하는 문제를 제거할 수 있는 효과가 존재한다.
다시 도1로 돌아와 이미지 센서(200)에 대해 설명하면 정렬부(220)는 이미지 센싱부(210)가 취득한 이미지를 정렬 또는 합성해서 새로운 이미지를 생성할 수 있다.
구체적으로 정렬부(220)는 이미지 센싱부(210)로부터 제1베이어 패턴을 수신한 후, 제1베이어 패턴의 전부 또는 일부를 분해(Decomposition) 또는 재배열(Re-arrange)하여 제2베이어 패턴을 생성하고 생성된 제2베이어 패턴을 프로세서(230)로 송신할 수 있다. 따라서, 제2베이어 패턴은 제1베이어 패턴과 동일하거나 그 보다 작은 사이즈를 가질 수 있다.
일반적으로 영상 처리를 하는 경우, 사용자가 원하지 않은 영역은 제외하고 사용자가 원하는 영역에 대해서만 영상 처리를 실시하는 것이 시스템의 과부하를 줄이고 효율적으로 영상처리를 수행할 수 있다.
따라서, 정렬부(220)는 이미지 센싱부(210)로부터 수신한 제1베이어 패턴 중에서 영상 처리를 실시해야 하는 영역에 대해서만 프로세서(230)가 영상 처리를 실시할 수 있도록 제1베이어 패턴의 적어도 일부를 분해(Decomposition) 또는 재배열(Re-arrange)하여 제2베이어 패턴을 생성하고 생성된 제2베이어 패턴을 프로세서(230)로 송신할 수 있다.
그리고 정렬부(220)는 베이어 패턴의 해상도는 변하지 않으므로 일반적으로 제1베이어 패턴과 제2베이어 패턴의 해상도는 동일한 해상도를 가지고 있는 것으로 볼 수 있다.
프로세서(230)는 이미지 센싱부(210)로부터 제1베이어 패턴의 적어도 일부인 제2베이어 패턴을 수신한 후, 수신한 제2베이어 패턴을 기초로 하여 상기 제2 베이어 패턴보다 높은 해상도를 가지는 제3베이어 패턴을 생성할 수 있다.
구체적으로, 프로세서(230)는 딥 러닝(Deep Learning) 트레이닝에 의해 생성된 알고리즘을 이용하여 이미지 센싱부(210)로부터 수신한 제1해상도를 가지는 제2베이어 패턴을 제1베이어 패턴보다 높은 해상도를 가지는 제3해상도 값을 가지는 제3베이어 패턴을 생성할 수 있으며, 제3베이어 패턴의 해상도의 값은 사용자의 목적에 따라 사용자가 자유롭게 설정 변경할 수 있다.
또한, 프로세서(230)는 수신한 제1베이어 패턴에 대해 SR(Super Resolution) 또는 줌(Zoom)을 실시하여 이에 기초한 제2 베이어 패턴을 생성할 수 도 있다.
따라서, 일 실시예에 따른 이미지 센서(200) 또는 카메라 모듈(100)은 도면에는 도시하지 않았으나 제3베이어 패턴에 대한 정보를 입력 받는 입력부를 더 포함할 수 있으며, 사용자는 이를 통해 원하는 해상도에 대한 정보를 이미지 센서(200) 또는 카메라 모듈(100)로 전송할 수 있다.
예를 들어, 사용자는 해상도가 높은 이미지를 얻고 싶은 경우, 제3해상도를 제1해상도와 차이가 많이 존재하는 해상도로 설정할 수 있으며, 비교적 빠른 시간 내에 새로운 이미지를 취득하고 싶은 경우, 제1해상도와 해상도의 차이가 많이 나지 않은 해상도로 제3해상도 값을 자유롭게 설정할 수 있다.
도 1에서는 정렬부(220)와 프로세서(230)를 별도의 구성 요소로 도시하였지만 이에 한정되는 것은 아니고 정렬부(220)가 하는 역할을 프로세서(230)가 동시에 수행할 수 도 있다.
또한, 프로세서(230)는 프로세서를 통해 실행되는 적어도 하나의 프로그램 명령이 저장된 메모리(Memory, 미도시)를 통해 구현될 수 있다.
구체적으로, 메모리는 S램, D랩 등의 휘발성 메모리를 포함할 수 있다. 다만, 이에 한정되는 것은 아니며, 경우에 따라서 메모리는 플래시 메모리, 롬(Read Only Memory), 이피롬(Erasable Programmable Read Only Memory: EPROM), 이이피롬(Electrically Erasable Programmable Read Only Memory: EEPROM) 등의 비휘발성 메모리를 포함할 수도 있다.
지금까지 일 실시예에 따른 이미지 센서(200)의 일반적인 구성 요소에 대해 알아보았다. 이하 프로세서(230)에 적용되는 알고리즘의 생성 방법 및 특징에 대해 알아본다.
일 실시예에 따른 이미지 센서(200)의 프로세서(230)에 적용되는 알고리즘은, 입력된 이미지의 해상도보다 더 높은 해상도를 가지는 이미지를 생성하는 알고리즘으로서, 딥 러닝 트레이닝을 반복적으로 수행하여 생성된 최적의 알고리즘을 의미할 수 있다.
딥 러닝이란, 심층 학습으로 표현되기도 하는데, 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계 학습(machine learning)에 관한 알고리즘의 집합을 의미한다.
구체적으로, 딥 러닝은 어떠한 학습 데이터를 컴퓨터가 이해할 수 있는 형태(예를 들어 이미지의 경우는 픽셀(Pixel)정보를 열 벡터로 표현하는 등)로 표현(Representation)하고 이를 학습에 적용하기 위해 많은 연구(어떻게 하면 더 좋은 표현기법을 만들고 또 어떻게 이것들을 학습할 모델을 만들지에 대한)에 대한 학습 기법으로, DNN(Deep Neural Networks) 및 DBN(Deep Belief Networks)등의 학습 기법을 포함할 수 있다.
일 예로, 딥 러닝은 먼저 주변 환경을 인지하고 현재 환경 상태를 프로세서에 전달할 수 있다. 프로세서는 이에 맞는 행동(Action)을 수행하고 환경은 다시 그 행동에 따른 보상치를 프로세서에게 알려준다. 그리고 프로세서는 보상치를 최대로 하는 행동을 택하게 된다. 이러한 과정에 통해 학습 과정이 반복적으로 진행될 수 있다.
앞서 설명한대로 딥 러닝을 수행 하면서 이용되는 학습 데이터는, 실제 해상도가 낮은 베이어 이미지를 해상도가 높은 베이어 이미지로 변환해 가면서 얻은 결과일 수도 있으며, 시뮬레이션을 통해 얻은 정보일 수도 있다.
만약, 시뮬레이션 과정을 수행하는 경우 시뮬레이션의 환경에 맞추어(이미지의 배경, 색상의 종류 등) 조정함으로써 보다 빠르게 데이터를 획득할 수 있다. 이하 도 3과 도 4를 통해 일 실시예에 따른 프로세서(230)에 적용되는 알고리즘이 생성되는 방법에 대해 구체적으로 알아본다.
도 3은 일 실시예에 따른 딥 러닝 트레이닝의 수행 과정을 도시한 도면이고, 도 4는 일 실시예에 따른 프로세서를 통과한 제3베이어 패턴을 가지고 있는 이미지를 도시한 도면이다.
도 3의 딥 러닝은 심층 신경망(Deep Neural Network, DNN) 알고리즘이 적용된 딥 러닝으로서, DNN 알고리즘이 적용됨에 따라 새로운 해상도를 가지는 이미지를 생성하는 과정을 도시한 도면이다.
심층 신경망(DNN)은 입력층(input layer)과 출력층(output layer) 사이에 다중의 은닉층(hidden layer)이 존재하는 심층(deep) 신경망, 동물의 시각 피질의 구조와 유사하게 뉴런 사이의 연결 패턴을 형성하는 컨볼루션(convolutional) 신경망, 시간에 따라 매순간마다 신경망을 쌓아 올리는 재귀(recurrent) 신경망으로 구체화될 수 있다.
구체적으로 DNN은 컨볼루션(Convolution)과 서브 샘플링(Sub-Sampling)을 반복하여 데이터의 양을 줄이고, 왜곡시켜 신경망을 분류한다. 즉, DNN은 특징 추출과 분류 행위를 통해 부류 결과를 출력하는데, 주로 이미지를 분석하는데 사용되며, 컨볼루션은 영상 필터링을 의미한다.
도 3을 참조하여 DNN 알고리즘이 적용된 프로세서(230)가 수행하는 과정을 설명하면, 프로세서(230)는 제1해상도를 가지는 제1베이어 패턴(10)을 기초로 배율을 높이고자 하는 영역에 대해 컨볼루션과 서브 샘플링(Sub-Sampling)을 수행한다.
배율을 높인다는 것은, 이미지 센싱부(210)가 취득한 이미지 중에서 특정 부분만을 확대하는 것을 의미한다. 따라서, 사용자에 의해 선택되지 않은 부분은 사용자가 관심이 없어 하는 부분이므로 해상도를 높이는 과정을 수행할 필요가 없으므로 사용자에 의해 선택된 부분에 대해서만 컨볼루션과 서브 샘플링 과정을 수행할 수 있다.
서브 샘플링은 영상의 크기를 줄이는 과정을 의미한다. 일 예로 서브 샘플링은 맥스-풀(Max Pool) 방법을 사용할 수 있다. 맥스-풀은 해당 영역에서 최대치를 선택하는 기법인데 뉴런이 가장 큰 신호에 반응하는 것과 유사하다. 서브 샘플링은 노이즈를 감소시키고, 학습의 속도를 증가시킬 수 있는 장점이 존재한다.
컨볼루션과 서브 샘플링이 수행되면, 도 3에 도시된 바와 같이 복수 개의 이미지(20)가 출력될 수 있다. 그 후 출력된 이미지들을 기초로 업 스케일(Up Scale) 방식으로 이용하여 서로 다른 특징을 가지는 복수 개의 이미지를 출력시킬 수 있다. 업 스케일 방식은 서로 다른 r^2개의 필터를 이용하여 이미지를 r*r 배로 스케일을 높이는 것을 의미한다.
업 스케일에 따라 복수 개의 이미지가 도3에 도시된 바와 같이 출력되면(30), 프로세서(230)는 이러한 이미지들을 기초로 재조합을 하여 최종적으로 제2해상도를 가지는 제2베이어 이미지(40)를 출력할 수 있다.
따라서, 도 3에 도시된 바와 같이 제1해상도를 가지는 이미지(10)에서 사용자가 특정 영역을 선택한 경우, 그 영역에 대해서만 프로세서(230)는 앞서 설명한 딥 러닝을 수행할 수 있고, 수행한 결과 도 3에 도시된 바와 같이 제2해상도를 가지는 베이어 이미지(40)가 생성될 수 있다.
일반적으로, 딥 러닝을 할 수 있는 프로세서를 소형의 칩으로 구현하기 위해서는 딥 러닝의 프로세스와 메모리 게이트(gate) 수가 최소화가 되어야 하는데, 여기서 게이트 수에 가장 크게 영향을 주는 요소는 알고리즘 복잡도와 클럭(Clock) 당 처리되는 데이터 양이며, 프로세서가 처리하는 데이터의 양은 입력 해상도에 따라 달라진다.
따라서, 일 실시예에 따른 프로세서(230)는 게이트의 수를 줄이기 위해 입력 해상도를 줄인 후에 나중에 업 스케일링(Up Scailing) 하는 방식으로 고배율의 이미지를 생성하므로 보다 빠르게 이미지를 생성할 수 있는 장점이 존재한다.
예를 들어, 입력 해상도가 8Mp(Mega Pixel)인 이미지를 2배 줌을 해야 한다면 1/4 영역 (2Mp)을 기초로 가로와 세로를 각각 2배씩 업 스케일링(Up scailing) 하여 2배 줌을 한다. 그리고 1/4영역(2Mp)을 1/4 다운 스케일링(down scaling) 하여 해상도가 0.5Mp인 이미지를 딥 러닝 처리 입력 데이터로 사용한 후에, 생성된 이미지를 기초로 가로와 세로를 각각 4배씩 업 스케일링(Up scailing) 하는 방식으로 4배 줌을 하면 2배줌을 한 것과 동일한 영역의 줌 영상을 생성할 수 있다.
따라서, 일 실시예에 따른 프로세서(230)는 입력 해상도 손실에 따른 성능 저하를 방지하기 위해 딥 러닝이 해상도 손실에 대응되는 배율만큼 학습을 시켜서 이미지를 생성하므로, 성능 저하를 최소화할 수 있는 장점이 존재한다.
또한, 고해상도의 이미지를 구현하기 위한 딥 러닝 기반의 알고리즘들은 일반적으로 프레임 버퍼(Frame Buffer)를 사용하는데, 프레임 버퍼의 경우 일반 PC 및 서버에서는 그 특성상 실시간 구동이 어려운 문제가 존재하나, 일 실시예에 따른 프로세서(230)는 딥 러닝을 통해 이미 생성되어 있는 알고리즘 적용하므로 저사양 카메라 장치 및 이를 포함하는 여러 장치 들에서 쉽게 적용이 가능하다. 또한, 일 실시예에 따른 프로세서(230)는 이러한 알고리즘을 구체적으로 적용함에 있어서 몇 개의 라인 버퍼(Line Buffer)만을 사용하는 방식으로 고해상도를 구현하므로, 비교적 크기가 작은 소형 칩(Chip)으로 프로세서를 구현할 수 있는 효과 또한 존재한다.
또한, 본 명세서에서 딥 러닝을 수행한다는 것은 앞서 도 3을 통하여 설명한 바와 같이 해상도를 높이기 위한 최적의 알고리즘을 생성하기 위해 추론 또는 반복적 학습을 통해 알고리즘을 생성하는 과정을 의미할 수 도 있지만, 동시에 이러한 과정에 의해 생성된 알고리즘을 실행하는 것 또한 딥 러닝을 수행한다고 볼 수 있다.
도4는 다른 실시예에 따른 광학 기기(400)의 일부 구성 요소를 도시한 블럭도이다.
도 4를 참조하면, 일 실시예에 따른 광학 기기(400)는, 이미지 센서(200), 이미지 센서를 포함하는 카메라 모듈(100) 및 ISP(310)를 포함하고 있는 AP(300)를 포함할 수 있다.
구체적으로, 카메라 모듈(100)은 필터(110), 렌즈(120), 액츄이에터(130), 드라이버 IC(140), 이미지 센서(200)를 포함할 수 있다.
이미지 센서(200)와 이미지 센서(200)가 포함하고 있는 이미지 센싱부(210), 정렬부(220) 및 프로세서(230)는 도 1에서 설명한 구성과 동일한 역할을 하는 구성 요소이므로 이에 대한 설명은 생략한다.
카메라 모듈(100)의 필터(110)는 외부로부터 유입되는 빛을 선택적으로 차단하는 역할을 하며, 일반적으로 렌즈(120)의 상부에 위치할 수 있다.
렌즈(120)는 유리와 같이 투명한 물질의 면을 구면으로 곱게 갈아 물체로부터 오는 빛을 모으거나 발산시켜 광학적 상을 맺게 하는 장치로서, 카메라 모듈(100)에 사용되는 일반적인 렌즈(120)는 복수 개의 서로 다른 특징을 가지는 렌즈를 구비할 수 있다.
액츄에이터(130)는 렌즈(120) 또는 렌즈(120)를 포함하는 경통의 위치를 조절하여 초점을 조절할 수 있다. 예를 들어 액츄에이터(130)는 VCM(Voice Coil Motor) 방식일 수 있으며, 렌즈(120)는 가변 초점 렌즈를 포함할 수 있다.
액츄에이터(130)가 가변 초점 렌즈를 포함하는 경우 드라이버 IC(140)는 가변 초점 렌즈를 구동할 수 있다.
드라이버 IC(140, Driver IC)는 화면에 문자나 영상 이미지가 표시되도록 패널에 구동 신호 및 데이터를 전기 신호로 제공하는 반도체(IC)를 의미할 수 있으며, 후술하겠지만 드라이버 IC(140)는 광학 기기(400)의 다양한 위치에 배치될 수 있다. 또한 드라이버 IC(140, Driver IC)는 액츄에이터(130)를 구동할 수 있다.
AP(300, Application Processor)는 모바일용 메모리 칩으로 광학 기기(400)에서 각종 어플리케이션 작동과 그래픽 처리를 담당하는 핵심 반도체를 의미할 수 있다.
AP(300)는 컴퓨터의 중앙처리장치(CPU)의 기능과 메모리, 하드디스크, 그래픽 카드 등 기타 장비의 연결을 제어하는 칩셋의 기능을 모두 포함하고 있는 SoC(System on Chip) 형태로 구현될 수 있다.
영상 신호 처리부(ISP, Image Signal Processing, 310)는 MIPI(Mobile Industry Processor Interface) 통신을 이용하여 프로세서(230)가 생성한 제2베이어 이미지를 수신하고 영상 신호 처리 과정을 수행할 수 있다.
영상 신호 처리부(310)부는 영상 신호를 처리하면서 복수의 서브 과정을 포함할 수 있다. 예를 들어, 수신한 영상에 대해 감마값 보정(gamma correction)을 하거나, 색채 보정(color correction), 자동 노출(auto exposure correction), 자동 화이트값 보정(auto white balance) 과정 중에서 적어도 하나 이상을 수행할 수 있다.
또한, 일 실시예에 따른 프로세서(230)는 이미지 센싱부(210)가 출력하여 AP(300)로 송신한 정보를 다시 AP(300)로 부터 수신한 후, 이러한 영상 정보를 기초로 제2 베이어 패턴보다 높은 해상도를 가지는 제3베이퍼 패턴을 생성할 수 있다.
구체적으로, 프로세서(230)는, AP(300)로부터 영상 정보를 수신한 후, 수신한 상기 영상 정보를 기초로 상기 제1베이어 패턴에서 상기 제2베이어 패턴으로 설정한 범위를 설정하고 설정된 범위를 기초로 상기 제3베이어 패턴을 생성하고 생성한 제3베이어 패턴을 AP(300)로 송신할 수 있다.
그리고 영상 정보는 상기 제1베이어 패턴에 대한 줌(Zoom) 정보를 또는 포함하고, 외부로 영상을 표시하는 디스플레이(미도시)에 의해 표시되는 영역에 대한 정보를 포함할 수 있다. 즉, 줌에 대한 정보란 사용자가 더 높은 해상도로 보기 원하는 영역을 의미하며, 디스플레이에 의해 표시되는 영역이란 촬영한 이미지 중에서 디스플레이에 표시되는 일부 이미지를 의미한다.
따라서, 일 실시예에 따른 프로세서(230)는 이러한 정보를 기초로 영상 처리를 할 필요가 없는 부분에 대해서는 영상 처리를 실시하지 않고 영상 처리를 해야 할 영역에 대해서만 선택적으로 영상 처리를 수행할 수 있어 효율성을 높일 수 있다.
예를 들어 8MP해상도를 가지는 이미지 센서에서 줌으로 인해 관심 영역이 이미지의 1/4에 해당하는 경우, 8MP사이즈를 갖는 이미지의 용량이 8MP로 들어오는 것과, 줌으로 인한 관심 영역(전체 이미지의 1/4)에 해당하는 2MP만 들어오는 것은 프르세서의 작동에 많은 영향을 준다. 즉, 관심 영역이 아닌 부분까지 영상 처리를 하는 것은 그 시간이 많이 소모되고 프로세서의 가동에 과부하를 줄 수 있기 때문이다.
그러나, 일 실시예에 따른 프로세서(230)는 AP(300)로부터 수신한 정보를 기초로 영상 처리를 할 필요가 없는 부분에 대해서는 영상 처리를 실시하지 않고 영상 처리를 해야 할 영역에 대해서만 선택적으로 영상 처리를 수행하므로 보다 효과적으로 영상 처리를 할 수 있는 효과가 존재한다.
또한, 일 실시예에 따른 이미지 센서(200)는 센서 내부에서 스스로 SR기능을 통합하여 수행하므로, 메모리의 사용 효율성을 높일 수 있고, 이미지 센서(200)의 3Stack구조의 DRAM사용을 통하여 실시간성 확보를 위한 별도의 중복 메모리 Stack구조를 피할 수 있는 효과가 존재한다..
일반적으로 픽셀 정보를 더 많이 생성하여 고해상도 이미지를 구현하는 기술의 경우 싱글 프레임 SR (Single-Frame Super Resolution) 또는 멀티 프레임 SR(Multi-frame Super Resolution) 기술 등이 존재하는데, 이러한 기술의 경우 아티팩트(Artifact) 문제는 발생하지는 않지만, 모바일, 차량, IoT 등 소형 카메라 장치가 적용될 수 있는 장치에는 적용하기 어려운 알고리즘이며, 또한 이러한 기술을 구현하기 위해서는 별도의 이미지 프로세서가 필요하다.
그러나 이러한 합성 알고리즘을 수행을 하기 위한 소프트웨어는 일반적으로 처리해야 하는 데이터의 양이 많기 때문에 AP(Application Processor)에서도 실시간으로 처리하기 어려운 문제점이 존재한다. 설사 AP가 이러한 기능을 수행할 수 있었어도 이러한 AP는 가격이 비싸 제조 단가가 증가하는 문제점이 존재하였다.
그러나 일 실시예에 따른 카메라 모듈(100) 또는 광학 기기(400)는 도 4에 도시된 바와 같이, 이미지 센서(200)에 AP(300)에서 처리하는 영상 처리의 일부분을 수행할 수 있는 프로세서(230)가 포함되어 있으므로 고가의 AP를 장착하지 않아도 효율적으로 영상처리를 할 수 있는바 비교적 경제적으로 카메라 모듈 및 광학기기를 제조할 수 있는 효과가 존재한다.
또한, AP(300)에서 영상 처리를 하기 전에 이미지 센서(200)가 베이어 패턴에 대한 정보를 기초로 영상에 대한 전처리를 수행함으로써, AP(300)가 처리해야 하는 데이터의 양을 줄일 수 있는 효과가 존재한다. 따라서, 이러한 구조 및 순서에 의해 AP(300)의 소비전력을 낮추고, AP(300)를 보다 원활하게 작동시킬 수 있는 효과가 존재한다.
즉, 종래 기술의 경우 이미지 센서와 프로세서 및 AP간의 통신 연결을 하기 위해서는 "이미지 센서 출력(MIPI tx) - 칩 입력(MIPI rx) - 칩 출력(MIPI tx) - AP 입력(MIPI rx)"구조가 필요하였으나, 일 실시예에 따른 광학 기기(400)는 이미지 센서(200) 내부에 전처리 기능을 수행하는 프로세서(230)를 가지고 있고 프로세서(230)에 의해 생성된 정보는 기존에 존재하였던 이미지 센서 출력(MIPI tx, 250)를 통해 출력할 수 있는바 설계를 비교적 간단하게 할 수 있는 효과가 존재한다.
따라서, 일 실시예에 따른 광학 기기(400)는 종래 "이미지 센서 출력(MIPI tx) - 칩 입력(MIPI rx) - 칩 출력(MIPI tx) - AP 입력(MIPI rx)"구조에서 "칩 입력(MIPI rx) - 칩 출력(MIPI tx)"부분이 삭제될 수 있다. 그리고 이러한 이미지 센서(200)와의 통합으로 인해 MIPI IP에 대한 비용이 절감되 수 있어 경제적으로 카메라 모듈 및 광학 기기를 제작할 수 있으며, 설계의 자유도 또한 증가시킬 수 있다.
또한, 이미지 센서(200) 내부에서 공유하던 여러 가지 데이터 정보들을 칩에서 함께 공유함으로 인해 AP(300)의 제어 신호도 단일화하여 통신할 수 있고, 이미지 센서에(200) 이미 있는 EEPROM이나 Flash memory등을 함께 사용함으로 메모리도 절약할 수 있다.
또한, 이미지 센서(200)는 간단한 ISP 기능들 또한 포함되어 있는바, 이러한 기능들을 영상 데이터에 활용한다면 더 다양한 딥 러닝 영상 데이터 베이스를 생성할 수 있어서 최종 성능을 향상시킬 수 있는 효과도 존재한다.
도6은 또 다른 실시예에 따른 이미지 센서(200)의 일부 구성 요소를 도시한 블럭도이다.
도 6은 이미지 센서(200)의 도 1의 이미지 센서(200)를 더 구체화한 도면에 해당하는바, 도 1과 중복되는 설명은 생략하도록 한다.
일반적으로 이미지 센싱부(210)부터 입력된 후 내부 블록 등을 통과하여 처리된 고용량의 이미지 로우 데이터를 AP(300)에 보내기 위해서는 고속의 MIPI 인더페이스를 활용해야 한다. 따라서, 도 5에서의 PLL(Phase Loop Locked, 253)은 이러한 기능을 하는 구성 요소로서, 수Gbps의 속도를 내기 위해 주파수 분주 및 체배의 역할을 수행할 수 있다.
OTP(254)는 이미지 센싱부(210)와 SR 알고리즘의 특정 파라미터를 저장하기 위한 메모리 공간을 의미한다.
I2C(255)는 AP(300)로부터 카메라 모듈(100)의 사용자의 조작에 따른 명령을 출력하기 위해서 사용되는 인터페이스로, 일반적으로 2 Line(SCL, SDA)으로 연결되는 Bus구조를 가지고 있다.
Internal LDO(Low Drop Voltage Out)&POR(257)에서 Internal LDO는 이미지 센싱부(210)에 전원을 공급하는 역할을 할 수 있으며, POR의 경우 AP(300)의 동작 명령과 동시에 Power Saving Mode에서 원활한 동작을 위한 리셋 기능을 수행할 수 있다.
도 7은 일 실시예에 따른 광학 기기(400)의 제어 방법을 도시한 순서도이다.
도 7을 참조하면, 광학 기기(400)는 외부로부터 수신한 대상체에 대한 정보를 기초로 제1베이어 패턴을 생성할 수 있다. (S10)
그 후 AP로부터 영상 처리를 실시할 영역에 대한 정보를 수신한 후, 제1베이어 패턴 중 영상 처리를 실시할 적어도 일부 영역을 제2베이어 패턴으로 생성한다.(S20, S30)
그 후, 딥 러닝을 수행하여 제2베이어 패턴의 해상보다 높은 해상도를 가지는 제3베이어 패턴을 생성한 후, 생성된 제3베이어 패턴을 AP로 송신할 수 있다.
지금까지 도면을 통해 이미지 센서(200), 카메라 모듈(100) 및 카메라 모듈을 포함하는 광학 기기(400)에 대해 알아보았다.
종래 기술에 따라 영상 처리를 위해 합성 알고리즘을 수행하기 위한 소프트웨어는 일반적으로 처리해야 하는 데이터의 양이 많기 때문에 AP(Application Processor)에서도 실시간으로 처리하기 어려운 문제점이 존재한다. 설사 AP가 이러한 기능을 수행할 수 있었어도 이러한 AP는 가격이 비싸 제조 단가가 증가하는 문제점이 존재하였다.
그러나 일 실시예에 따른 카메라 모듈(100) 또는 광학 기기(400)는 이미지 센서(200)에 AP(300)에서 처리하는 영상 처리의 일부분을 수행할 수 있는 프로세서가 포함되어 있으므로 고가의 AP를 장착하지 않아도 효율적으로 영상처리를 할 수 있는바 비교적 경제적으로 카메라 모듈 및 광학 기기를 제조할 수 있는 효과가 존재한다.
즉, AP(300)에서 영상 처리를 하기 전에 이미지 센서(200)가 베이어 패턴에 대한 정보를 기초로 영싱에 대한 전처리를 수행함으로써, AP(300)가 처리해야 하는 데이터의 양을 줄일 수 있는 효과가 존재한다. 따라서, 이러한 구조 및 순서에 의해 AP(300)의 소비전력을 낮추고, AP(300)를 보다 원활하게 작동시킬 수 있는 효과가 존재한다.
또한, 일 실시예에 따른 카메라 모듈(100)은 네트워크 구성을 최적화시키는 방식으로 고해상도 이미지를 생성하므로 비교적 크기가 작은 소형 칩(Chip)으로 구현될 수 있으며, 본 기술이 적용된 칩을 카메라 장치에 탑재하는 방식으로 본 기술의 실시가 가능하므로, 줌 기능이 없는 카메라 장치 또는 특정 배율에 대한 고정 줌만 지원하는 카메라 장치에 본 기술을 적용시켜 연속 줌 기능을 사용할 수 있다.
지금까지 실시 예들이 비록 한정된 실시 예와 도면에 의해 설명되었으나, 해당 기술 분야에서 통상의 지식을 가진 자라면 상기 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 실시 예들 및 특허 청구 범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 카메라모듈
200: 이미지 센서
210: 이미지 센싱부
220: 정렬부
230: 프로세서
300: AP
310: ISP
400: 광학 기기
200: 이미지 센서
210: 이미지 센싱부
220: 정렬부
230: 프로세서
300: AP
310: ISP
400: 광학 기기
Claims (14)
- 광 신호를 베이어 포맷의 제1 이미지 데이터로 변환하는 이미지 센싱부; 및
상기 제1 이미지 데이터로부터 해상도가 증가된 베이어 포맷의 제2 이미지 데이터를 출력하는 프로세서를 포함하고,
상기 제2 이미지 데이터는 상기 제1 이미지 데이터와 동일한 베이어 포맷을 가지며,
베이어 포맷의 상기 제2 이미지 데이터로부터 영상 신호 처리를 수행하는 ISP를 포함하는 AP로 상기 제2 이미지 데이터를 전송하고,
상기 이미지 센싱부 및 상기 프로세서는 하나의 이미지 센서 칩으로 형성되는 이미지 센서. - 제1항에 있어서,
상기 프로세서는,
베이어 포맷의 상기 제1 이미지 데이터로부터 해상도가 증가된 베이어 포맷의 상기 제2 이미지 데이터를 출력하도록 학습된 신경망을 처리하는 이미지 센서. - 제1항에 있어서,
상기 프로세서는,
사용자로부터 입력받은 상기 제1 이미지 데이터의 일부 영역에 대해 해상도가 증가된 제2 이미지 데이터를 출력하는 이미지 센서. - 제1항에 있어서,
상기 프로세서는,
상기 제1 이미지 데이터의 일부를 포함하는 제3 이미지 데이터를 수신하고, 상기 제3 이미지 데이터로부터 상기 제2 이미지 데이터를 출력하는 이미지 센서. - 제1항에 있어서,
상기 이미지 센싱부로부터 상기 제1 이미지 데이터를 수신하고, 상기 제1 이미지 데이터의 적어도 일부를 분해(Decomposition) 또는 재배열(Re-arrange)하여 재배열된 동일한 베이어 포맷의 상기 제1 이미지 데이터를 생성하는 정렬부를 포함하는 이미지 센서. - 렌즈;
상기 렌즈로부터 광 신호를 수신하여 베이어 포맷의 제1 이미지 데이터로 변환하는 이미지 센싱부;
상기 이미지 센싱부 내부에 실장되고, 상기 제1 이미지 데이터로부터 해상도가 증가된 베이어 포맷의 제2 이미지 데이터를 출력하는 제1 프로세서; 및
상기 제1 프로세서로부터 베이어 포맷의 상기 제2 이미지 데이터를 수신하여 영상처리를 수행하는 응용 프로세서(Application Processor)를 포함하고,
상기 제2 이미지 데이터는 상기 제1 이미지 데이터와 동일한 베이어 포맷을 가지고,
상기 이미지 센싱부 및 상기 제1 프로세서는,
상기 렌즈 및 상기 응용 프로세서와 별도인 하나의 이미지 센서 칩으로 형성되는 카메라 장치 - 제6항에 있어서,
상기 제1 프로세서는,
베이어 포맷의 상기 제1 이미지 데이터로부터 해상도가 증가된 베이어 포맷의 상기 제2 이미지 데이터를 출력하도록 학습된 신경망을 처리하는 카메라 장치. - 제6항에 있어서,
상기 제1 프로세서는,
사용자로부터 입력받은 상기 제1 이미지 데이터의 일부 영역에 대해 해상도가 증가된 제2 이미지 데이터를 출력하는 카메라 장치. - 제6항에 있어서,
상기 제1 프로세서는,
상기 제1 이미지 데이터의 일부를 포함하는 제3 이미지 데이터를 수신하고, 상기 제3 이미지 데이터로부터 상기 제2 이미지 데이터를 출력하는 카메라 장치. - 제6항에 있어서,
상기 이미지 센싱부로부터 상기 제1 이미지 데이터를 수신하고, 상기 제1 이미지 데이터의 적어도 일부를 분해(Decomposition) 또는 재배열(Re-arrange)하여 재배열된 동일한 베이어 포맷의 상기 제1 이미지 데이터를 생성하는 정렬부를 포함하는 카메라 장치. - 제1항에 있어서,
상기 프로세서는 상기 이미지 센서의 stack구조의 DRAM을 이용하는 이미지 센서. - 제1항에 있어서,
상기 이미지 센싱부와 상기 프로세서는 MIPI 없이 칩 내부에서 상기 제1 이미지 데이터를 공유하는 이미지 센서. - 제6항에 있어서,
상기 제1 프로세서는 상기 이미지 센싱부의 stack구조의 DRAM을 이용하는 카메라 장치. - 제6항에 있어서,
상기 이미지 센싱부와 상기 제1 프로세서는 MIPI 인터페이스 없이 칩 내부에서 상기 제1 이미지 데이터를 공유하고,
상기 제1 프로세서와 상기 응용 프로세서는 MIPI인터페이스를 통해 상기 제2 이미지 데이터를 송수신하는 카메라 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220032775A KR102494123B1 (ko) | 2021-02-02 | 2022-03-16 | 이미지 센서, 카메라 모듈 및 카메라 모듈을 포함하는 광학 기기 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210014796A KR20210018381A (ko) | 2021-02-02 | 2021-02-02 | 이미지 센서, 카메라 모듈 및 카메라 모듈을 포함하는 광학 기기 |
KR1020220032775A KR102494123B1 (ko) | 2021-02-02 | 2022-03-16 | 이미지 센서, 카메라 모듈 및 카메라 모듈을 포함하는 광학 기기 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210014796A Division KR20210018381A (ko) | 2021-02-02 | 2021-02-02 | 이미지 센서, 카메라 모듈 및 카메라 모듈을 포함하는 광학 기기 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220038638A KR20220038638A (ko) | 2022-03-29 |
KR102494123B1 true KR102494123B1 (ko) | 2023-02-06 |
Family
ID=74731674
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210014796A KR20210018381A (ko) | 2021-02-02 | 2021-02-02 | 이미지 센서, 카메라 모듈 및 카메라 모듈을 포함하는 광학 기기 |
KR1020220032775A KR102494123B1 (ko) | 2021-02-02 | 2022-03-16 | 이미지 센서, 카메라 모듈 및 카메라 모듈을 포함하는 광학 기기 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210014796A KR20210018381A (ko) | 2021-02-02 | 2021-02-02 | 이미지 센서, 카메라 모듈 및 카메라 모듈을 포함하는 광학 기기 |
Country Status (1)
Country | Link |
---|---|
KR (2) | KR20210018381A (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024085501A1 (ko) * | 2022-10-18 | 2024-04-25 | 삼성전자 주식회사 | 이미지 센서의 이미지를 이용한 학습 기반 화질 개선 방법 및 이를 지원하는 전자 장치 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006191622A (ja) * | 2004-12-30 | 2006-07-20 | Magnachip Semiconductor Ltd | Isp内蔵型イメージセンサ及びデュアルカメラシステム |
KR101791573B1 (ko) | 2016-10-21 | 2017-10-31 | 서강대학교산학협력단 | 컨볼루션 신경망을 이용한 비디오 스트림에 대한 수퍼 해상도 장치 및 방법 |
JP2018151747A (ja) | 2017-03-10 | 2018-09-27 | 株式会社ツバサファクトリー | 超解像度処理装置、超解像度処理方法およびコンピュータプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100850729B1 (ko) * | 2000-07-06 | 2008-08-06 | 더 트러스티스 오브 콜롬비아 유니버시티 인 더 시티 오브 뉴욕 | 데이터 해상도를 향상시키는 방법 및 장치 |
KR102186383B1 (ko) * | 2013-03-13 | 2020-12-03 | 삼성전자주식회사 | 이미지를 처리하는 전자장치 및 방법 |
RU2652722C1 (ru) * | 2017-05-03 | 2018-04-28 | Самсунг Электроникс Ко., Лтд. | Обработка данных для сверхразрешения |
KR102326165B1 (ko) * | 2017-08-23 | 2021-11-16 | 엘지디스플레이 주식회사 | 영상 처리 방법 및 이를 이용한 표시 장치 |
KR102548732B1 (ko) * | 2017-09-11 | 2023-06-29 | 삼성전자주식회사 | 신경망 학습 방법 및 이를 적용한 장치 |
KR102385188B1 (ko) * | 2017-09-29 | 2022-04-12 | 삼성전자주식회사 | 외부 전자 장치에서 생성된 정보를 이용하여 이미지 데이터를 처리하는 방법 및 전자 장치 |
-
2021
- 2021-02-02 KR KR1020210014796A patent/KR20210018381A/ko not_active IP Right Cessation
-
2022
- 2022-03-16 KR KR1020220032775A patent/KR102494123B1/ko active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006191622A (ja) * | 2004-12-30 | 2006-07-20 | Magnachip Semiconductor Ltd | Isp内蔵型イメージセンサ及びデュアルカメラシステム |
KR101791573B1 (ko) | 2016-10-21 | 2017-10-31 | 서강대학교산학협력단 | 컨볼루션 신경망을 이용한 비디오 스트림에 대한 수퍼 해상도 장치 및 방법 |
JP2018151747A (ja) | 2017-03-10 | 2018-09-27 | 株式会社ツバサファクトリー | 超解像度処理装置、超解像度処理方法およびコンピュータプログラム |
Also Published As
Publication number | Publication date |
---|---|
KR20220038638A (ko) | 2022-03-29 |
KR20210018381A (ko) | 2021-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10462372B2 (en) | Imaging device, imaging system, and imaging method | |
KR0162515B1 (ko) | 화질이 열화가 없는 고품질 화상 데이타를 제공할 수 있는 화상 처리 장치 | |
CN101090457A (zh) | 产生图像的设备和方法 | |
US10445402B1 (en) | Fast and energy-efficient region of interest pooling for object detection with convolutional neural network | |
US20240119561A1 (en) | Image processing device and image processing method | |
KR102494123B1 (ko) | 이미지 센서, 카메라 모듈 및 카메라 모듈을 포함하는 광학 기기 | |
KR102242939B1 (ko) | 카메라 장치 및 카메라 장치의 이미지 생성 방법 | |
KR20220023632A (ko) | 흔들림을 보정하는 방법 및 그 전자 장치 | |
KR102213765B1 (ko) | 이미지 센서, 카메라 모듈 및 카메라 모듈을 포함하는 광학 기기 | |
KR20220101470A (ko) | 흔들림 보정을 수행하는 전자 장치 및 그 동작 방법 | |
US11825214B2 (en) | Camera device and image generation method of camera device | |
US20220253978A1 (en) | Camera device and image generation method of camera device | |
KR102371944B1 (ko) | 카메라 장치 및 카메라 장치의 이미지 생성 방법 | |
KR20210044648A (ko) | 영상 처리 장치 및 이를 포함하는 광학 기기 | |
CN115988311A (zh) | 图像处理方法与电子设备 | |
JP7000066B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
KR20220159852A (ko) | 이미지 처리 모듈 | |
US11363209B1 (en) | Systems and methods for camera zoom | |
WO2024098351A1 (en) | Imaging system and method for high resolution imaging of a subject | |
CN113079313B (zh) | 图像处理装置、图像拾取装置、图像处理方法及存储介质 | |
KR20210047070A (ko) | 이미지 처리 장치 및 이미지 처리 방법 | |
JP2022154264A (ja) | 撮像装置、画像処理装置、移動装置、制御方法およびコンピュータプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right |