KR20000047605A - 데이타 처리 장치 및 데이타 처리 방법 - Google Patents

데이타 처리 장치 및 데이타 처리 방법 Download PDF

Info

Publication number
KR20000047605A
KR20000047605A KR1019990049195A KR19990049195A KR20000047605A KR 20000047605 A KR20000047605 A KR 20000047605A KR 1019990049195 A KR1019990049195 A KR 1019990049195A KR 19990049195 A KR19990049195 A KR 19990049195A KR 20000047605 A KR20000047605 A KR 20000047605A
Authority
KR
South Korea
Prior art keywords
data
input data
processing
output
input
Prior art date
Application number
KR1019990049195A
Other languages
English (en)
Other versions
KR100706557B1 (ko
Inventor
곤도데츠지로
안도가즈타카
고바야시나오키
Original Assignee
이데이 노부유끼
소니 가부시끼 가이샤
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 이데이 노부유끼, 소니 가부시끼 가이샤 filed Critical 이데이 노부유끼
Publication of KR20000047605A publication Critical patent/KR20000047605A/ko
Application granted granted Critical
Publication of KR100706557B1 publication Critical patent/KR100706557B1/ko

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Picture Signal Circuits (AREA)
  • Dc Digital Transmission (AREA)
  • Noise Elimination (AREA)
  • Complex Calculations (AREA)

Abstract

데이타 처리 장치는 입력 데이타를 처리하고 처리된 데이타를 출력한다. 데이타 처리 장치는 입력 데이타 및 입력 데이타에 대응하는 출력 데이타가 평가되고, 출력 데이타가 시간이 경과함에 따라 개선되도록 입력 데이타가 평가에 따라 처리되는 처리 방법을 실시간으로 학습하는 실시간 학습부와, 상기 실시간 학습 수단에 의해 학습된 처리 방법에 따라 입력 데이타를 적응적으로 처리하여 출력 데이타를 출력하는 데이타 처리부와, 상기 제 1 처리 수단에 의해 처리된 포커스된 입력 데이타 전 시간에 입력된 이전 입력 데이타를, 포커스된 입력 데이타에 대응하는 포커스된 출력 데이타 및 포커스된 출력 데이타의 평가에 따라 처리하여, 이전 입력 데이타에 대응하는 이전 출력 데이타를 출력하는 제 2 처리부를 포함하고 있다.

Description

데이타 처리 장치 및 데이타 처리 방법{Data processing apparatus and data processing method}
본 발명은 데이타 처리 장치 및 데이타 처리 방법에 관한 것으로, 특히 데이타에 포함된 잡음이 보다 효율적으로 제거되도록 하는 데이타 처리 장치 및 데이타 처리 방법에 관한 것이다.
일반적으로, 전송되거나 재생된 화상 데이타 및 음성 데이타 같은 데이타는 시간이 경과함에 따라 변화하는 잡음을 포함하게 된다. 데이타에 포함된 잡음을 제거하기 위하여, 평균, 즉 전체 입력 데이타의 전체 평균이 얻어지며, 이동 평균이라고 하는 일부 입력 데이타의 평균이 얻어지는 방법이 공지되어 있다.
전체 평균이 계산되는 방법은 데이타에 포함된 잡음량, 즉 데이타의 신호 대 잡음비(S/N비)가 균일하다. 그러나, 데이타의 S/N비가 변화할 때, 낮은 S/N비를 갖는 데이타부는 높은 S/N비를 갖는 데이타부에 영향을 주어 동일한 경우에 잡음을 효과적으로 제거하기 어렵다.
이동 평균이 계산되는 방법에 있어서, 시간 도메인에서의 현재 입력 데이타에 가까이 위치된 데이타의 평균이 얻어지기 때문에, 처리 결과는 데이타의 S/N비에서의 변화에 의해 영향받는다. 즉, 처리 결과는 높은 S/N비를 갖는 데이타부에 대하여 높은 S/N비를 갖지만, 처리 결과는 낮은 S/N비를 갖는 데이타부에 대하여 낮은 S/N비를 갖는다.
따라서, 본 발명의 목적은 상술한 단점을 해결하는데 있다.
도 1은 본 발명의 일 실시예에 따른 자기 동조 처리 회로의 블록도.
도 2의 (a)는 알고리즘이 변경되기 전에 이용되는 처리 방법의 흐름도.
도 2의 (b)는 알고리즘이 변경된 후에 이용되는 처리 방법의 흐름도.
도 3의 (a)는 처리 소자가 변경되기 전에 이용되는 처리 방법의 흐름도.
도 3의 (b)는 처리 소자가 변경된 후에 이용되는 처리 방법의 흐름도.
도 4는 학습을 위해 이용되는 입력 학습 데이타를 도시한 도면.
도 5는 본 발명의 일 실시예에 따른 잡음 감소(NR) 처리 회로의 블록도
도 6의 (a)는 도 5에 도시된 NR 처리 회로에 의해 처리될 입력 데이타를 도시한 도면.
도 6의 (b)는 도 5에 도시된 NR 처리 회로에 의해 처리될 입력 데이타의 신뢰도를 도시한 도면.
도 7은 도 5에 도시된 NR 처리 회로의 구성예를 도시한 블록도.
도 8은 도 7에 도시된 입력 신뢰도 계산부(12)의 구성예를 도시한 블록도.
도 9는 도 8에 도시된 입력 신뢰도 계산부(12)의 처리를 도시한 도면.
도 10은 도 7에 도시된 출력 신뢰도 계산부(13)의 구성예를 도시한 블록도.
도 11의 (a)는 도 7에 도시된 NR 처리 회로 내의 입력 데이타의 처리를 도시한 도면.
도 11의 (b)는 도 7에 도시된 NR 처리 회로 내의 출력 데이타의 처리를 도시한 도면.
도 12는 도 7에 도시된 NR 처리 회로의 처리를 도시한 흐름도.
도 13은 입력-신뢰도 계산 방법을 도시한 도면.
도 14는 도 7에 도시된 NR 처리 회로의 시뮬레이션 결과를 도시한 도면.
도 15는 본 발명이 적용되는 NR 처리 회로의 구성예를 도시한 블록도.
도 16은 도 15에 도시된 NR부(52f1내지 52f3) 및 NR부(52r1및 52r2) 각각의 블록도.
도 17은 도 15에 도시된 NR부(52f1내지 52f3) 및 NR부(52r1및 52r2)간의 접속 관계를 도시한 도면.
도 18은 도 15에 도시된 NR 처리 회로의 동작의 흐름도.
도 19의 (a)는 본 발명에 연관된 처리를 실행하기 위한 프로그램이 설치된 컴퓨터를 도시한 도면.
도 19의 (b)는 본 발명에 연관된 처리를 실행하는 프로그램을 기억하기 위한 예시적 기억 매체를 도시한 도면.
도 19의 (c)는 본 발명에 연관된 처리를 실행하기 위한 프로그램이 위상 및 네트워크를 통해 컴퓨터에 분배된 경우를 도시한 도면.
도 20은 본 발명에 연관된 처리를 실행하기 위한 프로그램이 설치된 컴퓨터의 블록도.
* 도면의 주요부분에 대한 부호의 설명
1: 실시간 학습부 2: 신호 처리부
11, 14: 래치 회로 12: 입력 신뢰도 계산부
13: 출력 신뢰도 계산부 15: 가중 계산부
100: NR 처리 회로
상기 목적은, 제 1 처리 수단이, 입력 데이타 및 입력 데이타에 대응하는 출력 데이타가 평가되고 출력 데이타가 시간이 경과함에 따라 개선되도록 입력 데이타가 평가에 따라 처리되는 실시간 처리 방법으로 학습하는 실시간 학습 수단과, 상기 실시간 학습 수단에 의해 학습된 처리 방법에 따라 입력 데이타를 적응적으로 처리하여 출력 데이타를 출력하는 데이타 처리 수단과, 상기 제 1 처리 수단에 의해 처리된 포커스된 입력 데이타 전 시간에 입력된 이전 입력 데이타를, 포커스된 입력 데이타에 대응하는 포커스된 출력 데이타 및 포커스된 출력 데이타의 평가에 따라 처리하여, 이전 입력 데이타에 대응하는 이전 출력 데이타를 출력하는 제 2 처리 수단을 포함하고 있는, 입력 데이타를 처리하고 처리된 데이타를 출력 데이타로 출력하기 위한 데이타 처리 장치의 제공을 통해 본 발명의 일측면에서 구현된다.
상술한 목적은, 제 1 처리 단계가, 입력 데이타 및 입력 데이타에 대응하는 출력 데이타가 평가되고 출력 데이타가 시간이 경과함에 따라 개선되도록 입력 데이타가 평가에 따라 처리되는 실시간 처리 방법으로 학습하는 실시간 학습 단계와, 상기 실시간 학습 단계에 의해 학습된 처리 방법에 따라 입력 데이타를 적응적으로 처리하여 출력 데이타를 출력하는 데이타 처리 단계와, 상기 제 1 처리 단계에 의해 처리된 포커스된 입력 데이타 전 시간에 입력된 이전 입력 데이타를, 포커스된 입력 데이타에 대응하는 포커스된 출력 데이타 및 포커스된 출력 데이타의 평가에 따라 처리하여, 이전 입력 데이타에 대응하는 이전 출력 데이타를 출력하는 제 2 처리 단계를 포함하는 입력 데이타를 처리하고 처리된 데이타를 출력 데이타로서 출력하기 위한 데이타 처리 방법의 제공을 통해 본 발명의 다른 측면에서 구현된다.
본 발명의 일 실시예는 도면을 참조하여 이하에 설명된다.
도 1은 본 발명의 일실시예에 따른 자기 동조 처리 회로의 구성예를 도시한다.
자기 동조 처리 회로에 있어서, 처리될 입력 신호(예컨대, 디지털 데이타)는 가장 적합한 처리 방법에 의해 처리되며, 처리 결과는 출력 신호로서 출력된다.
자기 동조 처리 회로는 실시간 학습부(1) 및 신호 처리부(2)로 구성된다.
실시간 학습부(1)는 처리될 입력 신호가 처리되는 처리 방법을 학습하기 위해 이용되는 학습 입력 신호를 수신한다. 실시간 학습부(1)는 출력 신호가 시간이 경과함에 따라 개선되도록 처리될 입력 신호를 적응적으로 처리하기 위하여, 처리 방법이 학습 입력 신호에 따라 실시간에 학습되며, 학습 결과로서 얻어지는 처리 방법이 처리를 위해 이용되도록, 신호 처리부(2)를 제어한다.
신호 처리부(2)는 실시간 학습부(1)에 의해 지정된 처리 방법에 의해 처리될 입력 신호를 적응적으로 처리하고, 그 처리 결과를 출력 신호로서 출력한다.
따라서, 신호 처리부(2)가 상술된 바와 같이 실시간에서 학습된 처리 방법을 이용함으로써 처리된 입력 신호를 처리하기 때문에, 처리될 입력 신호는 적응적으로 처리되고, 이로써 처리될 입력 신호를 적응적으로 처리함으로써 얻어진 출력 신호는 시간이 경과함에 따라 개선된다.
특히, 신호 처리부(2)가 처리될 입력 신호를 처리하는 처리 방법은 실시간 학습부(1)에서의 실시간 학습에 의해 개선된다. 신호 처리부(2)는 실시간 학습부(1)에 의해 지정된 처리 방법을 이용함으로써 처리될 입력 신호를 적응적으로 처리한다. 시간이 결과함에 따라 또는 처리된 입력 신호량이 증가함에 따라, 소위 학습 효과는 점차적으로 나타나며, 신호 처리부(2)로부터 출력된 출력 신호는 시간이 경과함에 따라 개선된다. 출력 신호의 개선은 신호 처리부(2)의 처리 방법이 시간이 경과함에 따라 개선됨을 의미한다.
상술된 바와 같이, 자기 동조 처리 회로에서, 처리될 입력 신호에 대한 처리 방법은 실시간에서 학습되고, 처리는 출력 신호가 시간이 경과함에 따라 개선되도록 학습 결과로서 얻어진 처리 방법에 의해 실행된다. 즉, 학습이 처리됨에 따라, 처리될 입력 신호에 적합한 처리가 자체적으로 제공된다. 따라서, 도 1에 도시된 자기 동조 처리 회로가 수행하는 처리는 자기 동조 처리라고 할 수 있다.
출력 신호의 개선은 예컨대 처리될 입력 신호가 영상인 경우의 화질 개선을 의미한다. 특히, S/N비 또는 해상도의 개선을 의미한다. 신호 처리부(2)에서의 처리 목적이 유연화 또는 에지 강조 같은 효과를 제공하는 경우, 출력 신호의 개선은 효과가 크게 나타남을 의미한다. 따라서, 출력 신호의 개선은 출력 신호가 유저가 요구하는 상태를 갖는 신호로 변화됨을 의미한다.
실시간 학습부(1)는 상기 부분에 입력된 입력 학습 신호에 따라 처리될 입력 신호를 처리하기 위해 이용되는 실시간 처리 방법에서 학습한다. 도 1에 점선으로 도시된 바와 같이, 입력 학습 신호는 신호 처리부(2)에 입력된 처리된 입력 신호, 신호 처리부(2)로부터 출력된 출력 신호 또는 처리될 입력 신호에 공급된 처리 방법의 학습을 수행하기 위하여 자기 동조 처리 회로에 전송된 보조 입력 신호일 수 있다. 2개 이상의 상기 신호들이 입력 학습 신호로서 이용될 수 있다.
자기 동조 처리 회로에 있어서, 신호 처리부(2)의 처리 방법은 실시간 학습부(1)가 실시간에서 학습하는 모든 순간에 개선된다. 따라서, 자기 동조 처리 회로는 소위 시간에 따른 변경 시스템이다. 처리 방법의 개선은 다음의 2가지 경우, 즉 처리 알고리즘이 변경되는 경우와, 일련의 처리로 구성된 처리 스텝의 내용 및 처리로 구성된 소자의 내용이 변경되는 경우에 구현된다
"x"는 처리될 입력 신호를 나타내고, "y"는 출력 신호를 나타내며, 예컨대, 신호 처리부(2)에서의 처리는 함수 "f( )"를 이용하여 y=f(x)의 식으로 표현된다.
식이 "f(x) = a0x2+ b0x + c0"로 설정될 때, 예를 들면 알고리즘이 변경되기 전에 이용된 신호 처리부(2)의 처리가 도 2a에 도시된 흐름도로 표현될 수 있다.
스텝 S1에서, a0x2가 계산된다. 스텝 S2에서, b0x가 계산된다. 다음에, 스텝 S3에서, a0x2+ b0x +c0가 출력 신호 "y"를 얻기 위하여 계산된다.
이 경우, 함수 "f(x)"의 형태 변경은 처리 알고리즘의 변경에 대응한다. 특히, "f(x) = a0x2+ b0x + c0" 에서 "f(x) = (a0x2+ b0x + c0)2"로의 함수 형태 변경은 예컨대 처리 알고리즘의 변경에 대응한다.
이 경우, 알고리즘이 변경된 후 이용되는 신호 처리부(2)의 처리는 예컨대 도 2b에 도시된 흐름도에 의해 표시될 수 있다.
특히, 스텝 S1 내지 S3에서, 도 2a에 도시된 것과 동일한 처리가 실행되며, (a0x2+ b0x + c0)2가 출력 신호 "y"를 얻기 위하여 계산된다.
도 2a에 도시된 흐름도와 도 2b에 도시된 흐름도간의 비교를 통해 명확히 이해되는 바와 같이, 처리 알고리즘이 변경될 때, 처리를 표현하는 흐름도가 또한 이에 따라 변경된다.
함수 "f(x)"의 계수 변경은 처리를 구성하는 소자의 내용 변경에 대응한다. 특히, 예컨대 "f(x) = a0x2+ b0x + c0" 에서 "f(x) = (a1x2+ b1x + c1)2"로의 함수 형태 변경은 처리를 구성하는 소자의 내용 변경에 대응한다.
이 경우, 신호 처리부(2)의 처리는 도 2a에 도시된 것과 동일한 도 3a에서의 흐름도에 의해 도시된 처리로부터 예컨대 도 3b에서의 흐름도에 의해 도시된 처리로 변경된다.
특히, 이 경우 a1x2가 스텝 S1에서 계산되고, b1x가 스텝 S2에서 계산되며, 다음에 a1x2+ b1x + c1가 출력 신호 "y"를 얻도록 스텝 S3에서 계산된다.
도 3a에 도시된 흐름도와 도 3b에 도시된 흐름도간의 비교를 통해 명확히 이해될 수 있는 바와 같이, 함수 "f(x)"의 계수가 변경될 때, 처리를 구성하는 스텝의 내용이 이에 따라 변경된다. 특히, 도 3a 및 도 3b에서, 스텝 S1의 내용은 a0x2의 계산에서 a1x2의 계산으로 변경되고, 스텝 S2의 내용이 b0x의 계산에서 b1x의 계산으로 변경되며, 스텝 S3의 내용이 a0x2+ b0x + c0에서 a1x2+ b1x + c1로 변경된다.
일부 경우, 처리 방법은 처리 알고리즘을 변경시키며 처리를 구성하는 소자의 내용을 변경시킴으로써 개선된다.
도 2a, 2b, 3a, 3b에 이용된 함수는 처리 방법의 개선을 설명하기 위해 이용된 예일 뿐이다. 출력 신호가 실제로 개선되는 가의 여부는 신호 처리부(2)의 처리를 표현하는 함수가 상술된 바와 같이 변경된다는 사실과 무관하다.
자기 동조 처리 회로는 예컨대, 함수 f(x)의 계수가 실시간 학습에 의해 즉, 새로이 생성된 적응 계수에 따라 변경되는 종래의 디지털 필터와 상이하다. 특히, 종래의 디지털 필터에서, 탭 계수는 실시간 학습에 의해 생성되지 않은 미리 준비된 계수로 입력 데이타에 따라 변경될 수 있다. 즉, 종래의 디지털 필터에서, 시스템 디자이너의 생각이 입력 데이타에 적합한 탭 계수가 미리 준비된 탭 계수중에서 선택된다. 입력 데이타에 적응되는 탭 계수는 얻어지지 않는다. 따라서, 입력 데이타에 더 적합한 탭 계수가 존재하더라도, 미리 준비되지 않는다면 이용될 수 없다. 따라서, 상기 종래의 디지털 필터는 일부 경우에 "적응적으로" 그러나 정확하게 말하면 "적응적으로"가 아니라 "선택적으로"인 탭 계수를 변경하는 시스템으로 불리운다. 이것은 입력 데이타에 적응하는 탭 계수가 생성되지 않지만, 입력 데이타에 대하여 단독으로 선택된 탭 계수가 이용되는 시스템이다.
대조적으로, 자기 동조 처리 회로에서, 텝 계수는 입력 데이타가 적응적으로 처리되도록 실시간 학습에 의해 발생된다. 즉, 입력 데이타는 가장 적합한 탭 계수로 처리된다. 특히, 예컨대 종래의 디지털 필터에서, 2세트의 탭 계수가 미리 준비되는 경우, 시스템 디자이너의 생각이 입력 데이타에 적합한 1 또는 2 세트의 탭 계수가 단독으로 선택되어 이용된다. 입력 데이타를 처리하기 위해 이용되는 탭 계수는 입력 데이타에 더 적합한 탭 계수를 얻기 위하여 실시간 학습에 의해 매 순간 개선되며, 처리는 자기 동조 처리 회로에서의 상기 탭 계수의 이용으로 실행된다. 따라서, 입력 데이타에 적응한 처리가 실행된다.
또한, 자가 동조 처리 회로는 입력 데이타에 적응적 처리를 제공하는 종래의 처리와 다르지만, 출력 데이타가 매 순간 개선되는 적응적 동적 범위 코딩(ADRC) 처리 같이 매 순간 개선되지 않는다. 특히, ADRC 처리에서, 화상 내의 블록을 구성하는 화소의 화소값의 최대값 MAX 및 최소값 MIN이 검출되고, 블록을 구성하는 화소의 화소값이 블록에서의 MAX-MIN에 의해 얻어진 로컬 동적 범위 DR에 따라 K비트로 재양자화된다. 특히, 최소값 MIN이 블록 내의 각 화소값으로부터 감산되고, 차는 재양자화를 위해 DR/2K로 나누어진다. 따라서, 적응 처리는 화소값의 재양자화 단계 DR/2K가 블록 정적 범위 DR에 따라 얻어진 입력 데이타에 제공되고, 화소값은 재양자화 단계 DR/2K에 의해 양자화되지만, 양자화 결과로서 얻어진 출력 데이타는 매 순간 개선되지 않는다.
실시간 학습부(1)는 현재 시각 "t"에서 실시간 학습시 시간이 경과함에 따라 출력 신호를 개선하기 위하여 지금까지 얻어진 입력 학습 신호의 모든 샘플값을 이용한다. 신호 처리부(2)의 출력 신호는 실시간 학습부(1)가 현재 시각 "t"에서의 시간 방식에 밀접한 위치에서 얻어진 입력 학습 신호의 샘플값에 가중하고 현재 시각으로부터 먼 위치에서 얻어진 샘플값이 많이 이용되지 않는다면 더 효과적으로 개선될 수 있다. 따라서, 실시간 학습부(1)는 상술한 가중이 입력 학습 신호에 주어지도록 실시간 학습을 실행할 수 있는데, 즉 현재 시각 "t"로부터 멀리있는 시간 방식으로 위치에서 얻어진 입력 학습 신호의 샘플값이 시간차의 정도에 따른 비율에 따라 무시된다. 또한, 실시간 학습부(1)는 현재 시각 "t"로부터의 소정의 시간 주기 내에서 얻어진 입력 학습 신호만을 이용할 수 있다. 특히, 예를 들면 도 4에 도시된 바와 같이, 실시간 학습부(1)는 현재 시각 "t"로부터의 4개의 샘플 내의 입력 학습 신호만이 현재 시각 "t"에서 실시간 학습을 위해 이용되도록 구성된다. 이것은 4개 또는 그 이상의 샘플 주기로 현재 시각 "t"로부터 멀리있는 입력 학습 신호에 제로의 가중을 공급함으로써 실행될 수 있다.
현재의 시각 "t"에서의 실시간 학습에 있어서, 실시간 학습부(1)는 현재의 시각 "t"에서 얻어진 입력 학습 신호의 샘플값으로부터의 크기에서 소정의 범위 내의 샘플값만을 이용할 수 있다. 특히, 예를 들면 도 4에서, 현재 시각 "t"에서 얻어진 입력 학습 신호의 샘플값과 상당히 다른 크기를 갖는 시각 "t-2"에서 얻어진 입력 학습 신호의 샘플값 같은 샘플값이 학습에 악영향을 줄 수 있다. 따라서, 실시간 학습부(1)의 현재 시각 "t"에서의 실시간 학습에서 현재 시각 "t"에서 얻어진 입력 학습 신호와 상당히 다른 크기를 갖는 샘플값에 제로의 가중을 제공하기 위해 이용되지 않는다.
도 5는 도 1에 도시된 자기 동조 처리 회로가 적용되는 잡음 감소(NR) 처리 회로(100)의 예시적 구조를 도시한다.
상기 NR 처리 회로(100)에서, 잡음을 갖는 데이타가 NR 처리 회로(100)에 입력될 때, 자기 동조 처리는 입력 데이타에 부가되고, 입력 데이타로부터 잡음을 효과적으로 제거함으로써 얻어진 데이타가 출력된다.
특히, 예를 들면 설명을 간단히 하기 위하여, 일정한 진리값을 갖는 입력 데이타와 시간에 따라 변동하는 잡음이 부가되는 경우 도 6a에 도시된 바와 같이 시간에 따라 변동하는 잡음을 제거하기 위해 평균화된다. 잡음은 큰 잡음 레벨, 즉 낮은 S/N비를 갖는 입력 데이타에 대한 가중을 작은 값으로 설정하며, 작은 잡음 레벨, 즉 높은 S/N비를 갖는 입력 데이타에 대한 가중을 큰 값으로 설정함으로써 효과적으로 제거된다.
NR 처리 회로(100)에 있어서, 입력 데이타의 평가값으로, 입력 데이타가 진리값에 대한 입력 데이타의 신뢰도인 진리값에 가까운가를 나타내는 신뢰도가 예를 들면 도 6b에 도시된 바와 같이 실시간 학습에 의해 얻어진다. NR 처리 회로(100)는 가중이 잡음을 효과적으로 제거하기 위하여 입력 데이타에 공급된 신뢰도에 대응하는 동안 그 평균을 계산한다.
따라서, NR 처리 회로(100)는 그 신뢰도에 대응하는 가중의 이용에 의해 입력 데이타의 가중된 평균을 얻고, 이것을 출력 데이타로 출력한다. 출력 데이타 y(t)는 다음의 수학식으로 얻어지며, 여기서 x(t), y(t) 및 αx(t)는 입력 데이타, 출력 데이타 및 NR 처리 회로(100)에서의 시각 "t"에서의 입력 데이타의 신뢰도를 각각 나타낸다.
여기서, 가중이 클수록 입력 데이타의 신뢰도 αx(t)가 높은 것으로 추정된다.
현재 시각 "t" 전의 한 샘플에서 얻어진 출력 데이타 "y(t-1)"는 수학식(1)으로부터 다음과 같이 계산된다.
출력 데이타 y(t)에 대하여, 출력 데이타 y(t)가 진리값에 대한 출력 데이타 y(t)의 신뢰도인 진리값에 가까운가를 나타내는 신뢰도 αy(t)가 출력 데이타 y(t)의 평가값으로 도입된다. 현재 시각 "t" 전의 한 샘플에서 얻어진 출력 데이타 y(t-1)의 신뢰도 αy(t-1)는 다음 수학식으로 정의된다.
이 경우에, 출력 데이타 "y(t)" 및 그 신뢰도 αy(t)는 수학식 1 내지 3의 이용으로 다음과 같이 표현된다.
시각 "t"에서 출력 데이타 y(t)를 얻기 위해 이용되는 가중은 w(t)로 표시되고 다음의 수학식으로 정의된다.
수학식 5로부터, 다음의 수학식이 만족된다.
수학식 5 및 6의 이용으로, 수학식 4에서의 출력 데이타 y(t)는 승산 및 가산에 의해 얻어진 가중 평균에 의해 다음의 방식으로 표현될 수 있다.
수학식 7에서 이용되는 가중치 w(t) 및 1-w(t)는 한 샘플 전에 얻어진 출력 데이타 y(t-1)의 신뢰도 αy(t-1)및 현재 입력 데이타 x(t)의 신뢰도 αx(s)의 이용을 통해 얻어질 수 있다.
입력 데이타 x(t)의 신뢰도 αx(t)및 출력 데이타 y(t)의 신뢰도 αy(t)가 각각 대응하는 분산 σx(t) 2또는 σy(t) 2의 역수로 표시될 때, 즉 신뢰도 αx(t)및 신뢰도 αy(t)가 다음과 같이 설정될 때,
수학식 7에서의 가중치 w(t)은 다음의 수학식에 의해 얻어질 수 있다.
이 경우, 수학식 7에서의 1-w(t)는 다음의 수학식에 의해 얻어질 수 있다.
항, σy(t) 2은 다음의 수학식에 의해 얻어질 수 있다.
도 5에 도시된 NR 처리 회로(100)는 입력 학습 신호로서 이용되는 입력 데이타 x(t) 및 출력 데이타 y(t)를 갖는 수학식 5 에 따른 가중치 w(t) 및 수학식 6에 따른 1-w(t)를 실시간 학습한다. NR 처리 회로는 입력 데이타 x(t)에 포함된 잡음이 효과적으로 제거되도록 입력 데이타 x(t)를 적응적으로 처리하기 위하여 실시간 학습 결과로서 얻어진 가중치 w(t)를 이용하여 수학식 7에 따른 현재의 입력 데이타 x(t)와 이전의 한 샘플에서 얻어진 출력 데이타 y(t-1)의 가중 평균을 계산한다. 즉, NR 처리 회로(100)로부터 출력된 출력 데이타 y(t)의 S/N비는 시간이 경과함에 따라 개선된다.
도 7은 상기 NR 처리 회로(100)의 구성예를 도시한다.
래치 회로(111)는 예컨대 입력 데이타가 수신될 때의 타이밍과 동시에 입력 데이타를 래치하고, 이것을 다음 단의 래치 회로(11) 및 입력 신뢰도 계산부(12)에 전송한다. 래치 회로(112) 및 래치 회로(113)는 이것을 이전 단의 래치 회로(111, 112) 각각에 및, 래치 회로(111)와 동일한 방식으로 입력 신뢰도 계산부(12)에 전송한다. 래치 회로(114)는 이전 단의 래치 회로(113)로부터 출력된 데이타를 래치하고, 이것을 입력 신뢰도 계산부(12)에 전송한다.
입력 신뢰도 계산부(12)는 래치 회로(111내지 114)에 의해 래치된 입력 데이타와 함께 래치 회로에 전송된 것과 동일한 입력 데이타를 수신한다. 따라서, 입력 데이타 x(t)가 래치 회로(111) 및 입력 신뢰도 계산부(12)에 전송할 때, 입력 신뢰도 계산부(12)는 또한 래치 회로(111내지 114)에 의해 래치된 입력 데이타 x(t-1) 내지 x(t-4)를 수신한다. 입력 신뢰도 계산 회로(12)는 예를 들면 입력 데이타 x(t) 내지 x(t-4)로부터 입력 데이타의 분산을 계산하고, 신뢰도 αx(t), 즉 출력 신뢰도 계산부(13) 및 가중 계산부(15)에 입력 데이타 x(t)의 입력 신뢰도로서 분산의 역수를 전송한다.
입력 신뢰도 계산부(13)는 신뢰도, 즉 입력 신뢰도 계산부(12) 및 래치 회로(14)의 출력부로부터 전송된 입력 신뢰도 αx(t)의 이용으로 수학식 4에 따른 출력 데이타 y(t)의 출력 신뢰도를 얻으며, 이것을 래치 회로(14)에 전송한다.
래치 회로(14)는 예컨대 입력 데이타의 래치와 동시에 출력 신뢰도 계산부(13)로부터 전송된 출력 신뢰도 αy(t)를 래치하고, 이것을 출력 신뢰도 계산부(13) 및 가중 계산부(15)에 전송한다. 따라서, 래치 회로(14)는 이전의 한 샘플에서 얻어진 출력 신뢰도 αy(t-1)를 출력 신뢰도 계산부(13) 및 가중 계산부(15)에 전송한다. 가중 계산부(15)는 입력 신뢰도 계산부(12)로부터 전송된 입력 신뢰도 αx(t)및 래치 회로(14)로부터 전송된 출력 신뢰도 αy(t-1)를 이용하여 수학식 5에 따라 가중치 w(t)을 얻으며, 이것을 가중부(21) 및 연산부(22)에 전송한다.
상술된 래치 회로(111내지 114), 입력 신뢰도 계산부(12), 출력 신뢰도 계산부(13), 래치 회로(14) 및 가중 계산부(15)는 도 1에 도시된 실시간 학습부에 대응한다.
가중부(21)는 가중 계산부(15)로부터 전송된 가중치 w(t)와 래치 회로(25)의 출력을 곱하고, 이것을 연산부(24)에 전송한다. 연산부(22)는 1에서 가중 계산부(15)로부터 전송된 가중치 w(t)를 감산하고, 감산 결과인 1-w(t)를 가중부(23)에 전송한다. 가중부(23)는 연산부(22)의 출력과 함께 입력 데이타 x(t)를 수신한다. 가중부(23)는 입력 데이타 x(t)와 연산부(22)의 출력을 곱하고, 그 결과를 연산부(24)에 전송한다. 연산부(24)는 가중부(21, 23)의 출력을 가산하고, 그 합을 출력 데이타 y(t)로서 출력하며, 이것을 래치 회로(25)에 전송한다. 래치 회로(25)는 연산부(24)의 출력 데이타를 예컨대 입력 데이타 x(t)의 래치와 동시에 래치하고, 이것을 가중부(21)에 전송한다.
상술된 가중부(21), 연산부(22), 가중부(23), 연산부(24) 및 래치 회로(25)는 도 1에 도시된 신호 처리부(2)에 대응하며, 수학식 7에 따라 가중된 평균을 계산하며, 이것을 출력 데이타 y(t)로서 출력한다.
도 8은 도 7에 도시된 입력 신뢰도 계산부(12)의 구성예를 도시한다.
상술된 바와 같이, 입력 신뢰도 계산부(12)는 현재 하나 전의 4개의 샘플까지 입력 데이타 x(t-1) 내지 x(t-4)와 함께 현재 입력 데이타 x(t)를 수신한다. 입력 신뢰도 계산부(12)는 도 9에 도시된 바와 같이 5샘플 입력 데이타 x(t) 내지 x(t-4)의 분산을 얻으며, 분산의 역수를 입력 신뢰도 αx(t)로서 출력한다.
특히, 입력 데이타 x(t) 내지 x(t-4)는 평균 계산 회로(31) 및 분산 계산 회로(32)에 전송된다. 평균 계산 회로(31)는 다음의 수학식에 따라 5샘플 입력 데이타 x(t) 내지 x(t-4)의 평균 m(t)을 계산하고, 그 결과를 분산 계산 회로(32)에 전송한다.
도 8에 도시된 실시예에서, N은 수학식 12에서 5와 동일하다.
분산 계산 회로(32)는 이에 입력된 입력 데이타 x(t) 내지 x(t-4)를 이용하고, 평균 m(t)은 수학식 13에 따른 분산 σx(t) 2을 계산하기 위하여 평균 계산 회로(31)로부터 전송되고, 이것을 역수 계산 회로(33)에 전송한다.
수학식 12와 동일한 방식으로, N은 또한 도 8에 도시된 실시예에서의 수학식 13에서의 5와 동일하다.
역수 계산 회로(33)는 분산 계산 회로(32)로부터 전송된 분산 σx(t) 2의 역수를 얻으며, 이것을 입력 신뢰도 αx(t)로서 출력한다.
도 10은 도 7에 도시된 출력 신뢰도 계산부(13)의 구성예를 도시한다.
도면에 도시된 바와 같이, 출력 신뢰도 계산부(13)는 연산부(41)로 형성된다. 연산부(41)는 입력 신뢰도 연산부(12)로부터 전성된 현재 입력 신뢰도 αx(t)및 래치 회로(14)로부터 전송된 이전의 한 샘플에서 얻어진 출력 신뢰도 αy(t-1)를 수신한다. 연산부(41)는 수학식 4에 따라 입력 신뢰도 αx(t)와 출력 신뢰도 αy(t-1)을 가산하며, 그 합을 현재 출력 신뢰도 αy(t)로서 출력한다.
도 7에 도시된 NR 처리 회로(100)의 연산은 도 11a, 11b, 12를 참조하여 이하에 설명된다. NR 처리 회로(100)의 연산 및 각 기능적 블록의 제어는 도시되지 않은 제어기에 의해 실행된다. 또한, 전체 NR 처리 알고리즘은 소프트웨어에 의해 실행될 수 있다.
도 11a에 도시된 바와 같이, NR 처리 회로(100)는 분산 σx(t) 2을 얻으며 또한 입력 신뢰도 αx(t)로서 분산의 역수를 얻기 위하여, 5개의 샘플, 현재의 입력 데이타 x(t) 및 현재의 것 이전의 4개의 샘플까지 얻어진 입력 데이타 x(t-1) 내지 x(t-4)를 이용한다.
현재의 출력 데이타의 신뢰도 αy(t)와 함께 중량 w(t)는 도 11b에 도시된 바와 같이 입력 신뢰도 αx(t)및 한 샘플 전에 얻어진 출력 신뢰도 αy(t-1)를 이용하여 얻어지며, 입력 데이타 x(t)의 가중 평균 및 한 샘플 이전에 얻어진 출력 데이타 y(t-1)가 출력 데이타 y(t)로서 가중 평균을 출력시키기 위하여 가중치 w(t)에 따라 계산된다. 상기 처리와 함께, αy(t)및 σx(t) 2은 도 11b에 도시된 바와 같이 상기 순서로 얻어진다.
특히, 도 12의 흐름도에 도시된 바와 같이, 입력 데이타 x(t)는 스텝 S11에서 래치 회로(111), 입력 신뢰도 연산부(12) 및 가중부(13)에 입력된다.
다음 스텝 S12에서, 입력 신뢰도 연산부(12)는 입력 신뢰도 αx(t)를 얻는다.
특히, 래치 회로(111)는 입력 데이타가 수신되는 타이밍과 동시에 수신된 입력 데이타를 래치하고, 이것을 다음 단의 래치 회로(112) 및 입력 신뢰도 계산부(12)에 전송한다. 래치 회로(112) 및 래치 회로(113)는 이전 단 래치 회로(111, 112)로부터 출력된 입력 데이타를 래치하고, 이 데이타를 래치 회로(111)와 동일한 방식으로 다음 단 래치 회로(113, 114) 및 입력 신뢰도 계산부(12)에 각각 전송한다. 래치 회로(114)는 이전 단 래치 회로(113)로부터 출력된 입력 데이타를 래치하고, 이것을 입력 신뢰도 계산부(12)에 전송한다. 따라서, 입력 신뢰도 계산부(12)는 입력 데이타 x(t)를 수신할 때와 같이 래치 회로(112내지 114)로부터 입력 데이타 x(t-1) 내지 x(t-4)를 수신한다. 입력 신뢰도 계산부(12)는 입력 신뢰도 αx(t)를 얻기 위하여 입력 데이타 x(t) 내지 x(t-4)를 이용하고, 이것을 출력 신뢰도 계산부(13) 및 가중 계산부(15)에 상술된 바와 같이 전송한다.
입력 신뢰도 계산부(12)가 입력 신뢰도 αx(t)를 가중 계산부(15)에 전송하는 타이밍에서, 래치 회로(14)는 이전의 한 샘플에서 출력 신뢰도 계산부(13)로부터 출력된 출력 신뢰도 αy(t-1)를 래치한다. 스텝 S13에서, 가중 계산부(15)는 수학식 5에 따라 가중치 w(t)를 얻기 위하여, 입력 신뢰도 계산부(12)로부터 전송된 입력 신뢰도 αx(t)및 래치 회로에 의해 래치된 출력 신뢰도 αy(t-1)를 이용한다.
가중부(21), 연산부(22), 가중부(23), 연산부(24) 및 래치 회로(25)는 수학식 7에 따라 이전의 한 샘플에서 얻어진 입력 데이타 x(t) 및 출력 데이타 y(t-1)의 가중 평균을 계산하기 위하여 가중 계산부(15)로부터 출력된 가중치 w(t)를 이용한다.
특히, 가중부(21)는 가중 계산부(15)로부터 전송된 가중치 w(t)에 의해 래치 회로(25)의 출력을 승산하고, 그 결과를 연산부(24)에 전송한다. 래치 회로(25)는 가중 연산부(15)가 가중치 w(t)를 출력하는 타이밍에서 최종 시각을 출력하는 출력 데이타 y(t-1)을 래치한다. 따라서, 가중부(21)는 출력 데이타 y(t-1)와 가중치 w(t)의 곱 w(t)y(t-1)을 얻어서, 이것을 연산부(24)에 전송한다.
연산부(22)는 1에서 가중 연산부(15)로부터 전송된 가중치 w(t)를 감산하고, 감산값 1-w(t)를 가중부(23)에 전송한다. 가중부(23)는 연산부(22)의 출력 1-w(t)과 입력 데이타 x(t)를 승산하고, 승산 결과 (1-w(t))x(t)를 연산부(24)에 전송한다.
연산부(24)는 가중부(21)의 출력 w(t)y(t-1)과 가중부(23)의 출력 (1-w(t))x(t)을 가산한다. 즉, 가중 계산부(15)로부터 출력된 가중치 w(t)를 이용하여, 입력 데이타 x(t)와 한 샘플 전에 얻어진 출력 데이타 y(t-1)의 가중 평균이 수학식 7에 따라 계산된다.
상기 가중 평균은 스텝 S15에서 출력 데이타 y(t)로서 출력된다. 출력 데이타 y(t)는 래치 회로(25)에 전송되어 래치된다.
다음 스텝 S16에서, 제어기는 입력 데이타가 아직 있는가의 여부를 판단한다. 스텝 S16에서 처리된 입력 데이타가 아직 있다고 판단되면, 처리는 스텝 S17로 진행하여, 출력 신뢰도 계산부(13)는 출력 신뢰도를 갱신한다. 특히, 출력 신뢰도 계산부(13)는 현재의 출력 신뢰도 αy(t)를 얻기 위하여 수학식 4에 따라 입력 신뢰도 계산부(12)에 의해 스텝 S12에서 계산된 입력 신뢰도 한 샘플 전에 얻어지며αx(t)와 래치 회로(14)에 의해 래치된 출력 신뢰도 αy(t-1)를 가산한다. 다음에, 처리는 스텝 S11로 돌아가서, 동일한 처리가 다음 입력 데이타에 반복된다.
한편, 제어기가 스텝 S16에서 처리될 입력 데이타가 존재하지 않는다고 판단하면, 처리는 종료된다.
상술된 바와 같이, 현재의 입력 데이타 x(t)의 입력 신뢰도 αx(t)및 한 샘플 전에 얻어진 출력 신뢰도 αy(t-1)는 가중치 w(t)를 계산하기 위하여 가산된다. 다음에, 가중치 w(t)에 따라 현재의 입력 데이타 x(t)의 가중 평균 및 한 샘플 이전에 얻어진 출력 데이타 y(t-1)가 계산되고, 평균이 입력 데이타 x(t)의 처리 결과로서 이용되는 출력 데이타 y(t)로서 출력된다. 다음에, 출력 데이타 y(t)의 출력 신뢰도 αy(t)는 현재의 입력 신뢰도 αx(t)를 한 샘플 이전에 얻어진 출력에 가산함으로써 얻어진다. 동일한 방식으로 입력 데이타 x(t+1), x(t+2),...가 순차적으로 처리된다. 따라서, 가중치 w(t)는 높은 잡음 레벨을 갖는 부분이 많이 고려되지 않고 낮은 잡음 레벨을 갖는 부분이 이전의 입력 데이타를 충분히 고려하도록 학습된다. 즉, NR 처리 회로(100)는 입력 데이타에 적응하는 가중치 w(t)를 얻으며, 그 결과 가중치 w(t)의 학습이 처리됨에 따라 매번 출력 데이타를 개선한다. NR 처리 회로(100)는 입력 데이타로부터 잡음을 제거하여 데이타를 출력한다.
NR 처리 회로(100)는 도 7에 도시된 실시예에서 분산 σx(t) 2을 얻기 위하여 5샘플 입력 데이타 x(t) 내지 x(t-4)를 이용하기 때문에, 분산의 역수인 입력 신뢰도 αx(t)가 5샘플을 얻기 위해 필요한 시간이 데이타 입력의 개시로부터 경과할 때까지 얻어질 수 없다. 5샘플을 얻기 위해 필요한 시간이 경과할 때까지, NR 처리 회로(100)는 예컨대 입력 신뢰도나 출력 신뢰도가 계산되지 않는 방식으로 처리를 실행할 수 있으며, 입력된 입력 데이타의 간단한 평균이 얻어져서 출력 데이타로서 출력된다. 데이타 입력이 개시된 직후에 이용되는 처리 방법은 상기 방법에 한정되지 않는다.
상술된 경우에서, NR 처리 회로(100)는 입력 데이타 분산의 역수를 입력 신뢰도 αx(t)로서 이용하기 때문에, 입력 신뢰도 αx(t)는 소정의 시간 범위 내의 입력 데이타의 산포도를 표시한다. 따라서, 입력 데이타에 포함된 잡음도, 예컨대 입력 데이타의 S/N비가 변화하면, NR 처리 회로(100)는 잡음을 매우 효과적으로 제거한다.
그러나, 입력 데이타 분산의 역수가 NR 처리 회로(100) 내의 입력 신뢰도 αx(t)로서 이용되는 경우, 잡음 제거의 영향은 분산의 특성 때문에 잡음 레벨의 국부적 변화, 즉 매우 작은 영역에서의 변화에 대하여 약간 낮아진다.
잡음 레벨의 국부적 변화는 예컨대 입력 데이타의 평균에 대한 현재 입력 데이타의 에러 제곱의 역수를 입력 신뢰도 αx(t)로서 이용함으로써 효과적으로 조정될 수 있다.
이 경우, 입력 신뢰도 αx(t)는 다음의 방식으로 계산된다.
특히, 예컨대, NR 처리 회로(100)가 도 13에 도시된 바와 같이 수학식 15에 따라 5샘플 입력 데이타 x(t) 내지 x(t-4)의 평균 m(t)을 계산한다.
도 13에 도시된 실시예에서, N은 수학식 15에서의 5와 같다.
입력 데이타 x(t) 및 평균 m(t)을 이용하여, NR 처리 회로(100)는 수학식 16에 따라 평균 m(t)에 대한 입력 데이타의 에러 제곱 dx(t) 2를 계산한다.
다음에, 에러 제곱 dx(t) 2의 역수가 입력 신뢰도 αx(t)를 얻기 위하여 다음의 수학식에 따라 얻어진다.
상술된 바와 같이, 에러 제곱의 역수를 입력 신뢰도 αx(t)로서 이용하는 방법은 특히 평균 m(t)이 진리값에 가까울 때 효과적이다.
상기 설명에서, 입력 신뢰도 αx(t)는 분산 σx(t) 2또는 에러 제곱 dx(t) 2에 기초하여 얻어진다. 또한 이들 모두에 기초하여 얻어질 수 있다. 특히, 예를 들면 분산 σx(t) 2의 역수와 에러 제곱 dx(t) 2의 역수의 합이 입력 신뢰도 αx(t)로서 이용될 수 있다.
분산 σx(t) 2은 더 넓은 영역에서 입력 데이타의 국부 산포도를 표시하고, 에러 제곱 dx(t) 2은 좁은 영역에서의 데이타의 국부 산포도를 표시하기 때문에, 입력 데이타가 보다 넓은 범위에서의 변경 S/N비를 갖고 입력 데이타에 포함된 잡음의 국부 레벨이 또한 변경하더라도, 상기 요소의 결합이 입력 신뢰도 αx(t)로서 이용될 때, 잡음이 효과적으로 제거된다.
도 14는 화상 입력 데이타가 입력 신뢰도 αx(t)로서 이용되는 분산 αx(t) 2으로 처리되는 자기 동조 처리의 시뮬레이션 결과를 도시한다.
도 14에서, 수평축과 수직축은 프레임 카운터 또는 프레임 번호 및 S/N비를 각각 표시한다. 입력 화상 데이타의 S/N비는 ◇ 마크로 표시된다. 이동 평균 방식에 의해 얻어진 출력 데이타의 S/N비는 + 마크로 표시되고, 본 발명에 따른 방법에 의해 얻어진 출력 데이타의 S/N비는 × 마크로 표시된다. 5샘플이 이동 평균과 입력 신뢰도 αx(t)를 계산하기 위해 이용된다.
도 14로부터 명확히 알 수 있는 바와 같이, 이동 평균 방법에 의해 얻어진 출력 데이타의 S/N비는 입력 화상 데이타의 S/N비를 추적한다. 따라서, 화상 데이타의 S/N비가 증가할 때 출력 데이타의 S/N비가 또한 증가하고, 화상 데이타의 S/N비가 감소할 때, 본 발명에 따른 방법에 의해 얻어진 출력 데이타의 S/N비가 가중치 w(t)의 학습 효과로 인해 매번 증가하며, 화상 데이타의 S/N비에서의 변화를 거의 받지 않는다.
도 15는 도 1에 도시된 자기 동조 처리 회로가 공급되는 NR 처리 회로(100)의 다른 실시예의 구성예를 도시한다.
디지털 화상 데이타 같은 입력 데이타는 입력 버퍼(51)에 순차적인 시간으로 전송된다. 입력 버퍼(51)는 예컨대 프레임 단위의 순서로 전송된 화상 데이타를 기억한다. 입력 버퍼(51)는 또한 프레임, 즉 소정의 타이밍에 기억된 화상 데이타의 제 x 입력 프레임을 판독하고, 필요하다면 이것을 NR부(52f1내지 52f3) 및 NR부(52r1및 52r2)에 전송한다.
즉, 도 15에 도시된 실시예에서, 처리는 예컨대 한 처리 유닛으로 조정되는 3프레임으로 실행된다. 입력 버퍼(51)는 제 (3n+1) 프레임을 NR부(52f1및 52r1)에, 제 (3n+2) 입력 프레임을 NR부(52f2및 52r2)에 및, 제 (3n+3) 입력 프레임을 NR부(52f3)에 전송한다(여기서, n = 0, 1, 2, ...).
NR부(52f1내지 52f3) 및 NR부(52r1내지 52r2)는 각각 기본적으로 도 7에 도시된 NR 처리 회로(100)와 동일한 방식으로 구성된다. 따라서, 이들 각각은 기본적으로 NR 처리 회로에 입력된 화상 데이타를 처리하고, 도 7에 도시된 NR 처리 회로와 동일한 방식으로 데이타를 출력한다.
NR부(52f1)는 제 (3n+1) 입력 프레임과 함께 제 (3n+3) 입력 프레임(제 3(n-1)+3) 입력 프레임)의 처리 결과, 즉 NR부(52f3)에 의해 얻어진 제 (3n+3) 중간 프레임 및 NR부(52f3)에 의해 얻어진 제 (3n+3) 중간 프레임(3(n-1)+3) 중간 프레임)의 출력 신뢰도를 수신한다. NR부(52f1)는 또한 제(3n+1) 입력 프레임, 즉 제 (3n+1) 중간 프레임의 처리 결과 및 제 (3n+1) 중간 프레임의 출력 신뢰도를 NR부(52f2)에 전송한다.
또한, NR부(52f2)는 상술된 바와 같이 제 (3n+2) 입력 프레임과 더불어, 제 (3n+1) 중간 프레임 및 그 출력 신뢰도를 NR부(52f1)로부터 수신한다. NR부(52f2)는 또한 제 (3n+2) 입력 프레임, 즉 제 (3n+2) 중간 프레임의 처리 결과 및 제 (3n+2) 중간 프레임의 출력 신뢰도를 NR부(52f3)에 전송한다.
또한, NR부(52f3)는 상술된 바와 같이 제 (3n+3) 입력 프레임과 함께 제 (3n+2) 중간 프레임 및 그 출력 신뢰도를 NR부(52f2)로부터 수신한다. NR부(52f3)는 또한 상술된 바와 같이 제 (3n+3) 중간 프레임(제 (3(n-1)+3) 중간 프레임) 및 그 출력 신뢰도를 NR부(52f1) 및 NR부(52r2)에 및, 제 (3n+3) 중간 프레임을 출력 버퍼(53)에 전송한다.
또한, NR부(52r2)는 상술된 바와 같이 제 (3n+2) 입력 프레임과 함께 제 (3n+3) 중간 프레임 및 그 출력 신뢰도를 NR부(52f3)로부터 수신한다. NR부(52r2)는 또한 상술된 바와 같이 제 (3n+3) 중간 프레임(제 (3(n-1)+3) 중간 프레임) 및 그 출력 신뢰도를 NR부(52f1) 및 NR부(52r2)에 전송하고, 제 (3n+3) 중간 프레임을 출력 버퍼(53)에 전송한다.
또한, NR부(52r2)는 상술된 바와 같이 제 (3n+2) 입력 프레임과 함께 제 (3n+3) 중간 프레임 및 그 출력 신뢰도를 NR부(52f3)로부터 수신한다. NR부(52r2)는 또한 입력 프레임, 즉 제 (3n+2) 출력 프레임의 처리 결과 및 제 (3n+2) 출력 프레임의 출력 신뢰도를 NR부(52r3)에, 및 제 (3n+2) 출력 프레임을 출력 버퍼(53)에 전송한다.
또한, NR부(52r1)는 상술된 바와 같이 제 (3n+1) 입력 프레임과 함께, 제 (3n+2) 출력 프레임 및 그 출력 신뢰도를 NR부(52r2)로부터 수신한다. NR부(52r1)는 또한 제 (3n+1) 입력 프레임, 즉 제 (3n+1) 출력 프레임을 출력 버퍼(53)에 전송한다.
상기 출력 버퍼(53)는 NR부(53f3)로부터 전송된 제 (3n+3) 중간 프레임, NR부(53r2)로부터 전송된 제 (3n+2) 출력 프레임 및, NR부(52r1)로부터 전송된 제 (3n+1) 출력 프레임을 일시적으로 기억하고, 순서대로 3개의 프레임 화상 데이타를 시간 연속적으로 판독하고 이것을 출력한다.
도 16은 도 15에 도시된 NR부(52f1내지 52f3), 즉 NR부(52) 각각의 구성예를 도시한다. 도면에서, 도 7에서 이용된 것과 동일한 심볼은 도 7에 도시된 것에 대응하는 부분으로 지정된다. 특히, NR부(52)는 래치 회로(14, 25)가 제공되지 않은 것을 제외하면 NR 처리 회로와 동일한 방식으로 구성된다.
NR부(52)에서, 입력 데이타에 대응하는 출력 데이타의 출력 신뢰도를 계산하기 위해 필요하며 입력 데이타를 처리하기 위해 이용되는 출력 데이타의 출력 신뢰도가 다른 NR부로부터 출력 신뢰도 계산부(13)에 전송된다. NR부(52)에서, 입력 데이타가 가중 부가된 출력 데이타는 또한 다른 NR부로부터 가중부(21)로 전송된다. 또한, NR부(52)에서, 출력 신뢰도 계산부(13)에서 계산된 출력 신뢰도는 NR부(52)의 가중 계산부(15)와 함께 다른 NR부에 전송된다.
특히, 도 17은 도 16에 도시된 바와 같이 NR부(52f1내지 52f3) 및 NR부(52r1및 52r2)간의 접속 관계를 도시한다.
도 17에 도시된 바와 같이, NR부(52f3)의 출력 신뢰도 계산부(13)로부터 출력된 제 (3(n-1)+3) 중간 프레임의 출력 신뢰도는 NR부(52f1)의 출력 신뢰도 계산부(13)로부터 전송된다. NR부(52f1)의 출력 신뢰도 계산부(13)는 제 (3(n-1)+3)의 출력 신뢰도로부터 NR부(52f1)에서 출력될 제 (3n+1)의 출력 신뢰도 및, NR부(52f1)의 입력 신뢰도 계산부(12)에서 출력될 제 (3n+1) 입력 프레임의 입력 신뢰도를 계산한다. 특히, 3(n-1)+3 = 3n = t-1(여기서, 3n+1=t)이기 때문에, 제 t 중간 프레임의 출력 신뢰도 αy(t), 즉 제 (3n+1) 중간 프레임의 출력 신뢰도 αy(3n+1)는 수학식 4에 따라 계산되어, NR부(52f1)의 가중 계산부(15) 및 NR부(52f2)의 출력 신뢰도 계산부(13)에 전송된다.
따라서, NR부(52f1)의 가중 계산부(15)는 입력된 제 (3n+1) 입력 프레임의 입력 신뢰도 αx(3n+1)및 제 (3n+1) 중간 프레임의 출력 신뢰도 αy(3n+1)로부터 가중치 w(3n+1)를 계산한다. 특히, 도 7에 도시된 가중 계산부(15)에서, 가중치 w(t)는 현재 입력 데이타 x(t)의 입력 신뢰도 αx(t)및 한 샘플 전에 얻어진 출력 데이타 y(t-1)의 출력 신뢰도 αy(t-1)로부터 얻어진다. NR부(52f1)의 가중 계산부(15) 및 NR부(52f2및 52f3)의 가중 계산부(15)에서, 가중치 w(t)는 현재 입력 데이타 x(t)의 입력 신뢰도 αx(t)및 입력 데이타에 대응하는 출력 데이타 y(t)의 출력 신뢰도 αy(t)로부터 얻어진다.
상기 가중치 w(t)는 상기 수학식 4를 사용하여 수학식 5로부터 삭제되기 전에 출력 신뢰도 αy(t-1)가 하나의 샘플을 얻었을 때 다음의 수학식에 의해 표현될 수 있다.
수학식 18에 기재된 바와 같이, 가중치 w(t)는 현재 입력 데이타 x(t)의 αx(t)와 상기 입력 데이타에 대응하는 출력 데이타 y(t)의 αy(t)로부터 구해진다. NR부(52f1)의 가중 계산부(15)에서, 가중치 w(t)는 상술된 방식으로 얻어진다. 도 7에 도시된 NR 처리 회로(100)에서, 가중치 w(t)는 동일한 방식으로 얻어질 수 있다.
제 (3(n-1)+3) 중간 프레임, 즉 NR부(52f3)의 연산부(24)로부터 출력된 제 (3(n-1)+3) 입력 프레임의 처리 결과는 NR부(52f3)의 가중부(21)에 전송된다. NR부(52f1)의 가중부(21)에서, 제 (3(n-1)+3) 중간 프레임은 가중치 w(t)와 승산되어 연산부(24)에 전송된다. 따라서, NR부(52f1)의 연산부(24)에서, 3(n-1)+3 = 3n = t-1(여기서, 3n+1=t)이기 때문에, 제 t 입력 프레임의 처리 결과인 제 t 중간 프레임 y(t)는 수학식 7에 따라 계산되어 출력된다.
상술된 바와 같이, NR부(52f1)의 출력 신뢰도 계산부(13)로부터 출력된 제 (3n+1) 중간 프레임의 출력 신뢰도는 NR부(52f2)의 출력 신뢰도 계산부(13)로부터 출력된다. NR부(52f2)의 출력 신뢰도 계산부(13)는 제 (3n+1) 중간 프레임의 출력 신뢰도로부터 출력될 제 (3n+2) 중간 프레임의 출력 신뢰도 및, NR부(52f2)의 입력 신뢰도 계산부(12)로부터 출력된 제 (3n+2) 입력 프레임의 입력 신뢰도를 계산한다. 특히, 3n+1 = t-1(여기서, 3n+2=t)이기 때문에, 제 t 중간 프레임의 출력 신뢰도 αy(t), 즉 제 (3n+2) 중간 프레임의 출력 신뢰도 αy(3n+2)은 수학식 4에 따라 계산되고, NR부(52f2)의 가중 계산부(15) 및 NR부(52f3)의 출력 신뢰도 계산부(13)에 전송된다.
따라서, 가중 계산부(15)는 입력된 제 (3n+2) 입력 프레임의 입력 신뢰도 αx(3n+2)및, 수학식 4에서의 가중치 w(t)를 얻기 위한 수학식과 동일한 수학식 18에 따라 제 (3n+2) 중간 프레임의 출력 신뢰도 αy(3n+2)로부터 가중치 w(3n+2)를 계산한다.
제 (3n+1) 중간 프레임, 즉 NR부(52f1)의 연산부(24)로부터 출력된 제 (3n+1) 입력 프레임의 처리 결과는, NR부(52f2)의 가중부(21)에 전송된다. NR부(52f2)의 가중부(21)에서, 제 (3n+1) 중간 프레임은 가중치 w(t)와 승산되어, 연산부(24)에 전송된다. 따라서, NR부(52f2)의 연산부(24)에서, 3n+2=t인 경우, 제 t 입력 프레임의 처리 결과인 제 t 중간 프레임 y(t)은 수학식 7에 따라 계산되어 출력된다.
상술된 바와 같이, NR부(52f2)의 출력 신뢰도 계산부(13)로부터 출력된 제 (3n+2) 중간 프레임의 출력 신뢰도는 NR부(52f3)의 출력 신뢰도 계산부(13)에 전송된다. NR부(52f3)의 출력 신뢰도 계산부(13)는 제 (3n+2) 중간 프레임의 출력 신뢰도로부터 NR부(52f3)에서 출력될 제 (3n+3) 중간 프레임의 출력 신뢰도 및, NR부(52f3)의 입력 신뢰도 계산부(12)로부터 출력된 제 (3n+3) 입력 프레임의 입력 신뢰도를 계산한다. 특히, 3n+2 = t-1(여기서, 3n+3=t)이기 때문에, 제 t 중간 프레임의 출력 신뢰도 αy(t), 즉 제 (3n+3) 중간 프레임의 출력 신뢰도 αy(3n+3)는 수학식 4에 따라 계산되어, NR부(52f3)의 가중치 계산부(15) 및, NR부(52f1)의 출력 신뢰도 계산부(13)에 전송된다.
따라서, NR부(52f3)의 가중 계산부(15)는 제 (3n+3) 입력 프레임의 입력 신뢰도 αx(3n+3)및, 수학식 4에서 w(t)를 얻기 위한 수학식과 동일한 수학식 18에 따라 제 (3n+3) 중간 프레임의 출력 신뢰도 αy(3n+3)를 계산한다.
제 (3n+2) 중간 프레임, 즉 NR부(52f2)의 연산부(24)로부터 출력된 제 (3n+2) 입력 프레임의 처리 결과는 NR부(52f3)의 가중부(21)에 전송된다. NR부(52f3)의 가중부(21)에서, 제 (3n+2) 중간 프레임은 가중치 w(t)와 승산되어 연산부(24)에 전송된다. 따라서, NR부(52f3)의 연산부(24)에서, 3n+3=t인 경우, 제 t 입력 프레임의 처리 결과인 제 t 중간 프레임 y(t)이 수학식 7에 따라 계산되어 출력된다.
NR부(52f3)의 출력 신뢰도 계산부(13)가 제 (3n+3) 중간 프레임의 출력 신뢰도 αy(3n+3)를 NR부(52f1)의 출력 신뢰도 계산부(13)에 전송할 때, 제 (3(n+1)+1(제 (3n+4)) 입력 프레임은 NR부(52f1)에 전송되고, NR부(52f1)는 제 (3(n+1)+1) 입력 프레임에 상술된 처리를 공급한다.
따라서, 도 17에 도시된 NR 처리 회로에서, NR부(52f1내지 52f3)에 주의를 기울이면, 3개의 NR부(52f1내지 52f3)가 도 7에 도시된 NR 처리 회로와 동일한 처리를 3개의 프레임 단위로 수행한다. NR부(52f1내지 52f3)로부터 각각 출력된 제 (3n+1) 중간 프레임, 제 (3n+2) 중간 프레임 및, 제 (3n+3) 중간 프레임은 도 7에 도시된 NR 처리 회로로부터 출력된 출력 데이타와 동일하다.
도 17에서, NR부(52f3)의 출력 신뢰도 계산부(13)로부터 출력된 출력 신뢰도는 NR부(52f1) 및 NR부(52r1)의 출력 신뢰도 계산부(13)에 전송된다. NR부(52f3)의 연산부(24)로부터 출력된 제 (3n+3) 중간 프레임은 NR부(52f1)에 전송되고, 또한 도 15에 도시된 출력 버퍼(53)에 전송되어 기억되며, NR부(52r2)의 가중부(21)에 전송된다.
상기 NR부(52r2)는 예컨대 제 (3n+2) 입력 프레임, 즉 제 (3n+3) 입력 프레임 이전의 이전 입력 데이타, 즉 제 (3n+3) 중간 프레임에 따라 NR부(52f3)에 의해 처리된 포커스된 입력 데이타, 즉 제 (3n+3) 입력 프레임에 대응하는 포커스된 출력 데이타를 처리하며, 처리 결과, 제 (3n+2) 출력 프레임, 즉 이전 출력 데이타를 출력하기 위해 제 (3n+3) 중간 프레임의 출력 신뢰도를 처리한다.
특히, 도 17에 도시된 NR부(52f1내지 52f3)중에서, NR부(52r2)와 동일한 방식으로 제 (3n+2) 입력 프레임을 처리하는 NR부(52f2)에 주의를 기울이면, NR부(52f2)는 제 3 입력 프레임에 대응하는 제 (3n+1) 중간 프레임 및 그 결과를 제 (3n+2) 중간 프레임에 출력하기 위한 제 (3n+1) 중간 프레임의 출력 신뢰도에 따라한 프레임씩 NR부(52f1)에 의해 처리된 제 (3n+1) 입력 프레임 다음 시간의 제 (3n+2) 입력 프레임을 처리한다. 제 (3n+2) 입력 프레임을 처리하기 위해 NR부(52f2)에 의해 이용되는 제 (3n+2) 중간 프레임의 출력 신뢰도 αy(3n+2)는 수학식 4에 따라 NR부(52f1)로부터 전송된 제 (3n+1) 중간 프레임의 출력 신뢰도 αy(3n+1)로부터 얻어진다. 수학식 4는 현재 시각 "t"에서의 출력 신뢰도 αy(t)가 이전의 출력 신뢰도 αy(t-1), 즉 이전 시간의 출력 신뢰도로부터 얻어지는 반복 공식이다.
대조적으로, NR부(52r2)에서, 제 (3n+2) 입력 프레임의 처리를 위해 이용되는 출력 신뢰도 αy(3n+2)는 NR부(52f3)로부터 전송된 제 (3n+3) 중간 프레임의 출력 신뢰도 αy(3n+3)로부터 얻어진다.
즉, 현재 시각 "t"에서의 출력 신뢰도 αy(t)는 다음의 반복 공식에 따라 이후의 출력 신뢰도 αy(t+1), 즉 다음 시간의 출력 신뢰도로부터 얻어진다.
수학식 19는 수학식 4에서 이용되는 αy(t)를 얻기 위해 반복 공식에서 "t-1"에 대하여 "t+1"을 감산함으로써 얻어진다. 감산에 대응하여, NR부(52r2)에서, 출력 데이타 y(t) 및 상기 출력 데이타 y(t)를 얻기 위해 이용되는 가중치 w(t)인 입력 데이타의 처리 결과는 수학식 7 및 5에서 "t-1"에 대하여 "t+1"을 감산함으로써 얻어지는 다음의 수학식에 따라 얻어진다.
수학식 21은 수학식 5가 수학식 18로 변경되는 경우와 동일한 변화로 수학식 19의 이용을 통해 다음의 방식으로 표현될 수 있다.
NR부(52r2)는 수학식 19에 따라 다음의 출력 신뢰도 αy(t+1)로부터 현재 시각 "t"에서 출력 신뢰도 αy(t)를 얻으며, 수학식 22에 따라 출력 신뢰도 αy(t)를 이용하여 가중치 w(t)를 계산하며, 또한 입력 데이타 x(t)에 대응하는 출력 데이타 y(t)를 얻기 위하여 수학식 20에 따라 가중치 w(t)를 이용함으로써 현재의 입력 데이타 x(t)와 다음의 출력 데이타 y(t+1)의 가중 가산을 수행한다.
특히, NR부(52r2)의 출력 신뢰도 계산부(13)는 처리 결과의 출력 신뢰도, 즉 NR부(52r2)가 NR부(52f3)로부터 전송된 제 (3n+3) 중간 프레임의 출력 신뢰도로부터 자체적으로 처리하는 제 (3n+2) 출력 프레임 및, NR부 (52r2) 자체의 입력 신뢰도 계산부(12)로부터 출력된 제 (3n+2) 입력 프레임의 입력 신뢰도를 계산한다. 특히, 3n+2=t인 경우, 제 t 출력 프레임의 출력 신뢰도 αy(t), 즉 제 (3n+2) 중간 프레임의 출력 신뢰도 αy(3n+2)는 수학식 19에 따라 계산되어 NR부(52r2)의 가중 계산부(15) 자체에 및 NR부(52r1)의 출력 신뢰도 계산부(13)에 전송된다.
또한, NR부(52r2)의 가중 계산부(15)는 제 (3n+2) 입력 프레임의 입력 신뢰도 αx(3n+2)및, 제 (3n+2) 출력 프레임의 출력 신뢰도 αy(3n+2)로부터 가중치 w(3n+2)를 계산한다. 특히, NR부(52r2)의 가중치 계산부(15) 및 NR부(52r1)의 가중치 계산부(15)에서, 가중치 w(t)는 현재 입력 데이타 x(t)의 입력 신뢰도 αx(t)및 수학식 22에 따른 입력 데이타에 대응하는 출력 데이타 y(t)의 출력 신뢰도 αy(t)로부터 얻어진다. 상기 가중치 w(t)는 NR부(52f2)에서 얻어진 가중치 w(t)와 우연히 같을 수 있지만, 기본적으로는 다르다.
NR부(52r2)의 가중부(21)에서, NR부(52f3)로부터 전송된 제 (3n+3) 중간 프레임은 가중치 w(t)와 승산되어 연산부(24)에 전송된다. 따라서, NR부(52r2)의 연산부(24)에서, 3n+2=t이면, 제 t 입력 프레임의 처리 결과인 제 t 입력 프레임은 수학식 20에 따라 계산되어 출력된다.
상술된 바와 같이, NR부(52r2)의 출력 신뢰도 계산부(13)로부터 출력된 제 (3n+2) 출력 프레임의 출력 신뢰도는 NR부(52r1)의 출력 신뢰도 계산부(13)에 전송된다. NR부(52r1)의 출력 신뢰도 계산부(13)는 처리 결과의 출력 신뢰도, 즉 NR부(52r1)가 제 (3n+2) 출력 프레임의 출력 신뢰도 및 NR부(52r1)의 입력 신뢰도 계산부(12)로부터 출력된 제 (3n+1) 입력 프레임을 이용하여 제 (3n+1) 입력 프레임을 자체적으로 처리할 때 얻어진 제 (3n+1) 출력 프레임을 계산한다. 특히, 3n+2 = t+1(여기서, 3n+1=t)이기 때문에, 제 t 출력 프레임의 출력 신뢰도 αy(t), 즉 제 (3n+1) 출력 프레임의 출력 신뢰도 αy(3n+1)는 수학식 19에 따라 계산되어 NR부(52r1)의 가중 계산부(15)에 자체적으로 전송된다.
상기 NR부(52r1)의 가중 계산부(15)는 제 (3n+1) 입력 프레임의 입력 신뢰도 αx(3n+1)와 수학식 22에 따라 제 (3n+1) 출력 프레임의 출력 신뢰도 αy(3n+1)로부터 가중치 w(3n+1)를 계산한다. 상기 가중치 w(3n+1)는 NR부(52f1)에 의해 얻어진 가중치 w(3n+1)와 우연히 같을 수 있지만, 기본적으로는 다르다.
상기 제 (3n+2) 출력 프레임, 즉 NR부(52r2)의 연산부(24)로부터 출력된 제 (3n+2) 입력 프레임의 처리 결과는 NR부(52r1)의 가중부(21)에 전송된다. NR부(52r1)의 가중부(21)에서, 제 (3n+2) 출력 프레임은 가중치 w(t)와 승산되어 연산부(24)에 전송된다. 따라서, NR부(52r1)의 연산부(24)에서, 3n+1=t일 때, t 입력 프레임의 처리 결과인 제 t 출력 프레임 y(t)은 수학식 20에 따라 계산되어 출력된다.
따라서, 도 17에 도시된 NR 처리 회로에서, 상부 행에서 3개의 NR부(52f1내지 52f3)는 시간 진행 방향 순서로 입력 화상 데이타를 시간-연속적으로 처리하며, 반면 하부 행에서의 2개의 NR부(52r1및 52r2)는 시간 역 방향 순서로 입력 화상 데이타를 시간 연속적으로 처리한다. NR부(52r1및 52r2)에 이용되는 출력 신뢰도는 시간 진행 방향으로 화상 데이타를 처리함으로써 얻어진 출력 신뢰도로부터 "순환적으로" 얻어진다. 따라서, 지금까지의 처리에 의해 얻어진 출력 데이타의 신뢰도의 "히스토리"를 반영한다. 그 결과, NR부(52r1)로부터 출력된 제 (3n+1) 출력 프레임 및 NR부(52r2)로부터 출력된 제 (3n+2) 출력 프레임은 NR부(52f1)로부터 출력된 제 (3n+1) 중간 프레임 및 NR부(52f2)로부터 출력된 제 (3n+2) 중간 프레임 보다 낮은 잡음을 갖는다.
도 7에 도시된 NR 처리 회로(100)에서, 입력 신뢰도 또는 출력 신뢰도는 시간 연속적으로 입력 데이타의 상부에 대하여 계산될 수 없기 때문에, 예컨대 지금까지 입력된 입력 데이타의 간단한 평균이 얻어지면 입력 신뢰도와 출력 신뢰도의 계산이 가능할 때까지 출력된다. 그러나, 도 17에 도시된 NR 처리 회로에서, 처리는 순환적으로 실행되기 때문에, 시간 연속적으로 입력된 데이타의 상부는 상술된 바와 같이 입력 신뢰도 및 출력 신뢰도에 따라 처리될 수 있으며, 그 결과 잡음이 효과적으로 감소되는 출력 데이타가 얻어질 수 있다.
도 15에 도시된 NR 처리 회로의 처리는 도 18에 도시된 흐름도를 참조하여 이하에 설명된다. 각 회로의 동작 및 각 기능 블록의 제어는 도시되지 않는 제어기에 의해 실행된다. 또한, 전체 NR 처리 알고리즘이 소프트웨어에 의해 실행될 수 있다.
먼저, 단계 S21에서, 프레임 카운트를 계수하는데 사용된 제 1 변수 "n"이 0으로 초기화된다. 상기 처리는 단계 S22로 진행하여, 프레임 카운트를 계수하는데 사용된 제 2 변수 "m"이 1로 초기화된다. 그 다음에, 상기 처리는 단계 S23으로 진행하고, 제 (Mn+m) 입력 프레임이 입력 버퍼(51)로부터 NR부(52f#m)로 입력되고, 상기 NR부(52f#m)는 제 (Mn+m) 입력 프레임을 처리한다. 상기 NR 처리 회로의 상부 로우에서 NR부의 수는 "M"으로 표시된다. 따라서, "M"은 도 15에 도시된 실시예에서는 3이다.
다음에, 상기 처리는 단계 S24로 진행하고, 제 2 변수 "m"이 "M"인지 판정된다. 제 2 변수 "m"이 "M"이 아니라고 판정되면, 상기 처리는 단계 S25로 진행한다. 변수 "m"은 단계 S25에서 1씩 증가하고, 상기 처리는 단계 S23으로 리턴하며, 동일 연산이 반복된다.
단계 S25에서 제 2 변수 "m"이 "M"이라고 판정되면, 상기 처리는 단계 S26으로 진행한다. 상기 NR부(52f#m)가 제 (Mn+M) 입력 프레임을 처리할 때 얻어진 제 (Mn+m) 중간 프레임은 출력 버퍼(53)로 전송되어 기억된다. 그 다음에, 상기 처리는 단계 S27로 진행하고, 제 2 변수 "m"이 1씩 증가한다. 상기 처리는 단계 S28로 진행한다. 단계 S28에서, 제 (Mn+m) 입력 프레임은 상기 입력 버퍼(51)로부터 상기 NR부(52f#m)로 입력되고, 상기 NR부(52f#m)는 제 (Mn+m) 입력 프레임을 처리한다. 상기 처리는 단계 S29로 진행한다. 단계 S29에서, 상기 NR부(52f#m)가 제 (Mn+m) 입력 프레임을 처리할 때 얻어진 제 (Mn+m) 출력 프레임이 출력 버퍼(53)로 전송되어 기억된다. 그 다음에 상기 처리는 단계 S30으로 진행하여 제 2 변수 "m"이 1인지 판정된다.
단계 S30에서 제 2 변수 "m"이 1이 아니라고 판정되면, 상기 처리는 단계 S27로 리턴하며, 동일 연산이 반복된다.
단계 S30에서 제 2 변수 "m"이 1이라고 판정되면, 상기 처리는 단계 S31로 진행한다. 출력 버퍼(53)에 기억된 데이타는 연속적으로 판독된다. 특히, 도 15에 도시한 실시예에서, 출력 데이타는 제 (3n+3) 중간 프레임, 제 (3n+2) 출력 플엠, 제 (3n+1) 출력 프레임의 순서로 출력 버프(53)에 기억된다. 이들 세 개의 프레임을 올바른 시간 순서로 재배열하기 위하여, 단계 S31에서 출력 버퍼(53)로부터 제 (3n+1) 출력 프레임, 제 (3n+2) 출력 프레임, 제 (3n+3) 중간 프레임의 순서로 판독이 실행된다.
다음에, 상기 처리는 단계 S32로 진행하고, 상기 제 1 변수 "n"이 1씩 증가한다. 다음에 처리될 프레임, 즉, 제 (Mn+1) 입력 프레임이 존재하는지 판정된다. 단계 S32에서 다음에 처리될 프레임이 존재한다고 판정되면, 상기 처리는 단계 S22로 리턴하고, 동일 연산이 반복된다.
단계 S32에서 다음에 처리될 프레임이 존재하지 않는다고 판정되면, 상기 처리는 종료된다.
본 발명은 또한 화상 데이타 외에 음성 데이타로부터 잡음을 제거하는 데에도 응용될 수 있다.
전술한 실시예는 잡음 저하의 관점에서 설명하였다. NR 처리 회로(100)는 처리 방법, 상기 경우에는 가중치 계수 w(t)를 실시간으로 학습하고 학습의 결과로서 얻어진 처리 방법에 의한 처리를 실행하여, 시간이 경과함에 따라 출력 데이타가 개선되도록 입력 데이타가 적절히 처리되고, 상기 NR 처리 회로(100)는 입력 데이타 그 자체가 적절히 처리되는 자기 조정 처리의 성질을 갖는다. 바꾸어 말하면, 상기 NR 처리 회로는 예를 들면, 입력 데이타의 가장 적절한 파형 형성을 행한다.
본 실시예에서, 상기 NR 처리 회로(100)는 수학식 20의 출력 데이타 y(t-1) 및 y(t+1)에 가중치 w(t)를 곱하고 입력 데이타 x(t)에 수학식 7의 가중치 1-w(t)를 곱하여 출력 데이타 y(t)를 얻는다. 또한, 출력 데이타 y(t-1) 또는 입력 데이타 x(t)에 가중치를 곱하여 출력 데이타 y(t)를 얻는 것도 가능하다.
도 15 또는 도 17에서, 제 (3n+1) 입력 프레임에 대해 살펴보면, 예를 들면, 제 (3n+1) 입력 프레임이 NR부(52f1) 및 NR부(52r1)로 입력된다. 제 (3n+1) 입력 프레임 대신에, 제 (3n+1) 입력 프레임의 처리 결과, 즉, (3n+1) 중간 프레임이 상기 NR부(52f1)로 입력되는 것도 가능하다. 본 발명자가 행한 시뮬레이션에 의하면, 제 (3n+1) 출력 프레임의 S/N 비는, 제 (3n+1)입력 프레임이 상기 NR부(52r1)로 입력된 경우와 제 (3n+1) 중간 프레임이 상기 NR부(52r1)로 입력된 경우 사이에 거의 차이가 없었다.
도 15에서, 상기 NR부는 상부 로우에 제공되고, 두 개의 NR부가 하부 로우에 제공된다. 상기 상부 및 하부 로우에 제공된 NR부의 수는 이들 값에 제한되지 않는다. 그러나, 상부 로우에 둘 이상의 NR 부가 배치될 필요가 있고, 상부에 제공된 NR부의 수가 M으로 설정되는 경우, (M-1) 개의 NR부가 기본적으로 하부 로우에 배치된다.
도 15에서, 상부 로우에 배치된 NR부와 동일한 방법으로 구성된 상기 NR부가 하부 로우에 제공된다. 간단한 평균을 이용하여 잡음을 감소시키거나 평균을 이동시키는 NR부가 하부 로우에 제공되는 것도 가능하다. 도 12 및 도 18에 도시된 일련의 처리는 하드웨어 또는 소프트웨어에 의해 실행될 수 있다. 상기 일련의 처리가 소프트웨어에 의해 달성되는 경우, 상기 소프트웨어를 구성하는 프로그램은 도 7 및 도 15에 도시된 특정 하드웨어 역할을 하는 내장 컴퓨터 또는 범용 컴퓨터에 설치된다.
전술한 일련의 처리를 실행하는 프로그램을 기억하는 기록 매체에 대해서는 도 19a, 19b, 19c를 참조하여 후술한다. 상기 프로그램은 컴퓨터에 설치되며 상기 컴퓨터에 의해 실행된다.
상기 프로그램은 미리 하드디스크(102) 또는 도 19a에 도시된 바와 같이, 컴퓨터(101)에 내장되어 있는 반도체 메모리(103)에 기록된다.
한편, 상기 프로그램은 일시적으로 또는 영구적으로 도 19b에 도시된 플로피 디스크(111), 콤팩트 디스크 판독 전용 메모리(CD-ROM)(112), 자기 광학(MO) 디스크(113), 디지털 범용 디스크(DVD)(114), 자기 디스크(115), 반도체 메모리(116)와 같은 기록 매체에 기록된다.
상기 프로그램은 전술한 기록 매체로부터 컴퓨터에 설치된다. 한편, 상기 프로그램은 다운로드 사이트(121)로부터 디지털 위성 방송용 인공위성을 통하여 컴퓨터(101)로 전송되거나, 로컬 에이리어 네트워크(LAN) 또는 인터넷과 같은 네트워크(131)를 통하여 유선으로 컴퓨터(101)로 전송되며, 도 19c에 도시된 바와 같이 컴퓨터(101)에 내장된 하드디스크(102)에 설치된다.
본 명세서에서, 다양한 타입의 처리를 위한 프로그램을 설명하는 단계들은 반드시 상기 흐름도에 설명한 순서로 순차적으로 처리되지는 않는다. 또한 병렬 처리 또는 객체 중심 처리와 같은 병렬 또는 개별적으로 실행되는 처리도 포함된다.
도 20은 도 19a, 19b, 19c에 도시한 컴퓨터의 구성예를 도시한 것이다.
컴퓨터(101)는 도 20에 도시한 바와 같이, 중앙 처리 장치(CPU)(142)를 포함한다. CPU(142)는 버스(141)를 통하여 입력 및 출력 인터페이스(145)에 접속된다. 사용자가 키보드 및 마우스로 이루어진 입력부(147)를 동작하여 입력 및 출력 인터페이스(145)를 통하여 명령을 입력하면, CPU(142)는 도 19a에 도시된 반도체 메모리(103)에 대응하는 판독 전용 메모리(ROM)(143)에 기억된 프로그램을 실행한다. 한편, CPU(142)는 하드디스크(102)에 기억된 프로그램, 즉, 통신부(148)에 의해 수신되어 하드디스크에 설치된, 위성(122) 또는 네트워크(131)를 통하여 전송된 프로그램, 또는 드라이브(149)로 로드되어 하드디스크(102)에 설치된, 플로피 디스크(111), CD-ROM(112), MO 디스크(113), DVD(114) 또는 자기 디스크(115)로부터 판독된 프로그램을 랜덤 억세스 메모리(RAM)(144)로 로드하여 그것을 실행한다. CPU(142)는 예를 들면, 입출력 인터페이스(145)를 통해 필요하다면 액정 디스플레이(LCD)의 표시부(146)에 출력한다.
이와 같이, 본 발명에 따라 데이타 처리 장치 및 데이타 처리 방법이 제공되며, 이에 의해 데이타에 포함된 잡음이 보다 효율적으로 제거될 수 있게 된다.

Claims (19)

  1. 입력 데이타를 처리하고 처리된 데이타를 출력 데이타로서 출력하는 데이타 처리 장치에 있어서,
    입력 데이타 및 이 입력 데이타에 대응하는 출력 데이타를 평가하고, 상기 출력 데이타가 시간이 경과함에 따라 개선되도록 상기 평가에 따라 상기 입력 데이타를 처리하는 처리 방법을 실시간으로 학습하는 실시간 학습 수단, 및 상기 실시간 학습 수단에 의해 학습된 상기 처리 방법에 따라 상기 입력 데이타를 적응적으로 처리하여 출력 데이타를 출력하는 데이타 처리 수단을 구비한 제 1 처리 수단과;
    상기 제 1 처리 수단에 의해 처리된 포커스된 입력 데이타에 앞선 시간에 입력된 이전 입력 데이타를, 상기 포커스된 입력 데이타에 대응하는 포커스된 출력 데이타 및 이 포커스된 출력 데이타의 평가에 따라 처리하여, 상기 이전 입력 데이타에 대응하는 이전 출력 데이타를 출력하는 제 2 처리 수단을 구비한 데이타 처리 장치.
  2. 제 1 항에 있어서,
    소정 개수의 시계열의 입력 데이타를 기억하는 입력 데이타 기억 수단을 더 구비한 데이타 처리 장치.
  3. 제 2 항에 있어서,
    상기 실시간 학습 수단은 상기 입력 데이타 기억 수단에 의해 기억된 상기 소정 개수의 입력 데이타의 분산을 계산하고, 이 분산에 따라 현재 입력 데이타를 평가하는 데이타 처리 장치.
  4. 제 2 항에 있어서,
    상기 실시간 학습 수단은 상기 입력 데이타 기억 수단에 의해 기억된 소정 개수의 입력 데이타의 평균값을 계산하고, 이 평균값에 대한 각각의 데이타의 오차에 따라 현재 입력 데이타를 평가하는 데이타 처리 장치.
  5. 제 2 항에 있어서,
    상기 실시간 학습 수단은 상기 입력 데이타 기억 수단에 의해 기억된 소정 개수의 입력 데이타의 분산 및 평균값을 계산하고, 이 평균값에 대한 각각의 입력 데이타의 오차를 얻으며, 상기 분산 및 오차에 따라 현재 입력 데이타를 평가하는 데이타 처리 장치.
  6. 제 1 항에 있어서,
    상기 실시간 학습 수단은 상기 입력 데이타의 평가 및 상기 출력 데이타의 평가의 합에 따라 현재 출력 데이타를 평가하는 데이타 처리 장치.
  7. 제 1 항에 있어서,
    상기 데이타 처리 수단은 상기 출력 데이타와 현재 입력 데이타를 가산하여 상기 현재 입력 데이타에 대응하는 출력 데이타를 얻는 데이타 처리 장치.
  8. 제 7 항에 있어서,
    상기 실시간 학습 수단은 상기 입력 데이타의 평가 및 상기 출력 데이타의 평가에 따라 소정의 가중 계수를 학습하고,
    상기 데이타 처리 수단은 상기 가중 계수에 따라 상기 현재 입력 데이타에 대응하는 출력 데이타를 얻는 데이타 처리 장치.
  9. 제 1 항에 있어서,
    상기 제 2 처리 수단은,
    이전 입력 데이타를 평가하는 처리 방법을 실시간으로 학습하는 다른 실시간 학습 수단으로서, 상기 이전 출력 데이타는 포커스된 출력 데이타의 평가에 따라 평가되고, 상기 이전 입력 데이타는 이전 출력 데이타가 시간이 경과함에 따라 개선되도록 상기 평가에 따라 처리되는 다른 실시간 학습 수단과;
    상기 다른 실시간 학습 수단에 의해 학습된 처리 방법에 따라 상기 이전 입력 데이타를 적응적으로 처리하여, 상기 이전 출력 데이타를 출력하는 다른 데이타 처리 수단을 구비한 데이타 처리 장치.
  10. 입력 데이타를 처리하고 처리된 데이타를 출력 데이타로서 출력하는 데이타 처리 방법에 있어서,
    상기 입력 데이타 및 이 입력 데이타에 대응하는 출력 데이타를 평가하고, 상기 출력 데이타가 시간이 경과함에 따라 개선되도록 상기 평가에 따라 상기 입력 데이타를 처리하는 처리 방법을 실시간으로 학습하는 실시간 학습 단계, 및 상기 실시간 학습 단계에 의해 학습된 처리 방법에 따라 상기 입력 데이타를 적응적으로 처리하여 출력 데이타를 출력하는 데이타 처리 단계를 포함하고 있는 제 1 처리 단계와;
    상기 제 1 처리 단계에 의해 처리된 포커스된 입력 데이타에 앞선 시간에 입력된 이전 입력 데이타를, 상기 포커스된 입력 데이타에 대응하는 포커스된 출력 데이타 및 이 포커스된 출력 데이타의 평가에 따라 처리하여, 상기 이전 입력 데이타에 대응하는 이전 출력 데이타를 출력하는 제 2 처리 단계를 포함하고 있는 데이타 처리 방법.
  11. 제 10 항에 있어서,
    소정 개수의 시계열의 입력 데이타를 기억하는 입력 데이타 기억 단계를 더 포함하고 있는 데이타 처리 방법.
  12. 제 11 항에 있어서,
    상기 실시간 학습 단계에서, 상기 입력 데이타 기억 단계에서 기억된 소정의 개수의 상기 입력 데이타의 분산이 계산되고, 이 분산에 따라 상기 현재 입력 데이타가 평가되는 데이타 처리 방법.
  13. 제 11 항에 있어서,
    상기 실시간 학습 단계에서, 상기 입력 데이타 기억 단계에서 기억된 소정 개수의 입력 데이타의 평균이 계산되고, 이 평균에 대한 각각의 데이타의 오차에 따라 상기 현재 입력 데이타가 평가되는 데이타 처리 방법.
  14. 제 11 항에 있어서,
    상기 실시간 학습 단계에서, 상기 입력 데이타 기억 단계에서 기억된 소정 개수의 입력 데이타의 분산 및 평균이 계산되고, 이 평균에 대한 각각의 입력 데이타의 오차가 얻어지며, 상기 현재 입력 데이타가 상기 분산 및 오차에 따라 평가되는 데이타 처리 방법.
  15. 제 10 항에 있어서,
    상기 실시간 학습 단계에서, 상기 현재 출력 데이타가 상기 입력 데이타의 평가와 출력 데이타의 평가의 합에 따라 평가되는 데이타 처리 방법.
  16. 제 10 항에 있어서,
    상기 데이타 처리 단계에서, 상기 현재 입력 데이타에 대응하는 출력 데이타를 얻기 위해 상기 출력 데이타와 현재의 입력 데이타가 가산되는 데이타 처리 방법.
  17. 제 16 항에 있어서,
    상기 소정의 가중 계수가 상기 실시간 학습 단계에서의 상기 입력 데이타의 평가 및 상기 출력 데이타의 평가에 따라 학습되고,
    상기 현재의 입력 데이타에 대응하는 출력 데이타는 상기 데이타 처리 단계에서의 가중 계수에 따라 얻어지는 데이타 처리 방법.
  18. 제 10 항에 있어서,
    상기 제 2 처리 단계는,
    상기 이전 입력 데이타를 평가하는 처리 방법을 실시간으로 학습하는 다른 실시간 학습 단계로서, 상기 이전 출력 데이타는 포커스된 출력 데이타의 평가에 따라 평가되고, 이 평가에 따라 상기 이전 출력 데이타가 시간이 경과함에 따라 개선되도록 상기 이전 입력 데이타가 처리되는 다른 실시간 학습 단계와;
    상기 다른 실시간 학습 단계에 의해 학습된 처리 방법에 따라 상기 이전 입력 데이타를 적응적으로 처리하여 이전 출력 데이타를 출력하는 다른 데이타 처리 단계를 포함하고 있는 데이타 처리 방법.
  19. 입력 데이타를 처리하고 처리된 데이타를 출력 데이타로서 출력하는 컴퓨터 제어 가능한 프로그램을 기억하는 기억 매체에 있어서,
    상기 프로그램은,
    입력 데이타 및 이 입력 데이타에 대응하는 출력 데이타를 평가하고, 출력 데이타가 시간이 경과함에 따라 개선되도록 상기 평가에 따라 상기 입력 데이타를 처리하는 처리 방법을 실시간으로 학습하는 실시간 학습 단계, 및 상기 실시간 학습 수단에 의해 학습된 처리 방법에 따라 상기 입력 데이타를 적응적으로 처리하여 출력 데이타를 출력하는 데이타 처리 단계를 포함하고 있는 제 1 처리 단계와;
    상기 제 1 처리 단계에 의해 처리된 포커스된 입력 데이타에 앞선 시간에 입력된 이전 입력 데이타를, 상기 포커스된 입력 데이타에 대응하는 포커스된 출력 데이타 및 이 포커스된 출력 데이타의 평가에 따라 처리하여, 상기 이전 입력 데이타에 대응하는 이전 출력 데이타를 출력하는 제 2 처리 단계를 포함하고 있는 기억 매체.
KR1019990049195A 1998-11-09 1999-11-08 데이터 처리 장치 및 데이터 처리 방법 KR100706557B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP31710098A JP4258045B2 (ja) 1998-11-09 1998-11-09 ノイズ低減装置、ノイズ低減方法、および記録媒体
JP98-317100 1998-11-09

Publications (2)

Publication Number Publication Date
KR20000047605A true KR20000047605A (ko) 2000-07-25
KR100706557B1 KR100706557B1 (ko) 2007-04-13

Family

ID=18084448

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1019990049195A KR100706557B1 (ko) 1998-11-09 1999-11-08 데이터 처리 장치 및 데이터 처리 방법

Country Status (5)

Country Link
US (1) US6564180B1 (ko)
EP (1) EP1001373B1 (ko)
JP (1) JP4258045B2 (ko)
KR (1) KR100706557B1 (ko)
DE (1) DE69923747T2 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4517409B2 (ja) * 1998-11-09 2010-08-04 ソニー株式会社 データ処理装置およびデータ処理方法
JP4344964B2 (ja) * 1999-06-01 2009-10-14 ソニー株式会社 画像処理装置および画像処理方法
JP4707083B2 (ja) 2001-02-21 2011-06-22 ソニー株式会社 信号処理装置
EP1887514B1 (en) * 2002-02-21 2009-07-01 Sony Corporation Signal processing device

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4276620A (en) * 1978-10-27 1981-06-30 Geosource Inc. Method and apparatus for obtaining a composite field response _to a variable source array using weighting coefficients
US4761819A (en) 1987-02-27 1988-08-02 Picker International, Inc. Adaptive noise reduction filter for reconstructed images
US4887306A (en) 1987-11-04 1989-12-12 Advanced Technology Laboratories, Inc. Adaptive temporal filter for ultrasound imaging system
JPH0580626A (ja) * 1991-03-12 1993-04-02 Canon Inc 情報処理装置
US5263120A (en) * 1991-04-29 1993-11-16 Bickel Michael A Adaptive fast fuzzy clustering system
US5402520A (en) * 1992-03-06 1995-03-28 Schnitta; Bonnie S. Neural network method and apparatus for retrieving signals embedded in noise and analyzing the retrieved signals
JPH08123486A (ja) * 1994-10-28 1996-05-17 Nippondenso Co Ltd 時系列信号フィルタ及びその学習方法
JPH08123485A (ja) * 1994-10-28 1996-05-17 Sony Corp 雑音除去装置
JPH0997319A (ja) * 1995-09-28 1997-04-08 Fujitsu Ltd 色空間画像を補正する画像処理装置および方法
US5812993A (en) 1996-03-07 1998-09-22 Technion Research And Development Foundation Ltd. Digital hardware architecture for realizing neural network
FR2751825A1 (fr) * 1996-07-24 1998-01-30 Philips Electronics Nv Procede de filtrage temporel du bruit dans une image d'une sequence d'images numerisees et dispositif mettant en oeuvre ce procede
US6157403A (en) * 1996-08-05 2000-12-05 Kabushiki Kaisha Toshiba Apparatus for detecting position of object capable of simultaneously detecting plural objects and detection method therefor
JPH1155132A (ja) 1997-07-30 1999-02-26 Nec Corp 無線機及び無線通信方法
US5963447A (en) * 1997-08-22 1999-10-05 Hynomics Corporation Multiple-agent hybrid control architecture for intelligent real-time control of distributed nonlinear processes

Also Published As

Publication number Publication date
JP4258045B2 (ja) 2009-04-30
DE69923747D1 (de) 2005-03-24
KR100706557B1 (ko) 2007-04-13
EP1001373A1 (en) 2000-05-17
US6564180B1 (en) 2003-05-13
EP1001373B1 (en) 2005-02-16
DE69923747T2 (de) 2006-03-30
JP2000151723A (ja) 2000-05-30

Similar Documents

Publication Publication Date Title
KR100844807B1 (ko) 화상 처리 장치, 화상 처리 방법, 및 기록 매체
US7747069B2 (en) Data processing apparatus and data processing method
Gallegos-Funes et al. Real-time image filtering scheme based on robust estimators in presence of impulsive noise
KR100706557B1 (ko) 데이터 처리 장치 및 데이터 처리 방법
JP4066146B2 (ja) データ変換装置およびデータ変換方法、学習装置および学習方法、並びにプログラムおよび記録媒体
EP1001372A1 (en) Data processing apparatus and data processing methods
JPH05300409A (ja) ノイズ低減装置
KR20000076616A (ko) 데이터 처리 방법 및 장치
KR100243299B1 (ko) 영상의 재귀적 히스토그램 등화 방법 및 장치
Ichige et al. Multiwavelet-like bases for high-quality image interpolation
JP2543535B2 (ja) デイジタルノイズリデユ―サ
JPH05300407A (ja) ノイズ低減装置
Bosco et al. Fast noise level estimation using a convergent multiframe approach
Ng et al. Adaptive multichannel filter for image processing
JPH05300408A (ja) ノイズ低減装置

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: 20120327

Year of fee payment: 6

LAPS Lapse due to unpaid annual fee