KR20190103047A - 신호 처리 장치 및 이를 구비하는 영상표시장치 - Google Patents
신호 처리 장치 및 이를 구비하는 영상표시장치 Download PDFInfo
- Publication number
- KR20190103047A KR20190103047A KR1020190022533A KR20190022533A KR20190103047A KR 20190103047 A KR20190103047 A KR 20190103047A KR 1020190022533 A KR1020190022533 A KR 1020190022533A KR 20190022533 A KR20190022533 A KR 20190022533A KR 20190103047 A KR20190103047 A KR 20190103047A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- quality
- information
- input image
- input
- Prior art date
Links
- 238000012545 processing Methods 0.000 title claims abstract description 272
- 238000000034 method Methods 0.000 claims description 78
- 238000004364 calculation method Methods 0.000 claims description 73
- 230000009467 reduction Effects 0.000 claims description 40
- 238000013178 mathematical model Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010191 image analysis Methods 0.000 abstract description 53
- 238000006243 chemical reaction Methods 0.000 description 47
- 230000008569 process Effects 0.000 description 43
- 238000010586 diagram Methods 0.000 description 29
- 238000012549 training Methods 0.000 description 21
- 230000008859 change Effects 0.000 description 20
- 238000003860 storage Methods 0.000 description 18
- 238000011156 evaluation Methods 0.000 description 17
- 230000006835 compression Effects 0.000 description 16
- 238000007906 compression Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 15
- 238000013135 deep learning Methods 0.000 description 15
- 210000000225 synapse Anatomy 0.000 description 14
- 239000003990 capacitor Substances 0.000 description 8
- 239000000284 extract Substances 0.000 description 8
- 230000005236 sound signal Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000003321 amplification Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003199 nucleic acid amplification method Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101100400546 Mus musculus Matn1 gene Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005525 hole transport Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/01—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level
- H04N7/0117—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level involving conversion of the spatial resolution of the incoming video signal
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/004—Diagnosis, testing or measuring for television systems or their details for digital television systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/24—Monitoring of processes or resources, e.g. monitoring of server load, available bandwidth, upstream requests
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/01—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Controls And Circuits For Display Device (AREA)
Abstract
본 발명은 신호 처리 장치 및 이를 구비하는 영상표시장치에 관한 것이다. 본 발명의 일 실시예에 따른 신호 처리 장치 및 이를 구비하는 영상표시장치는, 입력 영상에 대한 영상 타입에 관한 정보를 연산하는 퀄리티 연산부와, 영상 타입에 관한 정보에 기초하여, 화질을 설정하는 화질 설정부와, 설정된 화질에 따라, 화질 처리를 수행하는 화질 처리부와, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행하는 퀄리티 학습부를 포함하고, 퀄리티 연산부는, 퀄리티 학습부에서 학습된 결과에 기초하여, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
Description
본 발명은 신호 처리 장치 및 이를 구비하는 영상표시장치에 관한 것이며, 더욱 상세하게는 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있는 신호 처리 장치 및 이를 구비하는 영상표시장치에 관한 것이다.
신호 처리 장치는, 영상을 표시할 수 있도록 입력 영상에 대한 신호 처리를 수행하는 장치이다.
예를 들어, 신호 처리 장치는, 방송 신호 또는 HDMI 신호 등을 수신하고, 수신되는 방송 신호 또는 HDMI 신호에 기초한 신호 처리를 수행하여, 신호 처리된 영상 신호를 출력할 수 있다.
한편, 카메라 및 방송 기술의 발전에 따라, 입력 영상의 해상도 및 수직 동기 주파수가 증대되고 있다. 구체적으로, 4K 해상도 및 120Hz의 수직 동기 주파수를 가지는 영상에 대한 화질 처리 필요가 제기되고 있다.
한편, 화질 처리를 위해, 영상 퀄리티 측정(Quality measure)이 중요하다.
영상 퀄리티 측정은, 기준 영상을 가지고 상대적으로 얼마만큼 차이가 나는지를 측정을 하는 제1 방법과, 기준 영상 없이 절대적으로 판단하는 제2 방법으로 구분될 수 있다.
제1 방법의 경우, 상대적인 차이를 측정을 통해서 구하는 것이기 때문에, 수치화가 쉽고 객관적인 평가가 가능하다.
하지만, 제2 방법의 경우, 영상 퀄리티를 레퍼런스(Reference) 없이, 평가하여야 하기 때문에 객관화가 어려워 주관적인 평가 위주로 수행된다는 문제가 있다.
한편, 영상표시장치에서 안테나 등을 통해 방송 영상이 수신되는 경우, 방송 영상의 해상도 및 압축 비트 레이트 등은 방송 영상과 관련한 규격 정보를 통해 파악 가능하다.
그러나, 최근 IPTV 또는 케이블 TV의 보급으로, 재규격화된 2K 혹은 4K 영상이 HDMI 단자 등을 통해 영상표시장치로 입력된다.
이러한 경우, 원본 영상의 해상도 및 압축 비트레이트 정보가 소실되어, 영상표시장치에서, 원본 영상의 해상도 및 압축 비트레이트 정보와 관련된 영상의 퀄리티 판단이 어려워져, 원본 영상에 알맞은 화질 세팅을 하는 것이 어려워졌으며, 특히, 영상표시장치 내의 화질 알고리즘의 최대 성능을 구현하는 것이 어려워졌다.
본 발명의 목적은, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있는 신호 처리 장치 및 이를 구비하는 영상표시장치를 제공함에 있다.
본 발명의 다른 목적은, 영상 타입에 관한 정보 연산의 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있는 신호 처리 장치 및 이를 구비하는 영상표시장치를 제공함에 있다.
본 발명의 또 다른 목적은, 심층 신경망(Deep Neural Network)을 이용하여, 수신되는 영상 신호의 원본 퀄리티 연산을 정확하게 수행할 수 있는 신호 처리 장치 및 이를 구비하는 영상표시장치를 제공함에 있다.
본 발명의 또 다른 목적은, 심층 신경망(Deep Neural Network)을 이용한 학습을 통해, 입력 영상 해상도 등이 변경되더라도, 수신되는 영상 신호의 원본 퀄리티 연산을 정확하게 수행할 수 있는 신호 처리 장치 및 이를 구비하는 영상표시장치를 제공함에 있다.
본 발명의 또 다른 목적은, 심층 신경망에 대한 파라미터를 업데이트하여, 학습 기반하에 영상 신호의 원본 퀄리티 연산을 정확하게 수행할 수 있는 신호 처리 장치 및 이를 구비하는 영상표시장치를 제공함에 있다.
본 발명의 또 다른 목적은, 수신되는 영상 신호의 해상도 및 노이즈 수준에 적합한 화질 처리를 수행하는 영상표시장치를 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 신호 처리 장치 및 이를 구비하는 영상표시장치는, 입력 영상에 대한 영상 타입에 관한 정보를 연산하는 퀄리티 연산부와, 영상 타입에 관한 정보에 기초하여, 화질을 설정하는 화질 설정부와, 설정된 화질에 따라, 화질 처리를 수행하는 화질 처리부와, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행하는 퀄리티 학습부를 포함하고, 퀄리티 연산부는, 퀄리티 학습부에서 학습된 결과에 기초하여, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다.
한편, 본 발명의 일 실시예에 따른 신호 처리 장치 및 이를 구비하는 영상표시장치는, 퀄리티 학습부에서 학습된 결과에 대응하는 가중치를 설정하는 가중치 설정부를 더 포함하고, 퀄리티 연산부는, 가중치 설정부에서 설정된 가중치에 따라, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다.
한편, 퀄리티 연산부는, 복수의 영상 타입에 대한 확률을 연산하고, 복수의 확률 정보를 출력하며, 퀄리티 학습부는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 퀄리티 학습을 수행할 수 있다.
한편, 퀄리티 학습부는, 출력된 복수의 영상 타입의 확률 정보 중 최대 확률 정보의 레벨이, 기준 레벨 이하인 경우, 퀄리티 학습을 수행할 수 있다.
한편, 본 발명의 일 실시예에 따른 신호 처리 장치 및 이를 구비하는 영상표시장치는, 입력 영상을 제1 해상도의 영상으로 스케일링하는 스케일러를 더 포함하고, 제1 해상도의 영상은, 퀄리티 연산부와 퀄리티 학습부에 제공될 수 있다.
한편, 본 발명의 일 실시예에 따른 신호 처리 장치 및 이를 구비하는 영상표시장치는, 입력 영상의 일부 영역 및 이전 입력 영상의 일부 영역을 포함하는 데이터 세트를 구비하는 데이터 베이스를 더 포함하고, 퀄리티 학습부는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 데이터 베이스 내의 입력 영상의 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다.
한편, 데이터 베이스에 저장되는 일부 영역은, 입력되는 영상의 분석에 기초하여, 업데이트될 수 있다.
한편, 데이터 베이스는, 입력 영상 중 에지 영역 중 샤프니스의 레벨이 기준치 이상인 영역을 저장할 수 있다.
한편, 퀄리티 연산부 및 퀄리티 학습부는, 심층 신경망(Deep Neural Network)을 이용하여, 퀄리티 연산 및 퀄리티 학습을 각각 수행할 수 있다.
한편, 퀄리티 학습부는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하인 경우가 연속적으로 발생하는 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다.
한편, 퀄리티 학습부는, 입력 영상의 영상 타입에 관한 정보가 입력된 상태에서, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다.
한편, 퀄리티 학습부는, 포워드, 백워드 프로파게이션을 반복적으로 수행하여, 내부의 수학 모델을 업데이트하고, 업데이트된 수학 모델에 기초하여 포워드, 백워드 프로파게이션을 반복적으로 수행할 수 있다.
한편, 퀄리티 학습부는, 외부로부터 수학 모델이 수신되는 경우, 업데이트된 수학 모델을 초기화할 수 있다.
한편, 입력 영상은, 스트리밍 입력 영상, 방송 영상, 외부 장치로부터 입력되는 영상 또는 웹 기반 영상을 포함할 수 있다.
한편, 화질 설정부는, 설정된 화질에 따라, 노이즈 리덕션 설정값을 출력하거나, 샤프니스 설정값을 출력할 수 있다.
한편, 영상 타입에 관한 정보는, 해상도에 대한 정보, 화질 퀄리티 정보를 포함할 수 있다.
한편, 상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 신호 처리 장치 및 이를 구비하는 영상표시장치는, 입력 영상에 대한 영상 타입에 관한 정보를 연산하며, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행하는 퀄리티 연산 학습부와, 영상 타입에 관한 정보에 기초하여, 화질을 설정하는 화질 설정부와, 설정된 화질에 따라, 화질 처리를 수행하는 화질 처리부를 포함하고, 퀄리티 연산 학습부는, 학습된 결과에 기초하여, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다.
본 발명의 다른 실시예에 따른 신호 처리 장치 및 이를 구비하는 영상표시장치는, 퀄리티 연산 학습부에서 학습된 결과에 대응하는 가중치를 설정하는 가중치 설정부를 더 포함하고, 퀄리티 연산 학습부는, 가중치 설정부에서 설정된 가중치에 따라, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다.
한편, 본 발명의 다른 실시예에 따른 신호 처리 장치 및 이를 구비하는 영상표시장치는, 입력 영상의 일부 영역 및 이전 입력 영상의 일부 영역을 포함하는 데이터 세트를 구비하는 데이터 베이스를 포함하고, 퀄리티 연산 학습부는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 데이터 베이스 내의 입력 영상의 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다.
본 발명의 일 실시예에 따른 신호 처리 장치 및 이를 구비하는 영상표시장치는, 입력 영상에 대한 영상 타입에 관한 정보를 연산하는 퀄리티 연산부와, 영상 타입에 관한 정보에 기초하여, 화질을 설정하는 화질 설정부와, 설정된 화질에 따라, 화질 처리를 수행하는 화질 처리부와, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행하는 퀄리티 학습부를 포함하고, 퀄리티 연산부는, 퀄리티 학습부에서 학습된 결과에 기초하여, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 특히, 퀄리티 학습부에서의 학습 결과에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있게 된다.
한편, 본 발명의 일 실시예에 따른 신호 처리 장치 및 이를 구비하는 영상표시장치는, 퀄리티 학습부에서 학습된 결과에 대응하는 가중치를 설정하는 가중치 설정부를 더 포함하고, 퀄리티 연산부는, 가중치 설정부에서 설정된 가중치에 따라, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 특히, 가중치 설정부에서 설정된 가중치에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있게 된다.
한편, 퀄리티 연산부는, 복수의 영상 타입에 대한 확률을 연산하고, 복수의 확률 정보를 출력하며, 퀄리티 학습부는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 특히, 퀄리티 학습부에서의 학습 결과에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있게 된다.
한편, 퀄리티 학습부는, 출력된 복수의 영상 타입의 확률 정보 중 최대 확률 정보의 레벨이, 기준 레벨 이하인 경우, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 본 발명의 일 실시예에 따른 신호 처리 장치 및 이를 구비하는 영상표시장치는, 입력 영상을 제1 해상도의 영상으로 스케일링하는 스케일러를 더 포함하고, 제1 해상도의 영상은, 퀄리티 연산부와 퀄리티 학습부에 제공될 수 있다. 이에 따라, 퀄리티 연산부와 퀄리티 학습부에서의 연산량을 저감할 수 있게 된다.
한편, 본 발명의 일 실시예에 따른 신호 처리 장치 및 이를 구비하는 영상표시장치는, 입력 영상의 일부 영역 및 이전 입력 영상의 일부 영역을 포함하는 데이터 세트를 구비하는 데이터 베이스를 더 포함하고, 퀄리티 학습부는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 데이터 베이스 내의 입력 영상의 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 아울러, 퀄리티 학습시의 연산량을 저감할 수 있게 된다.
한편, 데이터 베이스에 저장되는 일부 영역은, 입력되는 영상의 분석에 기초하여, 업데이트될 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 데이터 베이스는, 입력 영상 중 에지 영역 중 샤프니스의 레벨이 기준치 이상인 영역을 저장할 수 있다. 이에 따라, 영상 분석시의 연산량을 저감할 수 있게 된다.
한편, 퀄리티 연산부 및 퀄리티 학습부는, 심층 신경망(Deep Neural Network)을 이용하여, 퀄리티 연산 및 퀄리티 학습을 각각 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 학습부는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하인 경우가 연속적으로 발생하는 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 학습부는, 입력 영상의 영상 타입에 관한 정보가 입력된 상태에서, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 학습부는, 포워드, 백워드 프로파게이션을 반복적으로 수행하여, 내부의 수학 모델을 업데이트하고, 업데이트된 수학 모델에 기초하여 포워드, 백워드 프로파게이션을 반복적으로 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 학습부는, 외부로부터 수학 모델이 수신되는 경우, 업데이트된 수학 모델을 초기화할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 입력 영상은, 스트리밍 입력 영상, 방송 영상, 외부 장치로부터 입력되는 영상 또는 웹 기반 영상을 포함할 수 있다. 이에 따라, 다양한 입력 영상에 대한 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 화질 설정부는, 설정된 화질에 따라, 노이즈 리덕션 설정값을 출력하거나, 샤프니스 설정값을 출력할 수 있다. 이에 따라, 영상 타입에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 영상 타입에 관한 정보는, 해상도에 대한 정보, 화질 퀄리티 정보를 포함할 수 있다. 이에 따라, 해상도에 또는 화질 퀄리티에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 본 발명의 다른 실시예에 따른 신호 처리 장치 및 이를 구비하는 영상표시장치는, 입력 영상에 대한 영상 타입에 관한 정보를 연산하며, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행하는 퀄리티 연산 학습부와, 영상 타입에 관한 정보에 기초하여, 화질을 설정하는 화질 설정부와, 설정된 화질에 따라, 화질 처리를 수행하는 화질 처리부를 포함하고, 퀄리티 연산 학습부는, 퀄리티 연산 학습부에서 학습된 결과에 기초하여, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 특히, 퀄리티 학습부에서의 학습 결과에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있게 된다.
본 발명의 다른 실시예에 따른 신호 처리 장치 및 이를 구비하는 영상표시장치는, 퀄리티 연산 학습부에서 학습된 결과에 대응하는 가중치를 설정하는 가중치 설정부를 더 포함하고, 퀄리티 연산 학습부는, 가중치 설정부에서 설정된 가중치에 따라, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 특히, 가중치 설정부에서 설정된 가중치에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있게 된다.
한편, 본 발명의 다른 실시예에 따른 신호 처리 장치 및 이를 구비하는 영상표시장치는, 입력 영상의 일부 영역 및 이전 입력 영상의 일부 영역을 포함하는 데이터 세트를 구비하는 데이터 베이스를 포함하고, 퀄리티 연산 학습부는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 데이터 베이스 내의 입력 영상의 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 아울러, 퀄리티 학습시의 연산량을 저감할 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 영상표시 시스템을 도시한 도면이다.
도 2는 도 1의 영상표시장치의 내부 블록도의 일예이다.
도 3은 도 2의 신호 처리부의 내부 블록도의 일예이다.
도 4a는 도 2의 원격제어장치의 제어 방법을 도시한 도면이다.
도 4b는 도 2의 원격제어장치의 내부 블록도이다.
도 5는 도 2의 디스플레이의 내부 블록도이다.
도 6a 내지 도 6b는 도 5의 유기발광패널의 설명에 참조되는 도면이다.
도 7은 본 발명과 관련된 신호 처리 장치의 내부 블록도의 일예이다.
도 8은 본 발명의 실시예에 따른 신호 처리 장치의 내부 블록도의 일예이다.
도 9는 본 발명의 다른 실시예에 따른 신호 처리 장치의 내부 블록도의 일예이다.
도 10 내지 도 11b는 도 8 또는 도 9의 신호 처리 장치의 동작 설명에 참조되는 도면이다.
도 12는 본 발명의 일 실시예에 따른 신호 처리 장치의 동작방법을 나타내는 순서도이다.
도 13a 내지 도 17은 도 12의 동작 설명에 참조되는 도면이다.
도 2는 도 1의 영상표시장치의 내부 블록도의 일예이다.
도 3은 도 2의 신호 처리부의 내부 블록도의 일예이다.
도 4a는 도 2의 원격제어장치의 제어 방법을 도시한 도면이다.
도 4b는 도 2의 원격제어장치의 내부 블록도이다.
도 5는 도 2의 디스플레이의 내부 블록도이다.
도 6a 내지 도 6b는 도 5의 유기발광패널의 설명에 참조되는 도면이다.
도 7은 본 발명과 관련된 신호 처리 장치의 내부 블록도의 일예이다.
도 8은 본 발명의 실시예에 따른 신호 처리 장치의 내부 블록도의 일예이다.
도 9는 본 발명의 다른 실시예에 따른 신호 처리 장치의 내부 블록도의 일예이다.
도 10 내지 도 11b는 도 8 또는 도 9의 신호 처리 장치의 동작 설명에 참조되는 도면이다.
도 12는 본 발명의 일 실시예에 따른 신호 처리 장치의 동작방법을 나타내는 순서도이다.
도 13a 내지 도 17은 도 12의 동작 설명에 참조되는 도면이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 단순히 본 명세서 작성의 용이함만이 고려되어 부여되는 것으로서, 그 자체로 특별히 중요한 의미 또는 역할을 부여하는 것은 아니다. 따라서, 상기 "모듈" 및 "부"는 서로 혼용되어 사용될 수도 있다.
도 1은 본 발명의 일 실시예에 따른 영상표시 시스템을 도시한 도면이다.
도면을 참조하면, 본 발명의 일 실시예에 따른 영상표시 시스템(10)은, 디스플레이(180)를 구비하는 영상표시장치(100), 셋탑 박스(300), 및 서버(600)를 포함할 수 잇다.
본 발명의 일 실시예에 따른 영상표시장치(100)는, 셋탑 박스(300), 또는 서버(600)로부터 영상을 수신할 수 있다.
예를 들어, 영상표시장치(100)는, 셋탑 박스(300)로부터의 영상 신호를 HDMI 단자를 통해 수신할 수 있다.
다른 예로, 영상표시장치(100)는, 서버(600)로부터 영상 신호를 네트워크 단자를 통해 수신할 수 있다.
한편, 영상표시장치(100)는, 외부의 셋탑 박스(300) 또는 네트워크를 통해 수신되는 영상 신호의 원본 퀄리티를 연산하고, 연산된 원본 퀄리티에 따라, 영상 신호의 화질을 설정하고, 설정된 화질에 따라, 영상 신호의 화질 처리를 수행하는 화질 처리를 수행할 수 있다.
한편, 본 발명의 실시예에 따른 영상표시장치(100)는, 입력 영상에 대한 영상 타입에 관한 정보를 연산하는 퀄리티 연산부(632)와, 영상 타입에 관한 정보에 기초하여, 화질을 설정하는 화질 설정부(634)와, 설정된 화질에 따라, 화질 처리를 수행하는 화질 처리부(635)를 포함할 수 있다.
한편, 본 발명의 실시예에 따른 영상표시장치(100)는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행하는 퀄리티 학습부(633)를 포함할 수 있다.
한편, 퀄리티 연산부(632)는, 퀄리티 학습부(633)에서 학습된 결과에 기초하여, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 특히, 퀄리티 학습부(633)에서의 학습 결과에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있게 된다.
한편, 본 발명의 실시예에 따른 영상표시장치(100)는, 퀄리티 학습부(633)에서 학습된 결과에 대응하는 가중치를 설정하는 가중치 설정부(1120)를 더 포함하고, 퀄리티 연산부(632)는, 가중치 설정부(1120)에서 설정된 가중치에 따라, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 특히, 가중치 설정부(1120)에서 설정된 가중치에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있게 된다.
한편, 본 발명의 실시예에 따른 영상표시장치(100)는, 입력 영상을 제1 해상도의 영상으로 스케일링하는 스케일러(1110)를 더 포함하고, 제1 해상도의 영상은, 퀄리티 연산부(632)와 퀄리티 학습부(633)에 제공될 수 있다. 이에 따라, 퀄리티 연산부(632)와 퀄리티 학습부(633)에서의 연산량을 저감할 수 있게 된다.
한편, 본 발명의 실시예에 따른 영상표시장치(100)는, 입력 영상의 일부 영역 및 이전 입력 영상의 일부 영역을 포함하는 데이터 세트를 구비하는 데이터 베이스(1115)를 더 포함하고, 퀄리티 학습부(633)는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 데이터 베이스(1115) 내의 입력 영상의 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 아울러, 퀄리티 학습시의 연산량을 저감할 수 있게 된다.
한편, 본 발명의 다른 실시예에 따른 영상표시장치(100)는, 입력 영상에 대한 영상 타입에 관한 정보를 연산하며, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행하는 퀄리티 연산 학습부(632b)를 포함할 수 있다.
한편, 퀄리티 연산 학습부(632b)는, 학습된 결과에 기초하여, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 특히, 퀄리티 학습부(633)에서의 학습 결과에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있게 된다.
한편, 영상표시장치(100)는, 심층 신경망(Deep Neural Network)을 이용하여, 퀄리티 연산 또는 퀄리티 학습을 수행할 수 있다.
특히, 영상표시장치(100)는, 심층 신경망(Deep Neural Network)을 이용하여, 수신되는 영상 신호의 해상도, 노이즈 수준 등을 연산할 수 있다. 이에 따라, 수신되는 영상 신호의 원본 퀄리티 연산을 정확하게 수행할 수 있게 된다.
한편, 영상표시장치(100)는, 심층 신경망에 대한 파라미터를 업데이트하고, 업데이트된 파라미터에 기초하여, 수신되는 영상 신호의 해상도와, 노이즈 수준을 연산할 수 있다. 이에 따라, 학습 기반하에 영상 신호의 원본 퀄리티 연산을 정확하게 수행할 수 있게 된다.
한편, 디스플레이(180)는 다양한 패널 중 어느 하나로 구현될 수 있다. 예를 들어, 디스플레이(180)는, 액정표시패널(LCD 패널), 유기발광패널(OLED 패널), 무기발광패널(LED 패널) 등 중 어느 하나일 수 있다.
본 발명에서는, 디스플레이(180)가 유기발광패널(OLED 패널)을 구비하는 것을 중심으로 기술한다.
한편, 유기발광패널(OLED 패널)은, 액정표시패널 보다 패널 응답 속도가 빠르며, 색재현 효과가 뛰어나며, 색재현성이 뛰어나다는 장점이 있다.
이에 따라, 디스플레이(180)가 유기발광패널을 구비하는 경우, 영상표시장치(100) 내의 신호 처리부(도 2의 170)는, 유기발광패널에 대응하는 화질 처리를 수행하는 것이 바람직하다. 한편, 신호 처리부는, 신호 처리 장치로 명명할 수도 있다. 이하에서는, 신호 처리 장치와 신호 처리부를 동일한 의미로 사용한다.
한편, 도 1의 영상표시장치(100)는, TV, 모니터, 태블릿 PC, 이동 단말기, 차량용 디스플레이 등이 가능하다.
도 2는 도 1의 영상표시장치의 내부 블록도의 일예이다.
도 2를 참조하면, 본 발명의 일실시예에 의한 영상표시장치(100)는, 영상 수신부(105), 저장부(140), 사용자입력 인터페이스부(150), 센서부(미도시), 신호 처리부(170), 디스플레이(180), 오디오 출력부(185)를 포함할 수 있다.
한편, 도면에서의 신호 처리부(170)는, 상술한 신호 처리 장치에 대응할 수 있다.
영상 수신부(105)는, 튜너부(110), 복조부(120), 네트워크 인터페이스부(130), 외부장치 인터페이스부(130)를 포함할 수 있다.
한편, 영상 수신부(105)는, 도면과 달리, 튜너부(110), 복조부(120)와, 외부장치 인터페이스부(130)만을 포함하는 것도 가능하다. 즉, 네트워크 인터페이스부(130)를 포함하지 않을 수도 있다.
튜너부(110)는, 안테나(미도시)를 통해 수신되는 RF(Radio Frequency) 방송 신호 중 사용자에 의해 선택된 채널 또는 기저장된 모든 채널에 해당하는 RF 방송 신호를 선택한다. 또한, 선택된 RF 방송 신호를 중간 주파수 신호 혹은 베이스 밴드 영상 또는 음성신호로 변환한다.
예를 들어, 선택된 RF 방송 신호가 디지털 방송 신호이면 디지털 IF 신호(DIF)로 변환하고, 아날로그 방송 신호이면 아날로그 베이스 밴드 영상 또는 음성 신호(CVBS/SIF)로 변환한다. 즉, 튜너부(110)는 디지털 방송 신호 또는 아날로그 방송 신호를 처리할 수 있다. 튜너부(110)에서 출력되는 아날로그 베이스 밴드 영상 또는 음성 신호(CVBS/SIF)는 신호 처리부(170)로 직접 입력될 수 있다.
한편, 튜너부(110)는, 복수 채널의 방송 신호를 수신하기 위해, 복수의 튜너를 구비하는 것이 가능하다. 또는, 복수 채널의 방송 신호를 동시에 수신하는 단일 튜너도 가능하다.
복조부(120)는 튜너부(110)에서 변환된 디지털 IF 신호(DIF)를 수신하여 복조 동작을 수행한다.
복조부(120)는 복조 및 채널 복호화를 수행한 후 스트림 신호(TS)를 출력할 수 있다. 이때 스트림 신호는 영상 신호, 음성 신호 또는 데이터 신호가 다중화된 신호일 수 있다.
복조부(120)에서 출력한 스트림 신호는 신호 처리부(170)로 입력될 수 있다. 신호 처리부(170)는 역다중화, 영상/음성 신호 처리 등을 수행한 후, 디스플레이(180)에 영상을 출력하고, 오디오 출력부(185)로 음성을 출력한다.
외부장치 인터페이스부(130)는, 접속된 외부 장치(미도시), 예를 들어, 셋탑 박스(50)와 데이터를 송신 또는 수신할 수 있다. 이를 위해, 외부장치 인터페이스부(130)는, A/V 입출력부(미도시)를 포함할 수 있다.
외부장치 인터페이스부(130)는, DVD(Digital Versatile Disk), 블루레이(Blu ray), 게임기기, 카메라, 캠코더, 컴퓨터(노트북), 셋탑 박스 등과 같은 외부 장치와 유/무선으로 접속될 수 있으며, 외부 장치와 입력/출력 동작을 수행할 수도 있다.
A/V 입출력부는, 외부 장치의 영상 및 음성 신호를 입력받을 수 있다. 한편, 무선 통신부(미도시)는, 다른 전자기기와 근거리 무선 통신을 수행할 수 있다.
이러한 무선 통신부(미도시)를 통해, 외부장치 인터페이스부(130)는, 인접하는 이동 단말기(600)와 데이터를 교환할 수 있다. 특히, 외부장치 인터페이스부(130)는, 미러링 모드에서, 이동 단말기(600)로부터 디바이스 정보, 실행되는 애플리케이션 정보, 애플리케이션 이미지 등을 수신할 수 있다.
네트워크 인터페이스부(135)는, 영상표시장치(100)를 인터넷망을 포함하는 유/무선 네트워크와 연결하기 위한 인터페이스를 제공한다. 예를 들어, 네트워크 인터페이스부(135)는, 네트워크를 통해, 인터넷 또는 컨텐츠 제공자 또는 네트워크 운영자가 제공하는 컨텐츠 또는 데이터들을 수신할 수 있다.
한편, 네트워크 인터페이스부(135)는, 무선 통신부(미도시)를 포함할 수 있다.
저장부(140)는, 신호 처리부(170) 내의 각 신호 처리 및 제어를 위한 프로그램이 저장될 수도 있고, 신호 처리된 영상, 음성 또는 데이터 신호를 저장할 수도 있다.
또한, 저장부(140)는 외부장치 인터페이스부(130)로 입력되는 영상, 음성 또는 데이터 신호의 임시 저장을 위한 기능을 수행할 수도 있다. 또한, 저장부(140)는, 채널 맵 등의 채널 기억 기능을 통하여 소정 방송 채널에 관한 정보를 저장할 수 있다.
도 2의 저장부(140)가 신호 처리부(170)와 별도로 구비된 실시예를 도시하고 있으나, 본 발명의 범위는 이에 한정되지 않는다. 저장부(140)는 신호 처리부(170) 내에 포함될 수 있다.
사용자입력 인터페이스부(150)는, 사용자가 입력한 신호를 신호 처리부(170)로 전달하거나, 신호 처리부(170)로부터의 신호를 사용자에게 전달한다.
예를 들어, 원격제어장치(200)로부터 전원 온/오프, 채널 선택, 화면 설정 등의 사용자 입력 신호를 송신/수신하거나, 전원키, 채널키, 볼륨키, 설정치 등의 로컬키(미도시)에서 입력되는 사용자 입력 신호를 신호 처리부(170)에 전달하거나, 사용자의 제스처를 센싱하는 센서부(미도시)로부터 입력되는 사용자 입력 신호를 신호 처리부(170)에 전달하거나, 신호 처리부(170)로부터의 신호를 센서부(미도시)로 송신할 수 있다.
신호 처리부(170)는, 튜너부(110) 또는 복조부(120) 또는 네트워크 인터페이스부(135) 또는 외부장치 인터페이스부(130)를 통하여, 입력되는 스트림을 역다중화하거나, 역다중화된 신호들을 처리하여, 영상 또는 음성 출력을 위한 신호를 생성 및 출력할 수 있다.
예를 들어, 신호 처리부(170)는, 영상 수신부(105)에서 수신된 방송 신호 또는 HDMI 신호 등을 수신하고, 수신되는 방송 신호 또는 HDMI 신호에 기초한 신호 처리를 수행하여, 신호 처리된 영상 신호를 출력할 수 있다.
신호 처리부(170)에서 영상 처리된 영상 신호는 디스플레이(180)로 입력되어, 해당 영상 신호에 대응하는 영상으로 표시될 수 있다. 또한, 신호 처리부(170)에서 영상 처리된 영상 신호는 외부장치 인터페이스부(130)를 통하여 외부 출력장치로 입력될 수 있다.
신호 처리부(170)에서 처리된 음성 신호는 오디오 출력부(185)로 음향 출력될 수 있다. 또한, 신호 처리부(170)에서 처리된 음성 신호는 외부장치 인터페이스부(130)를 통하여 외부 출력장치로 입력될 수 있다.
도 2에는 도시되어 있지 않으나, 신호 처리부(170)는 역다중화부, 영상처리부 등을 포함할 수 있다. 즉, 신호 처리부(170)는, 다양한 신호 처리를 수행할 수 있으며, 이에 따라, 시스템 온 칩(System On Chip,SOC)의 형태로 구현될 수 있다. 이에 대해서는 도 3을 참조하여 후술한다.
그 외, 신호 처리부(170)는, 영상표시장치(100) 내의 전반적인 동작을 제어할 수 있다. 예를 들어, 신호 처리부(170)는 튜너부(110)를 제어하여, 사용자가 선택한 채널 또는 기저장된 채널에 해당하는 RF 방송을 선택(Tuning)하도록 제어할 수 있다.
또한, 신호 처리부(170)는 사용자입력 인터페이스부(150)를 통하여 입력된 사용자 명령 또는 내부 프로그램에 의하여 영상표시장치(100)를 제어할 수 있다.
한편, 신호 처리부(170)는, 영상을 표시하도록 디스플레이(180)를 제어할 수 있다. 이때, 디스플레이(180)에 표시되는 영상은, 정지 영상 또는 동영상일 수 있으며, 2D 영상 또는 3D 영상일 수 있다.
한편, 신호 처리부(170)는 디스플레이(180)에 표시되는 영상 내에, 소정 오브젝트가 표시되도록 할 수 있다. 예를 들어, 오브젝트는, 접속된 웹 화면(신문, 잡지 등), EPG(Electronic Program Guide), 다양한 메뉴, 위젯, 아이콘, 정지 영상, 동영상, 텍스트 중 적어도 하나일 수 있다.
한편, 신호 처리부(170)는, 촬영부(미도시)로부터 촬영된 영상에 기초하여, 사용자의 위치를 인식할 수 있다. 예를 들어, 사용자와 영상표시장치(100) 간의 거리(z축 좌표)를 파악할 수 있다. 그 외, 사용자 위치에 대응하는 디스플레이(180) 내의 x축 좌표, 및 y축 좌표를 파악할 수 있다.
디스플레이(180)는, 신호 처리부(170)에서 처리된 영상 신호, 데이터 신호, OSD 신호, 제어 신호 또는 외부장치 인터페이스부(130)에서 수신되는 영상 신호, 데이터 신호, 제어 신호 등을 변환하여 구동 신호를 생성한다.
한편, 디스플레이(180)는, 터치 스크린으로 구성되어 출력 장치 이외에 입력 장치로 사용되는 것도 가능하다.
오디오 출력부(185)는, 신호 처리부(170)에서 음성 처리된 신호를 입력 받아 음성으로 출력한다.
촬영부(미도시)는 사용자를 촬영한다. 촬영부(미도시)는 1 개의 카메라로 구현되는 것이 가능하나, 이에 한정되지 않으며, 복수 개의 카메라로 구현되는 것도 가능하다. 촬영부(미도시)에서 촬영된 영상 정보는 신호 처리부(170)에 입력될 수 있다.
신호 처리부(170)는, 촬영부(미도시)로부터 촬영된 영상, 또는 센서부(미도시)로부터의 감지된 신호 각각 또는 그 조합에 기초하여 사용자의 제스처를 감지할 수 있다.
전원 공급부(190)는, 영상표시장치(100) 전반에 걸쳐 해당 전원을 공급한다. 특히, 전원 공급부(190)는, 시스템 온 칩(System On Chip,SOC)의 형태로 구현될 수 있는 신호 처리부(170)와, 영상 표시를 위한 디스플레이(180), 및 오디오 출력을 위한 오디오 출력부(185) 등에 전원을 공급할 수 있다.
구체적으로, 전원 공급부(190)는, 교류 전원을 직류 전원으로 변환하는 컨버터와, 직류 전원의 레벨을 변환하는 dc/dc 컨버터를 구비할 수 있다.
원격제어장치(200)는, 사용자 입력을 사용자입력 인터페이스부(150)로 송신한다. 이를 위해, 원격제어장치(200)는, 블루투스(Bluetooth), RF(Radio Frequency) 통신, 적외선(IR) 통신, UWB(Ultra Wideband), 지그비(ZigBee) 방식 등을 사용할 수 있다. 또한, 원격제어장치(200)는, 사용자입력 인터페이스부(150)에서 출력한 영상, 음성 또는 데이터 신호 등을 수신하여, 이를 원격제어장치(200)에서 표시하거나 음성 출력할 수 있다.
한편, 상술한 영상표시장치(100)는, 고정형 또는 이동형 디지털 방송 수신 가능한 디지털 방송 수신기일 수 있다.
한편, 도 2에 도시된 영상표시장치(100)의 블록도는 본 발명의 일실시예를 위한 블록도이다. 블록도의 각 구성요소는 실제 구현되는 영상표시장치(100)의 사양에 따라 통합, 추가, 또는 생략될 수 있다. 즉, 필요에 따라 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나, 혹은 하나의 구성요소가 2 이상의 구성요소로 세분되어 구성될 수 있다. 또한, 각 블록에서 수행하는 기능은 본 발명의 실시예를 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.
도 3은 도 2의 신호 처리부의 내부 블록도의 일예이다.
도면을 참조하여 설명하면, 본 발명의 일실시예에 의한 신호 처리부(170)는, 역다중화부(310), 영상 처리부(320), 프로세서(330), 오디오 처리부(370)를 포함할 수 있다. 그 외 , 데이터 처리부(미도시)를 더 포함할 수 있다.
역다중화부(310)는, 입력되는 스트림을 역다중화한다. 예를 들어, MPEG-2 TS가 입력되는 경우 이를 역다중화하여, 각각 영상, 음성 및 데이터 신호로 분리할 수 있다. 여기서, 역다중화부(310)에 입력되는 스트림 신호는, 튜너부(110) 또는 복조부(120) 또는 외부장치 인터페이스부(130)에서 출력되는 스트림 신호일 수 있다.
영상 처리부(320)는, 입력되는 영상에 대한 신호 처리를 수행할 수 있다. 예를 들어, 영상 처리부(320)는, 역다중화부(310)로부터 역다중화된 영상 신호의 영상 처리를 수행할 수 있다.
이를 위해, 영상 처리부(320)는, 영상 디코더(325), 스케일러(335), 화질 처리부(635), 영상 인코더(미도시), OSD 생성부(340), 프레임 영상 레이트 변환부(350), 및 포맷터(360) 등을 포함할 수 있다.
영상 디코더(325)는, 역다중화된 영상신호를 복호화하며, 스케일러(335)는, 복호화된 영상신호의 해상도를 디스플레이(180)에서 출력 가능하도록 스케일링(scaling)을 수행한다.
영상 디코더(325)는 다양한 규격의 디코더를 구비하는 것이 가능하다. 예를 들어, MPEG-2, H,264 디코더, 색차 영상(color image) 및 깊이 영상(depth image)에 대한 3D 영상 디코더, 복수 시점 영상에 대한 디코더 등을 구비할 수 있다.
스케일러(335)는, 영상 디코더(325) 등에서 영상 복호 완료된, 입력 영상 신호를 스케일링할 수 있다.
예를 들어, 스케일러(335)는, 입력 영상 신호의 크기 또는 해상도가 작은 경우, 업 스케일링하고, 입력 영상 신호의 크기 또는 해상도가 큰 경우, 다운 스케일링할 수 있다.
화질 처리부(635)는, 영상 디코더(325) 등에서 영상 복호 완료된, 입력 영상 신호에 대한 화질 처리를 수행할 수 있다.
예를 들어, 화질 처리부(635)는, 입력 영상 신호의 노이즈 제거 처리를 하거나, 입력 영상 신호의 도계조의 해상를 확장하거나, 영상 해상도 향상을 수행하거나, 하이 다이나믹 레인지(HDR) 기반의 신호 처리를 하거나, 프레임 영상 레이트를 가변하거나, 패널 특성, 특히 유기발광패널에 대응하는 화질 처리 등을 할 수 있다.
OSD 생성부(340)는, 사용자 입력에 따라 또는 자체적으로 OSD 신호를 생성한다. 예를 들어, 사용자 입력 신호에 기초하여, 디스플레이(180)의 화면에 각종 정보를 그래픽(Graphic)이나 텍스트(Text)로 표시하기 위한 신호를 생성할 수 있다. 생성되는 OSD 신호는, 영상표시장치(100)의 사용자 인터페이스 화면, 다양한 메뉴 화면, 위젯, 아이콘 등의 다양한 데이터를 포함할 수 있다. 또한, 생성되는 OSD 신호는, 2D 오브젝트 또는 3D 오브젝트를 포함할 수 있다.
또한, OSD 생성부(340)는, 원격제어장치(200)로부터 입력되는 포인팅 신호에 기초하여, 디스플레이에 표시 가능한, 포인터를 생성할 수 있다. 특히, 이러한 포인터는, 포인팅 신호 처리부에서 생성될 수 있으며, OSD 생성부(240)는, 이러한 포인팅 신호 처리부(미도시)를 포함할 수 있다. 물론, 포인팅 신호 처리부(미도시)가 OSD 생성부(240) 내에 구비되지 않고 별도로 마련되는 것도 가능하다.
프레임 영상 레이트 변환부(Frame Rate Conveter, FRC)(350)는, 입력되는 영상의 프레임 영상 레이트를 변환할 수 있다. 한편, 프레임 영상 레이트 변환부(350)는, 별도의 프레임 영상 레이트 변환 없이, 그대로 출력하는 것도 가능하다.
한편, 포맷터(Formatter)(360)는, 입력되는 영상 신호의 포맷을, 디스플레이에 표시하기 위한 영상 신호로 변화시켜 출력할 수 있다.
특히, 포맷터(Formatter)(360)는, 디스플레이 패널에 대응하도록 영상 신호의 포맷을 변화시킬 수 있다.
프로세서(330)는, 영상표시장치(100) 내 또는 신호 처리부(170) 내의 전반적인 동작을 제어할 수 있다.
예를 들어, 프로세서(330)는 튜너(110)를 제어하여, 사용자가 선택한 채널 또는 기저장된 채널에 해당하는 RF 방송을 선택(Tuning)하도록 제어할 수 있다.
또한, 프로세서(330)는, 사용자입력 인터페이스부(150)를 통하여 입력된 사용자 명령 또는 내부 프로그램에 의하여 영상표시장치(100)를 제어할 수 있다.
또한, 프로세서(330)는, 네트워크 인터페이스부(135) 또는 외부장치 인터페이스부(130)와의 데이터 전송 제어를 수행할 수 있다.
또한, 프로세서(330)는, 신호 처리부(170) 내의 역다중화부(310), 영상 처리부(320) 등의 동작을 제어할 수 있다.
한편, 신호 처리부(170) 내의 오디오 처리부(370)는, 역다중화된 음성 신호의 음성 처리를 수행할 수 있다. 이를 위해 오디오 처리부(370)는 다양한 디코더를 구비할 수 있다.
또한, 신호 처리부(170) 내의 오디오 처리부(370)는, 베이스(Base), 트레블(Treble), 음량 조절 등을 처리할 수 있다.
신호 처리부(170) 내의 데이터 처리부(미도시)는, 역다중화된 데이터 신호의 데이터 처리를 수행할 수 있다. 예를 들어, 역다중화된 데이터 신호가 부호화된 데이터 신호인 경우, 이를 복호화할 수 있다. 부호화된 데이터 신호는, 각 채널에서 방영되는 방송프로그램의 시작시간, 종료시간 등의 방송정보를 포함하는 전자 프로그램 가이드 정보(Electronic Program Guide) 정보일 수 있다.
한편, 도 3에 도시된 신호 처리부(170)의 블록도는 본 발명의 일실시예를 위한 블록도이다. 블록도의 각 구성요소는 실제 구현되는 신호 처리부(170)의 사양에 따라 통합, 추가, 또는 생략될 수 있다.
특히, 프레임 영상 레이트 변환부(350), 및 포맷터(360)는 영상 처리부(320) 외에 별도로 마련될 수도 있다.
도 4a는 도 2의 원격제어장치의 제어 방법을 도시한 도면이다.
도 4a의 (a)에 도시된 바와 같이, 디스플레이(180)에 원격제어장치(200)에 대응하는 포인터(205)가 표시되는 것을 예시한다.
사용자는 원격제어장치(200)를 상하, 좌우(도 4a의 (b)), 앞뒤(도 4a의 (c))로 움직이거나 회전할 수 있다. 영상표시장치의 디스플레이(180)에 표시된 포인터(205)는 원격제어장치(200)의 움직임에 대응한다. 이러한 원격제어장치(200)는, 도면과 같이, 3D 공간 상의 움직임에 따라 해당 포인터(205)가 이동되어 표시되므로, 공간 리모콘 또는 3D 포인팅 장치라 명명할 수 있다.
도 4a의 (b)는 사용자가 원격제어장치(200)를 왼쪽으로 이동하면, 영상표시장치의 디스플레이(180)에 표시된 포인터(205)도 이에 대응하여 왼쪽으로 이동하는 것을 예시한다.
원격제어장치(200)의 센서를 통하여 감지된 원격제어장치(200)의 움직임에 관한 정보는 영상표시장치로 전송된다. 영상표시장치는 원격제어장치(200)의 움직임에 관한 정보로부터 포인터(205)의 좌표를 산출할 수 있다. 영상표시장치는 산출한 좌표에 대응하도록 포인터(205)를 표시할 수 있다.
도 4a의 (c)는, 원격제어장치(200) 내의 특정 버튼을 누른 상태에서, 사용자가 원격제어장치(200)를 디스플레이(180)에서 멀어지도록 이동하는 경우를 예시한다. 이에 의해, 포인터(205)에 대응하는 디스플레이(180) 내의 선택 영역이 줌인되어 확대 표시될 수 있다. 이와 반대로, 사용자가 원격제어장치(200)를 디스플레이(180)에 가까워지도록 이동하는 경우, 포인터(205)에 대응하는 디스플레이(180) 내의 선택 영역이 줌아웃되어 축소 표시될 수 있다. 한편, 원격제어장치(200)가 디스플레이(180)에서 멀어지는 경우, 선택 영역이 줌아웃되고, 원격제어장치(200)가 디스플레이(180)에 가까워지는 경우, 선택 영역이 줌인될 수도 있다.
한편, 원격제어장치(200) 내의 특정 버튼을 누른 상태에서는 상하, 좌우 이동의 인식이 배제될 수 있다. 즉, 원격제어장치(200)가 디스플레이(180)에서 멀어지거나 접근하도록 이동하는 경우, 상,하,좌,우 이동은 인식되지 않고, 앞뒤 이동만 인식되도록 할 수 있다. 원격제어장치(200) 내의 특정 버튼을 누르지 않은 상태에서는, 원격제어장치(200)의 상,하, 좌,우 이동에 따라 포인터(205)만 이동하게 된다.
한편, 포인터(205)의 이동속도나 이동방향은 원격제어장치(200)의 이동속도나 이동방향에 대응할 수 있다.
도 4b는 도 2의 원격제어장치의 내부 블록도이다.
도면을 참조하여 설명하면, 원격제어장치(200)는 무선통신부(425), 사용자 입력부(435), 센서부(440), 출력부(450), 전원공급부(460), 저장부(470), 신호 처리부(480)를 포함할 수 있다.
무선통신부(425)는 전술하여 설명한 본 발명의 실시예들에 따른 영상표시장치 중 임의의 어느 하나와 신호를 송수신한다. 본 발명의 실시예들에 따른 영상표시장치들 중에서, 하나의 영상표시장치(100)를 일예로 설명하도록 하겠다.
본 실시예에서, 원격제어장치(200)는 RF 통신규격에 따라 영상표시장치(100)와 신호를 송수신할 수 있는 RF 모듈(421)을 구비할 수 있다. 또한 원격제어장치(200)는 IR 통신규격에 따라 영상표시장치(100)와 신호를 송수신할 수 있는 IR 모듈(423)을 구비할 수 있다.
본 실시예에서, 원격제어장치(200)는 영상표시장치(100)로 원격제어장치(200)의 움직임 등에 관한 정보가 담긴 신호를 RF 모듈(421)을 통하여 전송한다.
또한, 원격제어장치(200)는 영상표시장치(100)가 전송한 신호를 RF 모듈(421)을 통하여 수신할 수 있다. 또한, 원격제어장치(200)는 필요에 따라 IR 모듈(423)을 통하여 영상표시장치(100)로 전원 온/오프, 채널 변경, 볼륨 변경 등에 관한 명령을 전송할 수 있다.
사용자 입력부(435)는 키패드, 버튼, 터치 패드, 또는 터치 스크린 등으로 구성될 수 있다. 사용자는 사용자 입력부(435)를 조작하여 원격제어장치(200)로 영상표시장치(100)와 관련된 명령을 입력할 수 있다. 사용자 입력부(435)가 하드키 버튼을 구비할 경우 사용자는 하드키 버튼의 푸쉬 동작을 통하여 원격제어장치(200)로 영상표시장치(100)와 관련된 명령을 입력할 수 있다. 사용자 입력부(435)가 터치스크린을 구비할 경우 사용자는 터치스크린의 소프트키를 터치하여 원격제어장치(200)로 영상표시장치(100)와 관련된 명령을 입력할 수 있다. 또한, 사용자 입력부(435)는 스크롤 키나, 조그 키 등 사용자가 조작할 수 있는 다양한 종류의 입력수단을 구비할 수 있으며 본 실시예는 본 발명의 권리범위를 제한하지 아니한다.
센서부(440)는 자이로 센서(441) 또는 가속도 센서(443)를 구비할 수 있다. 자이로 센서(441)는 원격제어장치(200)의 움직임에 관한 정보를 센싱할 수 있다.
일예로, 자이로 센서(441)는 원격제어장치(200)의 동작에 관한 정보를 x,y,z 축을 기준으로 센싱할 수 있다. 가속도 센서(443)는 원격제어장치(200)의 이동속도 등에 관한 정보를 센싱할 수 있다. 한편, 거리측정센서를 더 구비할 수 있으며, 이에 의해, 디스플레이(180)와의 거리를 센싱할 수 있다.
출력부(450)는 사용자 입력부(435)의 조작에 대응하거나 영상표시장치(100)에서 전송한 신호에 대응하는 영상 또는 음성 신호를 출력할 수 있다. 출력부(450)를 통하여 사용자는 사용자 입력부(435)의 조작 여부 또는 영상표시장치(100)의 제어 여부를 인지할 수 있다.
일예로, 출력부(450)는 사용자 입력부(435)가 조작되거나 무선 통신부(425)을 통하여 영상표시장치(100)와 신호가 송수신되면 점등되는 LED 모듈(451), 진동을 발생하는 진동 모듈(453), 음향을 출력하는 음향 출력 모듈(455), 또는 영상을 출력하는 디스플레이 모듈(457)을 구비할 수 있다.
전원공급부(460)는 원격제어장치(200)로 전원을 공급한다. 전원공급부(460)는 원격제어장치(200)이 소정 시간 동안 움직이지 않은 경우 전원 공급을 중단함으로서 전원 낭비를 줄일 수 있다. 전원공급부(460)는 원격제어장치(200)에 구비된 소정 키가 조작된 경우에 전원 공급을 재개할 수 있다.
저장부(470)는 원격제어장치(200)의 제어 또는 동작에 필요한 여러 종류의 프로그램, 애플리케이션 데이터 등이 저장될 수 있다. 만일 원격제어장치(200)가 영상표시장치(100)와 RF 모듈(421)을 통하여 무선으로 신호를 송수신할 경우 원격제어장치(200)와 영상표시장치(100)는 소정 주파수 대역을 통하여 신호를 송수신한다. 원격제어장치(200)의 신호 처리부(480)는 원격제어장치(200)와 페어링된 영상표시장치(100)와 신호를 무선으로 송수신할 수 있는 주파수 대역 등에 관한 정보를 저장부(470)에 저장하고 참조할 수 있다.
신호 처리부(480)는 원격제어장치(200)의 제어에 관련된 제반사항을 제어한다. 신호 처리부(480)는 사용자 입력부(435)의 소정 키 조작에 대응하는 신호 또는 센서부(440)에서 센싱한 원격제어장치(200)의 움직임에 대응하는 신호를 무선 통신부(425)를 통하여 영상표시장치(100)로 전송할 수 있다.
영상표시장치(100)의 사용자 입력 인터페이스부(150)는, 원격제어장치(200)와 무선으로 신호를 송수신할 수 있는 무선통신부(151)와, 원격제어장치(200)의 동작에 대응하는 포인터의 좌표값을 산출할 수 있는 좌표값 산출부(415)를 구비할 수 있다.
사용자 입력 인터페이스부(150)는, RF 모듈(412)을 통하여 원격제어장치(200)와 무선으로 신호를 송수신할 수 있다. 또한 IR 모듈(413)을 통하여 원격제어장치(200)이 IR 통신 규격에 따라 전송한 신호를 수신할 수 있다.
좌표값 산출부(415)는 무선통신부(151)를 통하여 수신된 원격제어장치(200)의 동작에 대응하는 신호로부터 손떨림이나 오차를 수정하여 디스플레이(180)에 표시할 포인터(205)의 좌표값(x,y)을 산출할 수 있다.
사용자 입력 인터페이스부(150)를 통하여 영상표시장치(100)로 입력된 원격제어장치(200) 전송 신호는 영상표시장치(100)의 신호 처리부(180)로 전송된다. 신호 처리부(180)는 원격제어장치(200)에서 전송한 신호로부터 원격제어장치(200)의 동작 및 키 조작에 관한 정보를 판별하고, 그에 대응하여 영상표시장치(100)를 제어할 수 있다.
또 다른 예로, 원격제어장치(200)는, 그 동작에 대응하는 포인터 좌표값을 산출하여 영상표시장치(100)의 사용자 입력 인터페이스부(150)로 출력할 수 있다. 이 경우, 영상표시장치(100)의 사용자 입력 인터페이스부(150)는 별도의 손떨림이나 오차 보정 과정 없이 수신된 포인터 좌표값에 관한 정보를 신호 처리부(180)로 전송할 수 있다.
또한, 다른 예로, 좌표값 산출부(415)가, 도면과 달리 사용자 입력 인터페이스부(150)가 아닌, 신호 처리부(170) 내부에 구비되는 것도 가능하다.
도 5는 도 2의 디스플레이의 내부 블록도이다.
도면을 참조하면, 유기발광패널 기반의 디스플레이(180)는, 유기발광패널(210), 제1 인터페이스부(230), 제2 인터페이스부(231), 타이밍 컨트롤러(232), 게이트 구동부(234), 데이터 구동부(236), 메모리(240), 프로세서(270), 전원 공급부(290), 전류 검출부(510) 등을 포함할 수 있다.
디스플레이(180)는, 영상 신호(Vd)와, 제1 직류 전원(V1) 및 제2 직류 전원(V2)을 수신하고, 영상 신호(Vd)에 기초하여, 소정 영상을 표시할 수 있다.
한편, 디스플레이(180) 내의 제1 인터페이스부(230)는, 신호 처리부(170)로부터 영상 신호(Vd)와, 제1 직류 전원(V1)을 수신할 수 있다.
여기서, 제1 직류 전원(V1)은, 디스플레이(180) 내의 전원 공급부(290), 및 타이밍 컨트롤러(232)의 동작을 위해 사용될 수 있다.
다음, 제2 인터페이스부(231)는, 외부의 전원 공급부(190)로부터 제2 직류 전원(V2)을 수신할 수 있다. 한편, 제2 직류 전원(V2)은, 디스플레이(180) 내의 데이터 구동부(236)에 입력될 수 있다.
타이밍 컨트롤러(232)는, 영상 신호(Vd)에 기초하여, 데이터 구동 신호(Sda) 및 게이트 구동 신호(Sga)를 출력할 수 있다.
예를 들어, 제1 인터페이스부(230)가 입력되는 영상 신호(Vd)를 변환하여 변환된 영상 신호(va1)를 출력하는 경우, 타이밍 컨트롤러(232)는, 변환된 영상 신호(va1)에 기초하여, 데이터 구동 신호(Sda) 및 게이트 구동 신호(Sga)를 출력할 수 있다.
타이밍 컨트롤러(timing controller)(232)는, 신호 처리부(170)로부터의 비디오 신호(Vd) 외에, 제어 신호, 수직동기신호(Vsync) 등을 더 수신할 수 있다.
그리고, 타이밍 컨트롤러(timing controller)(232)는, 비디오 신호(Vd) 외에, 제어 신호, 수직동기신호(Vsync) 등에 기초하여, 게이트 구동부(234)의 동작을 위한 게이트 구동 신호(Sga), 데이터 구동부(236)의 동작을 위한 데이터 구동 신호(Sda)를 출력할 수 있다.
이때의 데이터 구동 신호(Sda)는, 패널(210)이 RGBW의 서브픽셀을 구비하는 경우, RGBW 서브픽셀 구동용 데이터 구동 신호일 수 있다.
한편, 타이밍 컨트롤러(232)는, 게이트 구동부(234)에 제어 신호(Cs)를 더 출력할 수 있다.
게이트 구동부(234)와 데이터 구동부(236)는, 타이밍 컨트롤러(232)로부터의 게이트 구동 신호(Sga), 데이터 구동 신호(Sda)에 따라, 각각 게이트 라인(GL) 및 데이터 라인(DL)을 통해, 주사 신호 및 영상 신호를 유기발광패널(210)에 공급한다. 이에 따라, 유기발광패널(210)은 소정 영상을 표시하게 된다.
한편, 유기발광패널(210)은, 유기 발광층을 포함할 수 있으며, 영상을 표시하기 위해, 유기 발광층에 대응하는 각 화소에, 다수개의 게이트 라인(GL) 및 데이터 라인(DL)이 매트릭스 형태로 교차하여 배치될 수 있다.
한편, 데이터 구동부(236)는, 제2 인터페이스부(231)로부터의 제2 직류 전원(V2)에 기초하여, 유기발광패널(210)에 데이터 신호를 출력할 수 있다.
전원 공급부(290)는, 각종 전원을, 게이트 구동부(234)와 데이터 구동부(236), 타이밍 컨트롤러(232) 등에 공급할 수 있다.
전류 검출부(510)는, 유기발광패널(210)의 서브픽셀에 흐르는 전류를 검출할 수 있다. 검출되는 전류는, 누적 전류 연산을 위해, 프로세서(270) 등에 입력될 수 있다.
프로세서(270)는, 디스플레이(180) 내의 각종 제어를 수행할 수 있다. 예를 들어, 게이트 구동부(234)와 데이터 구동부(236), 타이밍 컨트롤러(232) 등을 제어할 수 있다.
한편, 프로세서(270)는, 전류 검출부(510)로부터, 유기발광패널(210)의 서브픽셀에 흐르는 전류 정보를 수신할 수 있다.
그리고, 프로세서(270)는, 유기발광패널(210)의 서브픽셀에 흐르는 전류 정보에 기초하여, 각 유기발광패널(210)의 서브픽셀의 누적 전류를 연산할 수 있다. 연산되는 누적 전류는, 메모리(240)에 저장될 수 있다.
한편, 프로세서(270)는, 각 유기발광패널(210)의 서브픽셀의 누적 전류가, 허용치 이상인 경우, 번인(burn in)으로 판단할 수 있다.
예를 들어, 프로세서(270)는, 각 유기발광패널(210)의 서브픽셀의 누적 전류가, 300000 A 이상인 경우, 번인된 서브픽셀로 판단할 수 있다.
한편, 프로세서(270)는, 각 유기발광패널(210)의 서브픽셀 중 일부 서브픽셀의 누적 전류가, 허용치에 근접하는 경우, 해당 서브픽셀을, 번인이 예측되는 서브픽셀로 판단할 수 있다.
한편, 프로세서(270)는, 전류 검출부(510)에서 검출된 전류에 기초하여, 가장 누적 전류가 큰 서브픽셀을, 번인 예측 서브픽셀로 판단할 수 있다.
도 6a 내지 도 6b는 도 5의 유기발광패널의 설명에 참조되는 도면이다.
먼저, 도 6a는, 유기발광패널(210) 내의 픽셀(Pixel)을 도시하는 도면이다.
도면을 참조하면, 유기발광패널(210)은, 복수의 스캔 라인(Scan 1 ~ Scan n)과, 이에 교차하는 복수의 데이터 라인(R1,G1,B1,W1 ~ Rm,Gm,Bm,Wm)을 구비할 수 있다.
한편, 유기발광패널(210) 내의 스캔 라인과, 데이터 라인의 교차 영역에, 픽셀(subpixel)이 정의된다. 도면에서는, RGBW의 서브픽셀(SR1,SG1,SB1,SW1)을 구비하는 픽셀(Pixel)을 도시한다.
도 6b는, 도 6a의 유기발광패널의 픽셀(Pixel) 내의 어느 하나의 서브픽셀(sub pixel)의 회로를 예시한다.
도면을 참조하면, 유기발광 서브픽셀(sub pixell) 회로(CRTm)는, 능동형으로서, 스캔 스위칭 소자(SW1), 저장 커패시터(Cst), 구동 스위칭 소자(SW2), 유기발광층(OLED)을 구비할 수 있다.
스캔 스위칭 소자(SW1)는, 게이트 단자에 스캔 라인(Scan line)이 접속되어, 입력되는 스캔 신호(Vdscan)에 따라 턴 온하게 된다. 턴 온되는 경우, 입력되는 데이터 신호(Vdata)를 구동 스위칭 소자(SW2)의 게이트 단자 또는 저장 커패시터(Cst)의 일단으로 전달하게 된다.
저장 커패시터(Cst)는, 구동 스위칭 소자(SW2)의 게이트 단자와 소스 단자 사이에 형성되며, 저장 커패시터(Cst)의 일단에 전달되는 데이터 신호 레벨과, 저장 커패시터(Cst)의 타단에 전달되는 직류 전원(VDD) 레벨의 소정 차이를 저장한다.
예를 들어, 데이터 신호가, PAM(Pluse Amplitude Modulation) 방식에 따라 서로 다른 레벨을 갖는 경우, 데이터 신호(Vdata)의 레벨 차이에 따라, 저장 커패시터(Cst)에 저장되는 전원 레벨이 달라지게 된다.
다른 예로, 데이터 신호가 PWM(Pluse Width Modulation) 방식에 따라 서로 다른 펄스폭을 갖는 경우, 데이터 신호(Vdata)의 펄스폭 차이에 따라, 저장 커패시터(Cst)에 저장되는 전원 레벨이 달라지게 된다.
구동 스위칭 소자(SW2)는, 저장 커패시터(Cst)에 저장된 전원 레벨에 따라 턴 온된다. 구동 스위칭 소자(SW2)가 턴 온하는 경우, 저장된 전원 레벨에 비례하는, 구동 전류(IOLED)가 유기발광층(OLED)에 흐르게 된다. 이에 따라, 유기발광층(OLED)은 발광동작을 수행하게 된다.
유기발광층(OLED)은, 서브픽셀에 대응하는 RGBW의 발광층(EML)을 포함하며, 정공주입층(HIL), 정공 수송층(HTL), 전자 수송층(ETL), 전자 주입층(EIL) 중 적어도 하나를 포함할 수 있으며, 그 외에 정공 저지층 등도 포함할 수 있다.
한편, 서브픽셀(sub pixell)은, 유기발광층(OLED)에서 모두 백색의 광을 출력하나, 녹색,적색,청색 서브픽셀의 경우, 색상 구현을 위해, 별도의 컬러필터가 구비된다. 즉, 녹색,적색,청색 서브픽셀의 경우, 각각 녹색,적색,청색 컬러필터를 더 구비한다. 한편, 백색 서브픽셀의 경우, 백색광을 출력하므로, 별도의 컬러필터가 필요 없게 된다.
한편, 도면에서는, 스캔 스위칭 소자(SW1)와 구동 스위칭 소자(SW2)로서, p타입의 MOSFET인 경우를 예시하나, n타입의 MOSFET이거나, 그 외, JFET, IGBT, 또는 SIC 등의 스위칭 소자가 사용되는 것도 가능하다.
한편, 픽셀(Pixel)은, 단위 표시 기간 동안, 구체적으로 단위 프레임 영상 동안, 스캔 신호가 인가된 이후, 유기발광층(OLED)에서 계속 발광하는 홀드 타입의 소자이다.
도 7은 본 발명과 관련된 신호 처리 장치의 내부 블록도의 일예이다.
도면을 참조하면, 본 발명과 관련된 영상표시 시스템(10)은, 영상표시장치(100), 서버(600), 셋탑 박스(300)를 구비할 수 있다.
서버(600)는, 학습 영상을 수신하고 이를 저장하는 학습 DB(640)와, 학습 DB(640)로부터의 학습 영상, 및 심층 신경망(Deep Neural Network)을 이용하여, 영상 소스 퀄리티를 연산하는 퀄리티 연산부(670), 학습 DB(640)와 퀄리티 연산부(670)에 기초하여 심층 신경망에 대한 파라미터를 업데이트하는 파라미터 업데이트부(675)를 구비할 수 있다.
파라미터 업데이트부(675)는, 업데이트된 파라미터를 영상표시장치(100) 내의 퀄리티 연산부(632)로 전송할 수 있다.
셋탑 박스(300)는, 영상 제공자가 제공하는 입력 신호를 수신하고, 영상표시장치(100)의 HDMI 단자로 영상 신호를 전송할 수 있다.
영상표시장치(100)는, 외부의 셋탑 박스(300) 또는 네트워크를 통해 영상 신호를 수신하는 영상 수신부(105)와, 영상 수신부(105)에서 수신되는 영상 신호에 대한 신호 처리를 수행하는 신호 처리부(170m)와, 신호 처리부(170m)에서 처리된 영상을 표시하는 디스플레이(180)를 포함할 수 있다.
한편, 신호 처리부(170m)는, 입력 영상에 대한 영상 타입에 관한 정보를 연산하는 퀄리티 연산부(632)와, 영상 타입에 관한 정보에 기초하여, 화질을 설정하는 화질 설정부(634)와, 설정된 화질에 따라, 화질 처리를 수행하는 화질 처리부(635)를 구비할 수 있다.
특히, 신호 처리부(170m) 내의 퀄리티 연산부(632)가, 입력 영상의 해상도 정보 등을 연산함으로써, 화질 설정부(634)가, 입력 영상에 대응하는 화질을 설정하고, 화질 처리부(635)가, 설정된 화질에 따라, 화질 처리를 수행할 수 있다. 이에 따라, 입력 영상에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 도 7의 영상표시장치(100) 내의 신호 처리부(170m)에 의하면, 원본 영상의 추세 변화에 따라, 예를 들어, 2K 영상 또는 4K 영상이 점점 늘어나거나, 방송 영상 보다, 스트림 영상의 이용이 증가하는 등의 변화에 따라, 적응적으로 알고리즘을 업데이트 하기가 용이하지 못하다는 한계가 있다.
한편, 도 7의 영상표시장치(100) 내의 신호 처리부(170m) 내의 퀄리티 연산부(632)는 딥러닝 알고리즘을 프로세싱할 수 있다.
이때, 딥러닝 알고리즘은 여러 개의 학습용 데이터를 사용하여 기 정의된 네트워크 구조의 시냅스 가중치(synapse weight) 값을 구하는 학습(Training) 과정과 그 결과를 적용하는 추론(Inference) 과정으로 나뉜다.
한편, 학습(Training) 과정시, 입력과 그에 상응하는 정답을 알고 있어야 하며, 초기 학습시, 성능을 보장하기 위해 많은 양의 데이터를 처리해야 하며, 초기 파라미터 세트(initial parameter set)에서 수렴까지 학습 시간이 오래 걸리며, 많은 양의 계산과 메모리를 필요로 하게 된다.
따라서, 도 7과 같이, 학습 과정은, 서버(500)에서 수행하고, 영상표시장치(100)는, 서버(500)에서 계산한 추론 결과를 받아 이용한다.
한편, 도 7의 영상표시장치(100) 내의 신호 처리부(170m)에 의하면, 퀄리티 연산부(632)를 통해, 추론(inference)만을 수행하므로, 영상표시장치(100)가 서버(600) 등을 통해, 업데이트 서비스를 받지 않는 경우에는, 성능이 개선되지 않는 한계점을 안고 있다.
이에 따라, 본 발명은 영상표시장치(100) 내에서 지속적인 자체 학습을 통하여, 그 성능을 개선할 수 있는 인공지능 기반의 영상 퀄리티 연산 방안을 제안한다.
또한, 영상표시장치(100)에 최근, 디코딩된 영상이 아니라 비트스트림 영상이 입력되므로, 이전 보다, 입력되는 입력 영상의 원본 영상이 저해상도부터 고해상도 까지 다앙하게 입력되므로, 내부에서, 입력 영상을 re-sizing 하여 생성할 수 있고, 웹 브라우저 등을 통해, 이미지 검색 기능을 사용하여, 다양한 해상도의 ㄷ동일 영상을 획득할 수 있으므로, 입력 영상에 대응하는 해상도 정보를 획득할 수 있다.
이에 따라, 영상 해상도 정보가 함께 전송되거나, 혹은 입력 영상에서 더 낮은 해상도를 만들어 사용하는 활용법을 제안하여, 영상 퀄리티 연산 성능을 자체적으로 개선하는 기술에 대해 설명하고자 한다.
또한, 초기 학습 과정 이후, 성능이 더 개선되도록 refined training 과정을 적용하는 기술에 대해 설명하고자 한다. 이에 대해서는 도 8 이하를 참조하여 기술한다.
도 8은 본 발명의 실시예에 따른 신호 처리 장치의 내부 블록도의 일예이다.
도면을 참조하면, 본 발명의 실시예에 따른 신호 처리부(170)는, 입력 영상에 대한 영상 타입에 관한 정보를 연산하는 퀄리티 연산부(632)와, 영상 타입에 관한 정보에 기초하여, 화질을 설정하는 화질 설정부(634)와, 설정된 화질에 따라, 화질 처리를 수행하는 화질 처리부(635)와, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행하는 퀄리티 학습부(633)를 포함할 수 있다.
한편, 퀄리티 연산부(632)는, 퀄리티 학습부(633)에서 학습된 결과에 기초하여, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 특히, 퀄리티 학습부(633)에서의 학습 결과에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있게 된다.
한편, 본 발명의 실시예에 따른 신호 처리부(170)는, 퀄리티 학습부(633)에서 학습된 결과에 대응하는 가중치를 설정하는 가중치 설정부(1120)를 더 포함할 수 있다.
한편, 가중치 설정부(1120)는, 업데이트된 가중치 또는 업데이트된 파라미터를 퀄리티 연산부(632)로 전송할 수 있다.
이에 따라, 퀄리티 연산부(632)는, 가중치 설정부(1120)에서 설정된 가중치에 따라, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 특히, 가중치 설정부(1120)에서 설정된 가중치에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있게 된다.
한편, 퀄리티 연산부(632)는, 복수의 영상 타입에 대한 확률을 연산하고, 복수의 확률 정보를 출력할 수 있다.
예를 들어, 신호 처리부(170) 내의 퀄리티 연산부(632)는, 해상도 정보와 노이즈 정보를 함께 연산하여, 해상도 정보와 노이즈 정보가 관련된 2K 해상도의 양호한 퀄리티 정보에 대응하는 제1 확률 정보, 2K 해상도의 불량한 퀄리티 정보에 대응하는 제2 확률 정보, 4K 해상도의 양호한 퀄리티 정보에 대응하는 제3 확률 정보, 4K 해상도의 불량한 퀄리티 정보에 대응하는 제4 확률 정보를 각각 연산하여 출력할 수 있다.
다른 예로, 신호 처리부(170) 내의 퀄리티 연산부(632)는, 해상도 정보만을 연산하여, 해상도 정보와 관련된, HD 해상도에 대응하는 제1 확률 정보, FHD 해상도에 대응하는 제2 확률 정보, 2K 해상도에 대응하는 제3 확률 정보, 4K 해상도에 대응하는 제4 확률 정보, 8K 해상도에 대응하는 제5 확률 정보를 각각 연산하여 출력할 수 있다.
한편, 입력 영상의 해상도 정보를 모르는 경우, 퀄리티 연산부(632)가 동작하여, 연산된 퀄리티 정보, 특히 해상도 정보를 출력할 수 있다.
한편, 입력 영상의 해상도 정보를 아는 경우, 퀄리티 연산부(632)는 물론, 퀄리티 학습부(633)가 동작할 수 있다.
그리고, 퀄리티 학습부(633)는, 퀄리티 연산부(632)에서 연산된 퀄리티 연산정보를 이용하거나, 내부에서 별도로 연산된 퀄리티 연산 정보를 이용하여, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 지 여부를 판별할 수 있다.
그리고, 퀄리티 학습부(633)는, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 퀄리티 학습을 수행할 수 있다.
또는, 퀄리티 학습부(633)는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하인 경우, 퀄리티 학습을 수행할 수 있다.
즉, 퀄리티 학습부(633)는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 특히, 퀄리티 학습부(633)에서의 학습 결과에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있게 된다.
한편, 퀄리티 학습부(633)는, 출력된 복수의 영상 타입의 확률 정보 중 최대 확률 정보의 레벨이, 기준 레벨 이하인 경우, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 본 발명의 실시예에 따른 신호 처리부(170)는, 입력 영상을 제1 해상도의 영상으로 스케일링하는 스케일러(1110)를 더 포함할 수 있다.
스케일러(1110)는, 입력 영상을, 입력 영상을 제1 해상도의 영상으로 스케일링하고 정규화(normalization)시킬 수 있다.
예를 들어, 스케일러(1110)는, 입력 영상을, FHD 또는 UHD로 정규화(normalization)시킬 수 있다.
현재 널리 퍼져 있는 비디오가 FHD 이하임을 고려했을 때, 스케일러(1110)로, Up-Scaler가 주로 사용될 수 있다.
이때 사용되는 스케일러(1110)는, 외부장치의 영상 변환기 모델링 및 데이터 왜곡을 통한 추가 성능 개선을 위하여 data augmentation 기능, Noise 추가, 회전, 일부 Enhance 등이 포함될 수 있다.
한편, 스케일러(1110)에서 제1 해상도로 스케일링된 입력 영상과, 원본 영상 해상도 정보에 기초하여, 퀄리티 학습부(633)에서, 성능 평가 및 학습 과정이 진행된다.
퀄리티 학습부(633)에서의 퀄리티 학습은, 추론 모듈의 Forward path에서 연산된 Soft Max의 score loss 값과 딥러닝 구조의 모든 node value를 외부 메모리(예를 들어, DRAM) 등에 저장했다가, Source Resolution Training 모듈의 backward propagation 에서 synapse weight를 업데이트하는 과정에 사용된다.
한편, 도면에서는, 퀄리티 연산부(632)와 퀄리티 학습부(633)가 분리되어, 각각 Inference 와 Training 이 분리되어 수행되는 것을 예시한다.
한편, 가중치 설정부(1120)는, 퀄리티 학습부(633)에서 학습된 과정에 의해 갱신된 신규 시냅스 가중치(Synapse Weight)를 바로 적용하지 않고, 평가 과정을 거친 후, 기존의 가중치 세트(weight set)를 교체 또는 업데이트할 수 있다.
한편, 제1 해상도의 영상은, 퀄리티 연산부(632)와 퀄리티 학습부(633)에 제공될 수 있다. 이에 따라, 퀄리티 연산부(632)와 퀄리티 학습부(633)에서의 연산량을 저감할 수 있게 된다.
한편, 본 발명의 실시예에 따른 신호 처리부(170)는, 입력 영상의 일부 영역 및 이전 입력 영상의 일부 영역을 포함하는 데이터 세트를 구비하는 데이터 베이스(1115)를 더 포함할 수 있다.
한편, 퀄리티 학습부(633)는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 데이터 베이스(1115) 내의 입력 영상의 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 아울러, 퀄리티 학습시의 연산량을 저감할 수 있게 된다.
한편, 데이터 베이스(1115)에 저장되는 일부 영역은, 입력되는 영상의 분석에 기초하여, 업데이트될 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 데이터 베이스(1115)는, 입력 영상 중 에지 영역 중 샤프니스의 레벨이 기준치 이상인 영역을 저장할 수 있다. 이에 따라, 영상 분석시의 연산량을 저감할 수 있게 된다.
한편, 데이터 베이스(1115)는, 학습을 위한 학습 영상을 저장할 수 있다.
한편, 퀄리티 연산부(632) 및 퀄리티 학습부(633)는, 심층 신경망(Deep Neural Network)을 이용하여, 퀄리티 연산 및 퀄리티 학습을 각각 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 학습부(633)는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하인 경우가 연속적으로 발생하는 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 학습부(633)는, 입력 영상의 영상 타입에 관한 정보가 입력된 상태에서, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 학습부(633)는, 포워드(forward), 백워드(backward) 프로파게이션(propagation)을 반복적으로 수행하여, 내부의 수학 모델을 업데이트하고, 업데이트된 수학 모델에 기초하여 포워드, 백워드 프로파게이션을 반복적으로 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 학습부(633)는, 외부로부터 수학 모델이 수신되는 경우, 업데이트된 수학 모델을 초기화할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 입력 영상은, 스트리밍 입력 영상, 방송 영상, 외부 장치로부터 입력되는 영상 또는 웹 기반 영상을 포함할 수 있다. 이에 따라, 다양한 입력 영상에 대한 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 화질 설정부(634)는, 설정된 화질에 따라, 노이즈 리덕션 설정값을 출력하거나, 샤프니스 설정값을 출력할 수 있다. 이에 따라, 영상 타입에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 영상 타입에 관한 정보는, 해상도에 대한 정보, 화질 퀄리티 정보를 포함할 수 있다. 이에 따라, 해상도에 또는 화질 퀄리티에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 신호 처리부(170)는, 입력 영상의 화질에 따라 최적의 튜닝을 적용할 수 있다.
한편, 신호 처리부(170)는, 실시간으로 입력 영상을 분석하여, 원본 해상도, Noise 수준, 압축 수준, Enhancement 수준을 판별할 수 있다.
한편, 신호 처리부(170)는, 연산된 영상 정보 데이터에 기초하여, 위화감 없이 화질 세팅을 변경할 수 있다.
예를 들어, 신호 처리부(170)는, 입력 영상이, Enhancement 가 필요한 경우, Enhancement 강도를 조정할 수 있다.
다른 예로, 신호 처리부(170)는, 원본 해상도에 따라 입력 영상 내 텍스쳐(Texture) 또는 에지(Edge)의 두께와, 선명도의 차이가 있으므로, 화질 처리시, 다른 필터 사이즈(Filter size)를 적용할 수 있다.
구체적으로, 신호 처리부(170)는, 입력 영상의 해상도가 높아질수록, 필터 사이즈를 작아지도록 할 수 있다.
예를 들어, 신호 처리부(170)는, 고해상도의 입력 영상이 입력되는 경우, 필터 사이즈를 작게 하여, 원 영상의 텍스쳐(Texture) 또는 에지(Edge)를 더 선명하게 보이도록 하고, 저해상도의 입력 영상이 입력되는 경우, 필터 사이즈를 크게 하여 상대적으로 더 폭이 넓은 에지와 텍스쳐에 대해 화질 개선 처리되도록 한다.
한편, 신호 처리부(170)는, 외부의 셋탑 박스(300) 또는 네트워크를 통해 수신되는 영상 신호의 원본 퀄리티를 연산하는 퀄리티 연산부(632)와, 연산된 원본 퀄리티에 따라, 영상 신호의 화질을 설정하는 화질 설정부(634)와, 설정된 화질에 따라, 영상 신호의 화질 처리를 수행하는 화질 처리부(635)를 포함할 수 있다.
화질 설정부(634)는, 수신되는 영상 신호의 원본 퀄리티가, 제1 시점에 가변되는 경우, 화질 설정을 제1 설정에서 제2 설정으로 순차적으로 가변하며, 화질 처리부(635)는, 제1 설정에서 제2 설정으로 순차 가변되는 화질 설정에 따라, 화질 처리를 수행한다. 이에 따라, 수신되는 영상 신호의 원본 퀄리티 가변에 따른 화질 변경시 깜박거림을 저감할 수 있게 된다. 특히, 영상 신호의 원본 퀄리티 가변시 급격한 화질 변경이 수행되지 않으므로, 부드러운 화질 변경이 가능하게 된다.
한편, 화질 설정부(634)는, 영상 재생 중에, 수신되는 영상 신호의 원본 퀄리티가, 제1 시점에 가변되는 경우, 화질 설정을 제1 설정에서 제2 설정으로 순차적으로 가변할 수 있다. 이에 따라, 수신되는 영상 신호의 원본 퀄리티의 가변시 실시간으로 화질 설정을 변경할 수 있게 된다. 특히, 영상 신호의 원본 퀄리티 가변시 급격한 화질 변경이 수행되지 않으므로, 부드러운 화질 변경이 가능하게 된다.
한편, 화질 설정부(634)는, 셋탑 박스(300)로부터 영상 신호가 수신되는 상태에서, 채널 변경 또는 입력 변경에 따라, 수신되는 영상 신호의 원본 퀄리티가, 제1 시점에 가변되는 경우, 화질 설정을 제1 설정에서 제2 설정으로 순차적으로 가변할 수 있다. 이에 따라, 수신되는 영상 신호의 원본 퀄리티 가변에 따른 화질 변경시 깜박거림을 저감할 수 있게 된다. 특히, 영상 신호의 원본 퀄리티 가변시 급격한 화질 변경이 수행되지 않으므로, 부드러운 화질 변경이 가능하게 된다.
퀄리티 연산부(632)는, 입력 영상을 UHD (3840x2160 이상), FHD (1920x1080), HD (1280x720), SD ( 720x480 이하) 등으로 분류할 수 있다.
퀄리티 연산부(632)는, 입력 영상에 대해, 각각의 해상도별 확률을 구하고, 최종 예측한 확률이 가장 높은 해상도를 최종 해상도로 선정하며, 최종 예측 확률이 너무 낮은 경우는 판단에서 제외한다.
퀄리티 연산부(632)는, 해상도 이외에도 Noise 수준 및 압축 수준을 예상할 수 있다.
한편, 퀄리티 연산부(632)는, 압축 수준 연산시, 원본 상태를 기준으로 압축 bit-rate를 낮추어 가면서 취득한 학습 DATA를 기반으로 하여 압축 수준을 판단할 수 있다.
예를 들어, 퀄리티 연산부(632)는, FHD의 경우 현재 Digital TV 방송 표준을 1.0 수준으로 평가하고, 압축을 많이 하여 DATA가 소실 될 수록 0.0인 것으로 연산할 수 있다.
한편, 퀄리티 연산부(632)는, 입력 영상 내의 Flicker의 수준을 측정하여, Noise 수준을 연산할 수 있다.
예를 들어, 퀄리티 연산부(632)는, 입력 영상 내의 노이즈 수준을, 강,중,약,노이즈없음의 4단계로 연산할 수 있다.
한편, 퀄리티 연산부(632)는, 심층 신경망(Deep Neural Network)을 이용하여, 수신되는 영상 신호의 해상도와, 노이즈 수준을 연산할 수 있다. 이에 따라, 수신되는 영상 신호의 원본 퀄리티 연산을 정확하게 수행할 수 있게 된다.
한편, 퀄리티 연산부(632)는, 서버(600)로부터 심층 신경망에 대한 파라미터를 업데이트하고, 업데이트된 파라미터에 기초하여, 수신되는 영상 신호의 해상도와, 노이즈 수준을 연산할 수 있다. 이에 따라, 학습 기반하에 영상 신호의 원본 퀄리티 연산을 정확하게 수행할 수 있게 된다.
한편, 퀄리티 연산부(632)는, 영상 신호의 제1 영역 및 제2 영역을 추출하고, 제1 영역에 기초하여, 영상 신호의 원본의 해상도를 연산하며, 제2 영역에 기초하여, 영상 신호의 노이즈 수준을 연산할 수 있다. 이에 따라, 퀄리티 연산에 적합한 영상 추출에 기초하여, 영상 신호의 원본 퀄리티 연산을 정확하게 수행할 수 있게 된다.
한편, 퀄리티 연산부(632)는, 영상 신호 내에 에지 성분이 가장 많은 영역을 제1 영역으로 추출하고, 영상 신호 내에 에지 성분이 가장 적은 영역을 제2 영역으로 추출할 수 있다. 이에 따라, 퀄리티 연산에 적합한 영상 추출에 기초하여, 영상 신호의 원본 퀄리티 연산을 정확하게 수행할 수 있게 된다.
한편, 화질 처리부(635)는, 연산된 노이즈 수준이 높을수록, 영상 신호의 노이즈 리덕션 처리 강도가 커지도록 제어할 수 있다. 이에 따라, 수신되는 영상 신호의 노이즈 수준에 적합한 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 연산부(632)는, 수신되는 영상 신호의 원본의 해상도, 노이즈 수준 및 압축 수준을 연산하며, 압축 비트 레이트를 낮추어 가면서 취득한 학습 데이터에 기초하여, 압축 수준을 연산할 수 있다.
한편, 화질 처리부(635)는, 연산된 압축 수준이 높을수록, 영상 신호의 인핸스 처리 강도가 작아지도록 제어할 수 있다. 이에 따라, 압축 수준 연산을 정확하게 수행할 수 있게 된다.
한편, 화질 처리부(635)는, 영상 신호의 원본의 해상도가 커질수록, 영상 신호의 인핸스 처리 강도가 커지도록 제어할 수 있다. 이에 따라, 수신되는 영상 신호의 원본의 해상도에 적합한 화질 처리를 수행할 수 있게 된다.
한편, 화질 처리부(635)는, 연산된 압축 수준이 높을수록, 영상 신호의 블러 처리 강도가 커지도록 제어할 수 있다. 이에 따라, 수신되는 영상 신호의 압축 수준에 적합한 화질 처리를 수행할 수 있게 된다.
한편, 화질 처리부(635)는, 영상 신호의 원본의 해상도가 커질수록 영산 신호의 필터링을 위한 필터의 사이즈가 작아지도록 제어할 수 있다. 이에 따라, 수신되는 영상 신호의 원본의 해상도에 적합한 화질 처리를 수행할 수 있게 된다.
한편, 화질 처리부(635)는, 영상 신호의 원본의 해상도에 따라, 영상 신호를 다운 스케일링 한 이후, 다운 스케일링된 영상 신호에 대해 화질 처리를 수행하고, 화질 처리 수행된 영상 신호를 업 스케일링하고, 업 스케일링된 영상 신호를 출력할 수 있다. 이에 따라, 수신되는 영상 신호의 원본의 해상도에 적합한 화질 처리를 수행할 수 있게 된다
한편, 도 8의 신호 처리 장치의 내부는 다양한 변형이 가능하다. 특히, 도 8의 퀄리티 연산부(632)와 퀄리티 학습부(633)는 통합될 수도 있다. 이에 대해서는, 도 9를 참조하여 기술한다.
도 9는 본 발명의 다른 실시예에 따른 신호 처리 장치의 내부 블록도의 일예이다.
도면을 참조하면, 본 발명의 다른 실시예에 따른 신호 처리부(170b)는, 도 8의 신호 처리부(170)와 유사하게, 화질 설정부(634)와, 화질 처리부(635), 스케일러(1110), 데이터 베이스(1115), 가중치 설정부(1120)를 포함할 수 있다.
화질 설정부(634)와, 화질 처리부(635), 스케일러(1110), 데이터 베이스(1115), 가중치 설정부(1120)의 동작은, 도 8의 설명에 대응할 수 있다.
다만, 도 9의 신호 처리부(170b)는, 도 8의 퀄리티 연산부(632)와 퀄리티 학습부(633)는 통합된 퀄리티 연산 학습부(632b)를 구비할 수 있다.
퀄리티 연산 학습부(632b)는, 입력 영상에 대한 영상 타입에 관한 정보를 연산하며, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다.
그리고, 퀄리티 연산 학습부(632b)는, 학습된 결과에 기초하여, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다.
이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 특히, 퀄리티 학습부(633)에서의 학습 결과에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있게 된다.
한편,퀄리티 연산 학습부(632b)는, 가중치 설정부(1120)에서 설정된 가중치에 따라, 입력 영상에 대한 영상 타입에 관한 정보를 연산할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 특히, 가중치 설정부(1120)에서 설정된 가중치에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있게 된다.
한편, 퀄리티 연산 학습부(632b)는, 복수의 영상 타입에 대한 확률을 연산하고, 복수의 확률 정보를 출력하며, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 특히, 퀄리티 연산 학습부(632b)에서의 학습 결과에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있게 된다.
한편, 퀄리티 연산 학습부(632b)는, 출력된 복수의 영상 타입의 확률 정보 중 최대 확률 정보의 레벨이, 기준 레벨 이하인 경우, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 연산 학습부(632b)는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 데이터 베이스(1115) 내의 입력 영상의 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 아울러, 퀄리티 학습시의 연산량을 저감할 수 있게 된다.
한편, 퀄리티 연산 학습부(632b)는, 심층 신경망(Deep Neural Network)을 이용하여, 퀄리티 연산 및 퀄리티 학습을 각각 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 연산 학습부(632b)는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하인 경우가 연속적으로 발생하는 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 연산 학습부(632b)는, 입력 영상의 영상 타입에 관한 정보가 입력된 상태에서, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 연산 학습부(632b)는, 포워드, 백워드 프로파게이션을 반복적으로 수행하여, 내부의 수학 모델을 업데이트하고, 업데이트된 수학 모델에 기초하여 포워드, 백워드 프로파게이션을 반복적으로 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 연산 학습부(632b)는, 외부로부터 수학 모델이 수신되는 경우, 업데이트된 수학 모델을 초기화할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
이와 같이, 추론 및 학습이 딥퀄리티 연산 학습부(632b)의 하나의 모듈을 통해 수행되므로, 데이터 처리 속도가 향상될 수 있다.
도 10은 도 8 또는 도 9의 신호 처리 장치의 내부 블록도의 일예이다.
도면을 참조하면, 본 발명의 실시예에 따른 신호 처리부(170)는, 영상 분석부(610), 및 화질 처리부(635)를 구비할 수 있다.
영상 분석부(610)는, 도 8 또는 도 9의 퀄리티 연산부(632) 또는 퀄리티 연산 학습부(632b)와, 화질 설정부(634)를 구비할 수 있다.
영상 분석부(610)는, 입력 영상 신호를 분석하고, 분석된 입력 영상 신호와 관련된 정보를 출력할 수 있다.
한편, 영상 분석부(610)는, 입력되는 제1 입력 영상 신호의 오브젝트 영역과 배경 영역을 구분할 수 있다. 또는, 영상 분석부(610)는, 입력되는 제1 입력 영상 신호의 오브젝트 영역과 배경 영역의 확률 또는 비율을 연산할 수 있다.
입력 영상 신호는, 영상 수신부(105)로부터의 입력 영상 신호이거나, 도 3의 영상 디코더(320)에서 복호화된 영상일 수 있다.
특히, 영상 분석부(610)는, 인공 지능(artificial intelligence;AI)을 이용하여, 입력 영상 신호를 분석하고, 분석된 입력 영상 신호 정보를 출력할 수 있다.
구체적으로, 영상 분석부(610)는, 입력 영상 신호의 해상도, 계조(resolution), 잡음 수준, 패턴 여부 등을 분석하고, 분석된 입력 영상 신호와 관련된 정보, 특히 화질 설정 정보를, 화질 처리부(635)로 출력할 수 있다.
화질 처리부(635)는, HDR 처리부(705), 제1 리덕션부(710), 인핸스부(750), 제2 리덕션부(790)를 구비할 수 있다.
HDR 처리부(705)는, 영상 신호를 입력받고, 입력되는 영상 신호에 대해, 하이 다이내믹 레인지(HDR) 처리를 할 수 있다.
예를 들어, HDR 처리부(705)는, 스탠다드 다이내믹 레인지(Standard Dynamic Range; SDR) 영상 신호를 HDR 영상 신호로 변환할 수 있다.
다른 예로, HDR 처리부(705)는, 영상 신호를 입력받고, 입력되는 영상 신호에 대해, 하이 다이내믹 레인지를 위한, 계조 처리를 할 수 있다.
한편, HDR 처리부(705)는, 입력되는 영상 신호가 SDR 영상 신호인 경우, 계조 변환을 바이패스하고, 입력되는 영상 신호가 HDR 영상 신호인 경우, 계조 변환을 수행할 수 있다. 이에 따라, 입력 영상에 대해, 고계조 표현력을 증대시킬 수 있게 된다.
한편, HDR 처리부(705)는, 저계조와 고계조 중 저계조를 강조하고 고계조가 포화되도록 하는 제1 계조 변환 모드, 또는 저계조와 고계조 전반에 대해 다소 균일하게 변환되도록 하는 제2 계조 변환 모드에 기초하여, 계조 변환 처리를 할 수 있다.
구체적으로, HDR 처리부(705)는, 제1 계조 변환 모드가 수행되는 경우, 룩업 테이블 내의 제1 계조 변환 모드에 대응하는 데이터에 기초하여, 계조 변환 처리를 할 수 있다.
더 구체적으로, HDR 처리부(705)는, 제1 계조 변환 모드가 수행되는 경우, 입력 데이터에 관한 연산식, 및 상기 연산식에 따라 결정되는 룩업 테이블 내의 제1 계조 변환 모드에 대응하는 데이터에 기초하여, 계조 변환 처리를 할 수 있다. 여기서 입력 데이터는, 비디오 데이터와 메타 데이터를 포함할 수 있다.
한편, HDR 처리부(705)는, 제2 계조 변환 모드가 수행되는 경우, 룩업 테이블 내의 제2 계조 변환 모드에 대응하는 데이터에 기초하여, 계조 변환 처리를 할 수 있다.
더 구체적으로, HDR 처리부(705)는, 제2 계조 변환 모드가 수행되는 경우, 입력 데이터에 관한 연산식, 및 상기 연산식에 따라 결정되는 룩업 테이블 내의 제2 계조 변환 모드에 대응하는 데이터에 기초하여, 계조 변환 처리를 할 수 있다. 여기서 입력 데이터는, 비디오 데이터와 메타 데이터를 포함할 수 있다.
한편, HDR 처리부(705)는, 제2 리덕션부(790) 내의 고계조 증폭부(851)에서의 제3 계조 변환 모드 또는 제4 계조 변환 모드에 따라, 제1 계조 변환 모드, 또는 제2 계조 변환 모드를 선택할 수도 있다.
예를 들어, 제2 리덕션부(790) 내의 고계조 증폭부(851)는, 제3 계조 변환 모드가 수행되는 경우, 룩업 테이블 내의 제3 계조 변환 모드에 대응하는 데이터에 기초하여, 계조 변환 처리를 할 수 있다.
구체적으로, 제2 리덕션부(790) 내의 고계조 증폭부(851)는, 제3 계조 변환 모드가 수행되는 경우, 입력 데이터에 관한 연산식, 및 상기 연산식에 따라 결정되는 룩업 테이블 내의 제3 계조 변환 모드에 대응하는 데이터에 기초하여, 계조 변환 처리를 할 수 있다. 여기서 입력 데이터는, 비디오 데이터와 메타 데이터를 포함할 수 있다.
한편, 제2 리덕션부(790) 내의 고계조 증폭부(851)는, 제4 계조 변환 모드가 수행되는 경우, 룩업 테이블 내의 제4 계조 변환 모드에 대응하는 데이터에 기초하여, 계조 변환 처리를 할 수 있다.
구체적으로, 제2 리덕션부(790) 내의 고계조 증폭부(851)는, 제4 계조 변환 모드가 수행되는 경우, 입력 데이터에 관한 연산식, 및 상기 연산식에 따라 결정되는 룩업 테이블 내의 제4 계조 변환 모드에 대응하는 데이터에 기초하여, 계조 변환 처리를 할 수 있다. 여기서 입력 데이터는, 비디오 데이터와 메타 데이터를 포함할 수 있다.
예를 들어, HDR 처리부(705)는, 제2 리덕션부(790) 내의 고계조 증폭부(851)에서, 제4 계조 변환 모드가 수행되는 경우, 제2 계조 변환 모드를 수행할 수 있다.
다른 예로, HDR 처리부(705)는, 제2 리덕션부(790) 내의 고계조 증폭부(851)에서, 제3 계조 변환 모드가 수행되는 경우, 제1 계조 변환 모드를 수행할 수 있다.
또는, 제2 리덕션부(790) 내의 고계조 증폭부(851)는, HDR 처리부(705)에서의 계조 변환 모드에 따라, 수행되는 계조 변환 모드를 가변할 수도 있다.
예를 들어, 제2 리덕션부(790) 내의 고계조 증폭부(851)는, HDR 처리부(705)에서 제2 계조 변환 모드가 수행되는 경우, 제4 계조 변환 모드를 수행할 수 있다.
다른 예로, 제2 리덕션부(790) 내의 고계조 증폭부(851)는, HDR 처리부(705)에서 제1 계조 변환 모드가 수행되는 경우, 제3 계조 변환 모드를 수행할 수 있다.
한편, 본 발명의 일 실시예에 따른 HDR 처리부(705)는, 저계조와 고계조가 균일하게 변환되도록 계조 변환 모드를 수행할 수 있다.
한편, 제2 리덕션부(790)는, HDR 처리부(705)에서의, 제2 계조 변환 모드에 따라, 제4 계조 변환 모드를 수행하며, 이에 입력되는 영상 신호의 계조의 상한 레벨을 증폭할 수 있다. 이에 따라, 입력 영상에 대해, 고계조 표현력을 증대시킬 수 있게 된다.
다음, 제1 리덕션부(reduction unit))(710)는, 입력 영상 신호 또는 HDR 처리부(705)에서 처리된 영상 신호에 대해, 노이즈 제거를 수행할 수 있다.
구체적으로, 제1 리덕션부(reduction unit))(710)는, 입력 영상 신호 또는 HDR 처리부(705)로부터의 HDR 영상에 대해, 상기 다단계 노이즈 제거 처리, 및 제1 단계 계조 확장 처리를 할 수 있다.
이를 위해, 제1 리덕션부(710)는, 다단계로 노이즈 제거를 위한 복수의 노이즈 제거부(715,720)와, 계조 확장을 위한 계조 확장부(725)를 구비할 수 있다.
다음, 인핸스부(enhancement unit)(750)는, 제1 리덕션부(710)로부터의 영상에 대해, 다단계 영상 해상도 향상 처리를 할 수 있다.
또한, 인핸스부(750)는, 오브젝트 입체감 향상 처리를 할 수 있다. 또한, 인핸스부(750)는, 컬러 또는 컨트라스트 향상 처리를 할 수 있다.
이를 위해, 인핸스부(750)는, 다단계로 영상 해상도 향상을 위한 복수의 해상도 향상부(735,738,742), 오브젝트의 입체감 향상을 위한 오브젝트 입체감 향상부(745), 컬러 또는 컨트라스트 향상을 위한 컬러 컨트라스트 향상부(749)를 구비할 수 있다.
다음, 제2 리덕션부(790)는, 제1 리덕션부(710)로부터 입력된 노이즈 제거된 영상 신호에 기초하여, 제2 단계 계조 확장 처리를 수행할 수 있다.
한편, 제2 리덕션부(790)는, 입력되는 신호의 계조의 상한 레벨을 증폭하고, 입력 신호의 도계조의 해상를 확장할 수 있다. 이에 따라, 입력 영상에 대해, 고계조 표현력을 증대시킬 수 있게 된다.
예를 들어, 입력되는 신호의 전 계조 영역에 대해 균일하게 계조 확장을 수행할 수 있다. 이에 따라, 입력 영상의 영역에 대해 균일한 계조 확장이 수행되면서, 고계조 표현력을 증대시킬 수 있게 된다.
한편, 제2 리덕션부(790)는, 제1 계조 확장부(725)로부터의 입력 신호에 기초하여, 계조 증폭 및 확장을 수행할 수 있다. 이에 따라, 입력 영상에 대해, 고계조 표현력을 증대시킬 수 있게 된다.
한편, 제2 리덕션부(790)는, 사용자 입력 신호에 기초하여, 입력되는 영상 신호가 SDR 영상 신호인 경우, 증폭의 정도를 가변할 수 있다. 이에 따라, 사용자 설정에 대응하여, 고계조 표현력을 증대시킬 수 있게 된다.
한편, 제2 리덕션부(790)는, 입력되는 영상 신호가 HDR 영상 신호인 경우, 설정된 값에 따라, 증폭을 수행할 수 있다. 이에 따라, 입력 영상에 대해, 고계조 표현력을 증대시킬 수 있게 된다.
한편, 제2 리덕션부(790)는, 사용자 입력 신호에 기초하여, 입력되는 영상 신호가 HDR 영상 신호인 경우, 증폭의 정도를 가변할 수 있다. 이에 따라, 사용자 설정에 대응하여, 고계조 표현력을 증대시킬 수 있게 된다.
한편, 제2 리덕션부(790)는, 사용자 입력 신호에 기초하여, 계조 확장시, 계조 확장의 정도를 가변할 수 있다. 이에 따라, 사용자 설정에 대응하여, 고계조 표현력을 증대시킬 수 있게 된다.
한편, 제2 리덕션부(790)는, HDR 처리부(705)에서의, 계조 변환 모드에 따라, 계조의 상한 레벨을 증폭시킬 수 있다. 이에 따라, 입력 영상에 대해, 고계조 표현력을 증대시킬 수 있게 된다.
신호 처리부(170)는, 영상 신호를 입력받고, 입력되는 영상 신호의 휘도를 조절하는 HDR 처리부(705)와, HDR 처리부(705)로부터의 영상 신호의 휘도를 증폭하고, 영상 신호의 계조 해상도를 증가시켜, 인핸스드(enhanced) 영상 신호를 생성하는 리덕션부(790)를 포함하고, 앤핸스드 영상 신호는, 표시되는 HDR 이미지 내의 하이다이나믹 레인지를 유지하는 동안, 영상 신호의 증가된 휘도와 계조 해상도를 제공한다.
한편, 영상 신호의 휘도 범위는, 신호 처리부(170)에 수신되는 제어 신호에 따라 조절된다.
한편, 입력되는 영상 신호가 HDR 신호인지 SDR 신호인지 여부를 결정하고, HDR 처리부(705)로 제공하기 위한 제어 신호를 생성하는 영상 분석부를 더 포함하고, 제어 신호가, 입력되는 영상 신호가 HDR 신호인 것을 나타내는 경우에만 조절된다.
한편, 제어 신호는, 신호 처리와 연관된 영상 표시 장치의 제어부로부터 수신되고, 영상 표시 장치의 설정에 대응한다.
한편, 계조의 해상도는, 영상 신호의 조정된 휘도의 증폭에 기초하여 증가된다.
한편, 계조의 해상도는, 신호 처리부(170)에 입력되는 제어 신호에 기초하여 증가된다.
한편, 제어 신호는, 신호 처리와 연관된 영상 표시 장치의 제어부로부터 수신되고, 영상 표시 장치의 설정에 대응한다.
한편, 리덕션부(790)는, 입력되는 신호의 계조의 상한 레벨을 증폭하는 고계조 증폭부(851)와, 고계조 증폭부(851)로부터의 증폭된 계조의 해상도를 확장하는 디컨투어부(842,844)를 포함할 수 있다.
제2 리덕션부(790)는, 제2 단계 계조 확장을 위한 제2 계조 확장부(729)를 구비할 수 있다.
한편, 본 발명의 신호 처리부(170) 내의 화질 처리부(635)는, 도 10과 같이, 4단계의 리덕션 처리와, 4단계의 영상 향상 처리를 수행하는 것을 특징으로 한다.
여기서, 4단계 리덕션 처리는, 2단계의 노이즈 제거 처리와, 2단계의 계조 확장 처리를 포함할 수 있다.
여기서, 2단계의 노이즈 제거 처리는, 제1 리덕션부(710) 내의 제1 및 제2 노이즈 제거부(715,720)가 수행하며, 2단계의 계조 확장 처리는, 제1 리덕션부(710) 내의 제1 계조 확장부(725)와, 제2 리덕션부(790) 내의 제2 계조 확장부(729)가 수행할 수 있다.
한편, 4단계 영상 향상 처리는, 3단계의 영상 해상도 향상 처리(bit resolution enhancement)와, 오브젝트 입체감 향상 처리를 구비할 수 있다.
여기서, 3단계의 영상 해상도 향상 처리는, 제1 내지 제3 해상도 향상부(735,738,742)가 처리하며, 오브젝트 입체감 향상 처리는, 오브젝트 입체감 향상부(745)가 처리할 수 있다.
한편, 본 발명의 신호 처리부(170)는, 다단계 화질 처리로서 동일 또는 유사한 알고리즘을 다중 적용하여 점진적으로 화질을 향상시킬 수 있다.
이를 위해, 본 발명의 신호 처리부(170) 내의 화질 처리부(635)는, 동일 또는 유사 알고리즘을 2회 이상 적용하여, 화질 처리를 진행할 수 있다.
한편, 화질 처리부(635)에서 수행되는 동일 또는 유사 알고리즘은, 각 단계별로 달성하고자 하는 목표가 다르며, 점진적으로 다단계 화질 처리를 수행함으로써, 1 단계에 모든 화질을 처리하는 것 대비하여, 영상의 아티팩트(Artifact)가 적게 발생하는 장점이 있으며, 보다 자연스럽고 보다 선명한 영상 처리 결과물을 얻을 수 있다는 장점이 있다.
한편, 동일 또는 유사 알고리즘을, 다른 화질처리 알고리즘과 교차하면서 다중으로 적용함으로써, 단순 연속 처리 이상의 효과를 얻을 수 있게 된다.
한편, 본 발명의 신호 처리부(170)는, 다단계로 노이즈 제거 처리를 수행할 수 있다. 각 단계의 노이즈 제거 처리는, 시간(Temporal) 처리와, 공간(Spatial) 처리를 포함할 수 있다.
한편, 영상 신호의 원본 퀄리티를 연산하기 위해, 본 발명에서는, 인공지능과 같은 최신의 기술을 사용한다. 이를 위해, 심층 신경망(Deep Neural Network)을 이용할 수 있다.
퀄리티 연산부(632)는, 심층 신경망(Deep Neural Network)을 이용하여, 수신되는 영상 신호의 해상도와, 노이즈 수준을 연산한다.
퀄리티 연산부(632) 또는 퀄리티 연산부(670)는, 원본 해상도 및 압축 수준 별 학습 영상을 취득하여 정확도가 향상되도록 Network를 학습시킬 수 있다.
학습에 사용한 영상은 일상의 방송에서 접할 수 있는 일반적인 영상으로 다양한 영상으로 구비되어 전체 입력 환경을 커버할 수 있다.
한편, 퀄리티 연산부(632)는, 검출시 필요한 시간 또는 비용 감축을 목적으로 계층수가 적은 Convolutional Neural Network, Mobile-Net 등을 활용하여 학습을 진행할 수 있다.
예를 들어, 퀄리티 연산부(632)는, 전체 영상 중 일부 영역(예: 224x224, 128x128, 64x64)만을 분석할 수 있다.
한편, 퀄리티 연산부(632)는, 검출 목적에 맞는 적절한 검출 영역을 선택할 수 있다.
예를 들어, 퀄리티 연산부(632)는, 원본 해상도 검출시, Edge 성분이 가장 많은 제1 영역을 선택하고, 노이즈 검출시, Edge 성분이 가장 적은 제2 영역을 선택할 수 있다.
특히, 퀄리티 연산부(632)는, 처리 속도 향상을 목적으로 검출 영역을 빠르게 선정하는 알고리즘 적용할 수 있다.
예를 들어, 퀄리티 연산부(632)는, 검출 정확도 향상을 목적으로 검출 영역에, FFT(Fast Fourier Transform)과 같은 전처리 작업을 수행할 수 있다.
도 11a는 Convolutional Neural Network에 기반한 연산을 도시하는 도면이다.
도면을 참조하면, 획득된 이미지(1010) 내의 일부 영역(1015)에 대해, 컨벌루션 뉴럴 네트워크(convolutional Neural Network)를 사용한다.
컨벌루션 뉴럴 네트워크는, 컨벌루션 네트워크(Convolution network)와, 디컨벌루션 네트워크(Deconvolution network)가 수행될 수 있다.
이러한 컨벌루션 뉴럴 네트워크에 의하면, 컨벌루션(convolution), 풀링(pooling)이 반복적으로 수행된다.
한편, 도 11a의 CNN 기법에 의하면, 일부 영역(1015) 내의 픽셀(pixel)의 종류를 판단하기 위해, 영역(1015)의 정보가 사용될 수 있다.
도 11b는 Mobile-Net에 기반한 연산을 도시하는 도면이다.
도면과 같은 방식에 의해, 퀄리티 연산이 수행되게 된다.
한편, 본 발명의 신호 처리부(170)는, 원본 Quality 가 변함에 따라 실시간으로 Quality에 상응하는 화질 세팅이 적용되도록 한다.
특히, 신호 처리부(170)는, 화질 세팅 변경시, 채널 변경 또는 입력 변경 등의 조건없이 영상 재생 중에 세팅이 변경되도록 한다.
여기서 실시간이라 하는 것은 IIR 방식 , Step 이동 방식을 포함한 Temporal 처리 기술을 사용하는 것을 의미한다.
도 12는 본 발명의 일 실시예에 따른 신호 처리 장치의 동작방법을 나타내는 순서도이다.
도면을 참조하면, 신호 처리부(170) 내의 퀄리티 연산부(632)는, 입력 영상에 대한 퀄리티를 연산한다.(S1010).
예를 들어, 도 8의 신호 처리부(170) 내에, 다양한 해상도(SD,HS,FHD,UHD 등)의 입력 영상이 입력되는 경우, 스케일러(1110)는, 제1 해상도, 예를 들어, 2K의 해상도로 스케일링을 수행한다.
그리고, 신호 처리부(170) 내의 퀄리티 연산부(632)는, 제1 해상도의 입력 영상에 대한 퀄리티 연산을 수행한다.
특히, 신호 처리부(170) 내의 퀄리티 연산부(632)는, 영상 타입에 관한 정보를 연산할 수 있다.
이때, 신호 처리부(170) 내의 퀄리티 연산부(632)는, 심층 신경망(Deep Neural Network)을 이용하여, 수신되는 영상 신호의 해상도와, 노이즈 수준을 연산하고, 연산된 해상도, 노이즈 수준 등을 고려하여, 영상 타입에 관한 정보를 연산할 수 있다.
영상 타입에 관한 정보는, 해상도에 대한 정보, 노이즈 수준과 관련한 화질 퀄리티 정보를 포함할 수 있다.
예를 들어, 영상 타입에 관한 정보는, 2K 해상도의 양호한 퀄리티 정보, 2K 해상도의 불량한 퀄리티 정보, 4K 해상도의 양호한 퀄리티 정보, 4K 해상도의 불량한 퀄리티 정보 등으로 구분될 수 있다.
한편, 신호 처리부(170) 내의 퀄리티 연산부(632)는, 데이터 베이스(1115)에 저장된 이전 입력 영상과 현재 입력 입상을 비교하고, 비교 결과에 기초하여, 복수의 영상 타입에 대한 확률을 연산하고, 확률 정보를 출력할 수 있다.
예를 들어, 신호 처리부(170) 내의 퀄리티 연산부(632)는, 2K 해상도의 양호한 퀄리티 정보에 대응하는 제1 확률 정보, 2K 해상도의 불량한 퀄리티 정보에 대응하는 제2 확률 정보, 4K 해상도의 양호한 퀄리티 정보에 대응하는 제3 확률 정보, 4K 해상도의 불량한 퀄리티 정보에 대응하는 제4 확률 정보를 각각 연산하여 출력할 수 있다.
다른 예로, 신호 처리부(170) 내의 퀄리티 연산부(632)는, 해상도 정보만을 연산하여, 해상도 정보와 관련된, HD 해상도에 대응하는 제1 확률 정보, FHD 해상도에 대응하는 제2 확률 정보, 2K 해상도에 대응하는 제3 확률 정보, 4K 해상도에 대응하는 제4 확률 정보, 8K 해상도에 대응하는 제5 확률 정보를 각각 연산하여 출력할 수 있다.
다음, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 신호 처리부(170) 내의 퀄리티 학습부(633)가, 동작하여, 학습을 수행할 수 있다(S1020).
예를 들어, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 신호 처리부(170) 내의 퀄리티 연산부(632)는, 퀄리티 학습부(633)가 동작하여 학습을 수행하도록 제어할 수 있다.
다른 예로, 신호 처리부(170) 내의 퀄리티 학습부(633)는, 별도로 입력 영상의 영상 타입에 관한 정보의 레벨을 연산하거나, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이를 연산하고, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 퀄리티 학습부(633)가 동작하여 학습을 수행하도록 제어할 수 있다.
한편, 퀄리티 학습부(633)는, 출력된 복수의 영상 타입의 확률 정보 중 최대 확률 정보의 레벨이, 기준 레벨 이하인 경우, 퀄리티 학습을 수행할 수 있다.
한편, 퀄리티 연산부(632) 및 퀄리티 학습부(633)는, 심층 신경망(Deep Neural Network)을 이용하여, 퀄리티 연산 및 퀄리티 학습을 각각 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 학습부(633)는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하인 경우가 연속적으로 발생하는 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 학습부(633)는, 입력 영상의 영상 타입에 관한 정보가 입력된 상태에서, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 학습부(633)는, 포워드, 백워드 프로파게이션을 반복적으로 수행하여, 내부의 수학 모델을 업데이트하고, 업데이트된 수학 모델에 기초하여 포워드, 백워드 프로파게이션을 반복적으로 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 퀄리티 학습부(633)는, 외부로부터 수학 모델이 수신되는 경우, 업데이트된 수학 모델을 초기화할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
다음, 신호 처리부(170) 내의 가중치 설정부(1120)는, 퀄리티 학습부(633)에서 수행된 학습 결과에 따라 가중치 또는 파라미터를 가변하고, 가변된 가중치 또는 파라미터를 퀄리티 연산부(632)에 출력할 수 있다(S1030).
다음, 퀄리티 연산부(632)는, 가변된 가중치 또는 파라미터에 기초하여 입력 영상에 대한 퀄리티를 연산할 수 있다(S1040).
이와 같이, 퀄리티 연산에 대한 평가 수행 후, 평가 성능에 따라, 선택적으로 퀄리티 학습을 시킴으로써, 가변된 가중치 등에 기초하여, 퀄리티 연산의 정확도를 향상시킬 수 있게 된다. 따라서, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
다음, 신호 처리부(170) 내의 화질 설정부(634)는, 퀄리티 연산부(632)에서 연산된 퀄리티에 기초하여, 화질을 설정을 수행할 수 있다(1050).
구체적으로, 신호 처리부(170) 내의 화질 설정부(634)는, 연산된 영상 타입에 관한 정보에 기초하여, 화질을 설정을 수행할 수 있다.
한편, 화질 설정부(634)는, 퀄리티 연산부(632)로부터의 복수의 영상 타입에 관한 확률 정보에 기초하여, 화질을 설정할 수 있다.
또는, 화질 설정부(634)는, 복수의 영상 타입에 관한 확률 정보에 기초하여, 어느 하나의 영상 타입으로 결정하며, 결정된 영상 타입에 대응하는 화질을 설정할 수 있다.
한편, 화질 설정부(634)는, 설정된 화질에 따라, 노이즈 리덕션 설정값을 출력하거나, 샤프니스 설정값을 출력할 수 있다.
다음, 화질 처리부(635)는, 설정된 화질에 따라, 화질 처리를 수행할 수 있다(S1060). 화질 처리부(635)는, 도 10의 설명에서 설명한 바에 대응하는 동작을 수행할 수 있다.
다음, 디스플레이(180)는, 설정된 화질에 따라, 화질 처리된 영상을 신호 처리부(170)로부터 수신하고, 설정된 화질에 따라, 화질 처리된 영상을 표시할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리가 수행된 영상을 표시할 수 있게 된다.
도 13a 내지 도 17은 도 12의 동작 설명에 참조되는 도면이다.
도 13a는 본 발명의 실시예에 따라 퀄리티 학습부 또는 퀄리티 연산 학숩부에서 수행되는 학습 과정을 보여주는 도면이다.
도면을 참조하면, 신호 처리부(170) 내의 퀄리티 연산부(632) 또는 퀄리티 학습부(633)는, 퀄리티 연산 레벨에 대한 평가를 수행한다.
예를 들어, 신호 처리부(170) 내의 퀄리티 연산부(632) 또는 퀄리티 학습부(633)는, Pa 구간 동안, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인지 여부를 판단할 수 있다.
다른 예로, 신호 처리부(170) 내의 퀄리티 연산부(632) 또는 퀄리티 학습부(633)는, Pa 구간 동안, 현재 입력 영상에 대한 추론 동작을 수행하여, 추론 network의 평가 결과와 영상에서 주어지는 해상도 정보를 비교하여 성능을 평가하는 validation phase을 수행하고, 이후 개선이 필요한 지 여부를 판단할 수 있다.
한편, 신호 처리부(170) 내의 퀄리티 연산부(632) 또는 퀄리티 학습부(633)는, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 퀄리티 학습이 수행되도록 제어할 수 있다.
이에 따라, 신호 처리부(170) 내의 퀄리티 연산부(632) 또는 퀄리티 학습부(633)는, Pa1 구간 동안, 학습에 사용하기 위해, 데이터 베이스(1115)에 저장된 영상의 일부 영역 등을 추출할 수 있다.
한편, 신호 처리부(170) 내의 퀄리티 연산부(632) 또는 퀄리티 학습부(633) 내의 딥 러닝 모듈은, Pa 구간 동안, 추론(inference) 동작을 수행할 수 있다.
다음, 신호 처리부(170) 내의 퀄리티 학습부(633)는, Pb 구간 동안, 퀄리티 학습을 수행할 수 있다. 즉, Training 을 진행하는 학습 단계를 수행할 수 있다.
한편, 신호 처리부(170) 내의 퀄리티 학습부(633) 내의 딥 러닝 모듈은, Pb 구간 동안, 추론(inference) 단계와 학습(training) 단계를 반복 수행할 수 있다.
다음, 신호 처리부(170) 내의 퀄리티 학습부(633) 또는 가중치 설정부(1120)는, Pc 구간 동안, 신호 처리부(170) 내의 퀄리티 학습부(633) 또는 가중치 설정부(1120) 등에서 업데이트한 시냅스 가중치(synapse weight)를 실제 추론기에 적용할지 여부를 판단하기 위한 성능 평가를 수행할 수 있다.
다음, 시냅스 가중치(synapse weight) 또는 파라미터의 업데이트가 결정되는 경우, 가중치 설정부(1120)에서 업데이트된 시냅스 가중치(synapse weight) 또는 파라미터가, 퀄리티 연산부(632)로 전달될 수 있다.
이에 따라, 신호 처리부(170) 내의 퀄리티 연산부(632)는, Pd 구간 동안, 노말 모드로서, 업데이트된 시냅스 가중치(synapse weight) 또는 파라미터에 기초하여, 입력 영상에 대한 퀄리티 연산을 수행할 수 있다.
이때, 신호 처리부(170) 내의 퀄리티 연산부(632)는, 업데이트된 시냅스 가중치(synapse weight) 또는 파라미터에 기초하여, 데이터 베이스(1115)에 저장된 일부 영역 데이터와 입력 영상을 비교하여, 퀄리티 연산을 수행할 수 있다.
한편, 도면에서 기술한 Pa 내지 Pd 구간은 계속 반복하여 수행될 수 있다. 이에 따라, 퀄리티 학습부(633)에서의 학습 결과에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있으며, 결국, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다.
한편, 신호 처리부(170) 내의 퀄리티 연산부(632), 퀄리티 학습부(633) 또는 가중치 설정부(1120) 등에서의 업데이트 등은, 주기적으로 빈번하게 수행되는 것도 가능하나, 이에 한정되지 않으며, 비 정기적으로 수행되는 것도 가능하다.
한편, 학습/평가 영상 구성과 딥러닝 학습, 성능 평가는, 주기적으로 빈번하게 수행되는 것도 가능하나, 이에 한정되지 않으며, 여러 차례 장기간 충분한 반복 과정을 통하여 수행되는 것도 가능하다.
도 13b는 도 13a의 학습 과정의 상세 도면이다.
도면을 참조하면, 학습이 수행되는 Pb 구간 동안, 한편, 신호 처리부(170) 내의 퀄리티 학습부(633) 내의 딥 러닝 모듈은, 학습 데이터에서 Mini-batch 를 구성하여 복수의 iteration 구간이 수행되도록 제어할 수 있다.
각 iteration 구간 동안, 신호 처리부(170) 내의 퀄리티 학습부(633) 내의 딥 러닝 모듈은, 포워드, 백워드 프로파게이션을 반복적으로 수행하여, 내부의 수학 모델을 업데이트할 수 있다.
그리고, 그 이후의 iteration 구간 동안, 업데이트된 수학 모델에 기초하여 포워드, 백워드 프로파게이션을 반복적으로 수행할 수 있다.
한편, iteration 은, 데이터 베이스(1115)로부터의 학습용 영상 데이터 세트에서 random 하게 추출된 데이터 모음인 mini-batch와 대응될 수 있다.
신호 처리부(170) 내의 퀄리티 학습부(633)는, mini-batch 내 영상 마다 forward 과정을 거쳐 시냅스 가중치(synapse weight) 갱신에 필요한 데이터를 계산한 후 저장했다가, 이를 backward propagation 과정에 사용할 수 있다.
신호 처리부(170) 내의 퀄리티 학습부(633)는, 그 결과로 갱신한 딥러닝 검출기 모델을 다음 iteration 에서 이용할 수 있다. 그리고 , 신호 처리부(170) 내의 퀄리티 학습부(633)는, 성능이 수렴할 때까지 혹은 미리 지정한 iteration 횟수만큼 이 과정을 반복할 수 있다.
이때 mini-batch 를 구성하는 데이터의 양은, 신호 처리부(170)가 사용할 수 있는 DRAM 등의 메모리 영역에 의해 결정될 수 있다.
한편, 신호 처리부(170) 내의 퀄리티 학습부(633) 또는 퀄리티 연산부(632)는, 신호 처리부(170)의 일괄적인 소프트웨어 업데이트로, 외부의 서버(500)로부터 신규 알고리즘이 전송되는 경우, 딥 러닝 모듈의 기존 알고리즘과 신규 알고리즘이 동일한 지 여부를 판단할 수 있다.
이를 위해, 신호 처리부(170) 내의 퀄리티 학습부(633) 또는 퀄리티 연산부(632)는, Convolution, Pooling, Fully Connected layer 등 사용하는 layer 수와 순서, 각 layer의 kernel size와 stride 등 특성, 딥러닝 알고리즘의 입력 영상 사이즈 등이 모두 같은지 비교하여, 업데이트된 신규 알고리즘이 기존 알고리즘과 동일한 지 여부를 판단할 수 있다.
한편, 신규 알고리즘이 적용하던 기존 알고리즘과 동일한 구조인 경우와, 다른 경우는, 서로 다른 검출 추론 업데이트가 적용된다.
예를 들어, 딥 러닝 모듈의 기존 알고리즘과 신규 알고리즘이 동일한 경우로 판단되면, 신호 처리부(170) 내의 퀄리티 학습부(633) 또는 퀄리티 연산부(632)는, 자체 학습한 모델과 신규 Reference Model 성능 평가 이후, 최종 적용 버전을 결정한다.
이는 신호 처리부(170)에 입력되는 입력 영상의 특성 범위가 기기마다 상이하므로, 이러한 차이가 덜 반영될 수 밖에 없는 Software Update 버전이, 자체 학습한 버전보다 더 우위라고 볼 수 없기 때문이다.
다른 예로, 딥 러닝 모듈의 기존 알고리즘과 신규 알고리즘이 상이한 경우로 판단되면, 신호 처리부(170) 내의 퀄리티 학습부(633) 또는 퀄리티 연산부(632)는, 신규 알고리즘을 시스템에 적용하고 자체 학습한 모델은 모두 초기화한다.
대체로 딥러닝 알고리즘 성능은 동일 구조에서 시냅스 가중치(synapse weight)를 업데이트하는 Refined Tuning 보다 전체 구조를 변경하여 얻는 성능 유의차가 더 크므로, 신규 Reference Model을 새로운 시작 포인트로 설정하고, 그 이후 Training 도 신규 모델을 기준으로 업데이트하는 것이 추가 성능 개선을 기대할 수 있다.
도 14는 데이터 베이스(1115)에 저장 가능한 일부 영역에 대해 설명하기 위한 도면이다.
도면을 참조하면, 도 14의 (a)는 입력 영상(1400)의 일예를 나타낸다.
한편, 신호 처리부(170)는, 입력 영상(1400)의 에지 영역(SBa,SBb,SBc, SCa,SCb,SCc) 중 샤프니스의 레벨이 기준치 이상인 영역을 추출할 수 있다.
도면에서는, 입력 영상(1400)의 에지 영역(SBa,SBb,SBc, SCa,SCb,SCc) 중 Ba,SBb,SBc 영역이 기준치 이상이며, SCa,SCb,SCc 영역이 기준치 미만인 것을 예시한다.
따라서, 신호 처리부(170)는, 도 14의 (b)와 같이, 입력 영상(1400)의 에지 영역(SBa,SBb,SBc, SCa,SCb,SCc) 중 Ba,SBb,SBc 영역이, 데이터 베이스(1115)에 저장되도록 제어할 수 있다.
이에 따라, 데이터 베이스(1115)는, 도 14의 (c)와 같이, 입력 영상(1400)의 일부 영역 및 이전 입력 영상의 일부 영역을 포함하는 데이터 세트(SBlist)를 저장할 수 있다.
한편, 입력 영상(1400)은, 하늘 영역과 같이 detail 성분이 없이 flat 하거나 de-focusing 되어 해상도 정보를 나타낸다고 할 수 없는 영역과, 선명도 정보를 갖고 있어 해상도 정보를 나타낸다고 할 수 있는 영역을 포함한다.
이때, 입력 영상(1400) 전체 영역에 대해, 퀄리티 연산, 학습 등에 사용하는 경우, 많은 픽셀을 처리해야 하므로 얻는 성과에 비해 불필요한 계산량을 요구하게 된다.
따라서, 신호 처리부(170)는, 입력 영상(1400)을 분석하여 학습 또는 검증용으로 적합한 영역을 추출하고, 추출된 영역의 그룹(Group)을 데이터 세트에 추가하여, 학습 과정의 입력 혹은 테스트 이미지로 사용할 수 있다.
한편, 신호 처리부(170)는, 지속적으로 동일한 영상이 입력되어 전체 네트워크가 bias 되는 것을 막기 위하여, Inference의 score에 근거 혹은 scene change 등의 부가적인 정보를 사용하여 딥러닝 학습시의 영상이 지속적으로 바뀌도록 할 수 있다.
그 외, 신호 처리부(170)는, 대표 영상의 평균값이나 edge 최대치 등 이미지를 나타낼 수 있는 수치를 DB화하여, 신규 이미지와 가장 흡사한 이미지를 교체하는 것도 가능하다.
한편, 데이터 베이스(1115)에 저장된, 학습용 영상 데이터 세트와, 성능 평가용 영상의 데이터 세트는, 각각 별개의 영상 모음으로 구성되는 것이 바람직하다. 즉, 동일한 영상 모음으로 구성되지 않는 것이 바람직하다.
이는, 유사한 영상이, 학습용 영상 데이터 세트와, 성능 평가용 영상의 데이터 세트 이미지가 양쪽 데이터에 포함되면, 공통의 영상으로 인하여, 평가 신뢰성이 낮아질 수 있기 때문이다.
한편, 데이터 베이스(1115)는, 이전 학습과 현재 학습 과정 동안 사용하는 영상의 일부만 업데이트하는 것이 바람직하다.
예를 들어, 학습용 영상 데이터 세트와, 성능 평가용 영상의 데이터 세트 내의 모든 영상이 변경되는 경우, 성능 개선 보다 정확성이 낮아질 수 있으므로, 매 학습 과정 마다, 학습용 영상 데이터 세트와, 성능 평가용 영상의 데이터 세트 중 일정 비율만 업데이트하는 것이 바람직할 수 있다.
한편, 성능 평가용 영상의 데이터 세트는, 학습 전체 단계에서 매 iteration 혹은 epoch 단계마다 학습된 모듈의 성능을 비교하는 기준이므로, 학습 과정을 포함하는 도 13a의 Pa 구간 부터, Pc 구간까지 업데이트되지 않는 것이 바람직하다.
도 15a 내지 도 15b는 학습 검증용 데이터 수집을 설명하기 위해 참조되는 도면이다.
먼저, 도 15의 (a)는, 비트스트림 영상이, 신호 처리부(170b)에 입력되는 것을 예시한다.
예를 들어, 외부로부터 비트스트림 영상이 입력되는 경우, 2K 영상 또는 4K 영상이 선별적으로 스트리밍 될 수 있다.
이때 2K 영상은 실제 원본 영상 해상도가 정확히 무엇인지 알 수 없는 반면, 4K 영상은 대부분 촬영부터 4K 로 획득한 경우가 대부분이므로, Network 상황에 따라 2K/4K 영상 streaming이 지속적으로 변경되면서 입력될 수 있다.
이에 따라, 영상의 압축 정보와 현재 application 정보에 근거하여, 인공지능 모듈로 인지시킴으로써 해당 영상이 적절하게 학습 데이터로 사용되도록 하는 것이 바람직하다.
한편, mastering 장비 등으로 원본 영상 해상도 정보가, 비트스트림 정보에 포함된 경우, 이를 이용하여 딥러닝 모듈에 사용하는 방안도 가능하다.
한편, UHD의 해상도의 비트스트림 영상이 입력되는 경우, 비디오 디코더((1507)에서 디코딩되면서, 입력 영상의 압축 정보가 추출될 수 있다.
한편, 퀄리티 연산학습부632b)는, 비디오 디코더((1507)에서의 입력 영상의 압축 정보와, 데이터 처리부(1505)에서의 현재 구동되는 어플리케이션 정보에 기초하여, 퀄리티 연산 또는 퀄리티 학습을 수행할 수 있다.
특히, 스케일러(1110)를 통해, 비트스트림 영상을 제1 해상도의 영상으로 변환한 후, 퀄리티 연산 또는 퀄리티 학습을 수행할 수 있다.
다음, 도 15의 (b)는, 웹 기반 영상이, 신호 처리부(170b)에 입력되는 것을 예시한다.
예를 들어, 외부로부터 웹 기반 영상이 입력되는 경우, 신호 처리부(170b) 내의 데이터 처리부(1509)는, 해상도 정보를 추출할 수 있다.
그리고, 퀄리티 연산 학습부(632b)는, 웹 기반 영상과 해상도 정보를 이용하여, 퀄리티 연산 또는 퀄리티 학습을 수행할 수 있다.
특히, 스케일러(1110)를 통해, 웹 기반 영상을 제1 해상도의 영상으로 변환한 후, 퀄리티 연산 또는 퀄리티 학습을 수행할 수 있다.
한편, 도 15a 내지 도 15b의 동작 설명은, 도 8의 신호 처리부(170)의 동작 설명에도 적용 가능하다. 이에 따라, 도 15a 내지 도 15b의 퀄리티 연산 학습부(632b)는, 도 8의 퀄리티 연산부(632)와 퀄리티 학습부(633)로 각각 분리되어 적용될 수 있다.
도 16a 내지 도 17은 본 발명의 실시예에 따른 신호 처리부(170)의 동작 설명에 참조되는 도면이다.
먼저, 도 16a는, 원본 영상(1605)의 해상도가 UHD 이며, 셋탑 박스(300) 등을 거쳐, 영상표시장치(100)의 신호 처리부(170)에 UHD 영상(1615)이 입력되는 것을 예시한다.
신호 처리부(170) 내의 퀄리티 연산부(632)는, 입력되는 UHD 영상(1615)에 대한 퀄리티 연산을 수행하고, 입력 영상의 원본 해상도가 UHD 영상인 것으로 연산할 수 있다.
한편, 화질 설정부(634)와 화질 처리부(635)는, UHD 영상에 대한 화질 설정 및 화질 처리를 수행할 수 있다.
이에 따라, UHD 영상에 대응하는 화질 처리가 수행된 영상(1625)이 디스플레이(180)에 표시될 수 있게 된다.
다음, 도 16b는, 원본 영상(1655)의 해상도가 HD 이며, 셋탑 박스(300) 등을 거쳐, 영상표시장치(100)의 신호 처리부(170)에 UHD 영상(1665)이 입력되는 것을 예시한다.
신호 처리부(170) 내의 퀄리티 연산부(632)는, 입력되는 UHD 영상(1665)에 대한 퀄리티 연산을 수행하고, 입력 영상의 원본 해상도가 HD 영상인 것으로 연산할 수 있다.
한편, 화질 설정부(634)와 화질 처리부(635)는, 원본 해상도인 HD 영상에 대한 화질 설정 및 화질 처리를 수행할 수 있다.
이에 따라, 입력되는 UHD 영상(1665) 보다 선명도 등이 개선된 영상(1675)이 디스플레이(180)에 표시될 수 있게 된다.
다음, 도 17은 원본 영상(1655)의 해상도가 HD 인 영상이 영상표시장치(100)의 신호 처리부(170)에 입력되는 것을 예시한다.
신호 처리부(170) 내의 스케일러(1110)는, 제1 해상도의 영상으로 스케일링할 수 있다.
예를 들어, 신호 처리부(170) 내의 스케일러(1110)는, 입력되는 HD 영상을, UHD 영상(1705)으로 스케일링할 수 있다.
한편, 신호 처리부(170) 내의 퀄리티 연산부(632)는, 입력되는 UHD 영상(1705)에 대한 퀄리티 연산을 수행할 수 있다.
예를 들어, 신호 처리부(170) 내의 퀄리티 연산부(632)는, 입력되는 UHD 영상(1705)의 원본 해상도가 FHD 영상인 것으로 연산하는 경우, 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 것으로 판단하여, 퀄리티 학습부(633)에서 퀄리티 학습이 수행될 수 있다.
이에 따라, 퀄리티 학습부(633)는, 입력되는 HD 영상에 대한 해상도 정보를 수신하고, 스케일된 UHD 영상(1705)을 이용하여 학습을 수행할 수 있다.
이때, 데이터 베이스(1115)는, 입력 영상(1705)의 일부 영역이, 데이터 세트(SBlist)에 포함되도록, 입력 영상(1705)을 저장할 수 있다.
그리고, 퀄리티 학습부(633)는, 학습 과정 수행시, 데이터 베이스(1115)에 저장된 일부 영역을 사용할 수 있다.
그리고, 가중치 설정부(1120)는, 성능 평가 등을 통해, 퀄리티 학습부(633)에서 학습된 결과에 기초하여, 이전의 시냅스 가중치(synapse weight)를 신규의 시냅스 가중치(synapse weight)로 업데이트할 수 있다.
그리고, 가중치 설정부(1120)는, 업데이트된 시냅스 가중치(synapse weight)를 퀄리티 연산부(632)로 전송할 수 있다.
이에 따라, 퀄리티 연산부(632)는, 업데이트된 시냅스 가중치(synapse weight) 등을 이용하여, 퀄리티 연상을 수행하여, 입력 영상(1705)의 원본 영상이 HD 영상인 것으로 연산할 수 있다.
그리고, 퀄리티 연산부(632)는, 연산된 원본 해상도 정보, 예를 들어, HD 영상 정보(Sre) 등을, 화질 설정부(634)로 전송할 수 있다.
그리고, 화질 설정부(634)와 화질 처리부(635)는, HD 영상에 대응하는 화질 설정 및 화질 처리를 수행할 수 있다. 이에 따라, 영상 분석에 대한 정확성 향상 및 그에 대응하는 화질 처리를 수행할 수 있게 된다. 특히, 퀄리티 학습부(633)에서의 학습 결과에 기초하여 퀄리티 연산시의 정확도를 향상시킬 수 있게 된다.
이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
Claims (20)
- 입력 영상에 대한 영상 타입에 관한 정보를 연산하는 퀄리티 연산부;
상기 영상 타입에 관한 정보에 기초하여, 화질을 설정하는 화질 설정부;
상기 설정된 화질에 따라, 화질 처리를 수행하는 화질 처리부;
상기 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 상기 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행하는 퀄리티 학습부;를 포함하고,
상기 퀄리티 연산부는,
상기 퀄리티 학습부에서 학습된 결과에 기초하여, 상기 입력 영상에 대한 영상 타입에 관한 정보를 연산하는 것을 특징으로 하는 신호 처리 장치. - 제1항에 있어서,
상기 퀄리티 학습부에서 학습된 결과에 대응하는 가중치를 설정하는 가중치 설정부;를 더 포함하고,
상기 퀄리티 연산부는,
상기 가중치 설정부에서 설정된 가중치에 따라, 상기 입력 영상에 대한 영상 타입에 관한 정보를 연산하는 것을 특징으로 하는 신호 처리 장치. - 제1항에 있어서,
상기 퀄리티 연산부는,
복수의 영상 타입에 대한 확률을 연산하고, 복수의 확률 정보를 출력하며,
상기 퀄리티 학습부는,
상기 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 상기 퀄리티 학습을 수행하는 것을 특징으로 하는 신호 처리 장치. - 제3항에 있어서,
상기 퀄리티 학습부는,
상기 출력된 복수의 영상 타입의 확률 정보 중 최대 확률 정보의 레벨이, 상기 기준 레벨 이하인 경우, 상기 퀄리티 학습을 수행하는 것을 특징으로 하는 신호 처리 장치. - 제1항에 있어서,
상기 입력 영상을 제1 해상도의 영상으로 스케일링하는 스케일러;를 더 포함하고,
상기 제1 해상도의 영상은, 상기 퀄리티 연산부와 상기 퀄리티 학습부에 제공되는 것을 특징으로 하는 신호 처리 장치. - 제1항에 있어서,
상기 입력 영상의 일부 영역 및 이전 입력 영상의 일부 영역을 포함하는 데이터 세트를 구비하는 데이터 베이스;를 더 포함하고,
상기 퀄리티 학습부는,
상기 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 상기 데이터 베이스 내의 상기 입력 영상의 일부 영역에 기초하여, 퀄리티 학습을 수행하는 것을 특징으로 하는 신호 처리 장치. - 제6항에 있어서,
상기 데이터 베이스에 저장되는 일부 영역은, 입력되는 영상의 분석에 기초하여, 업데이트되는 것을 특징으로 하는 신호 처리 장치. - 제6항에 있어서,
상기 데이터 베이스는,
상기 입력 영상 중 에지 영역 중 샤프니스의 레벨이 기준치 이상인 영역을 저장하는 것을 특징으로 하는 신호 처리 장치. - 제1항에 있어서,
상기 퀄리티 연산부 및 상기 퀄리티 학습부는,
심층 신경망(Deep Neural Network)을 이용하여, 상기 퀄리티 연산 및 상기 퀄리티 학습을 각각 수행하는 것을 특징으로 하는 신호 처리 장치. - 제1항에 있어서,
상기 퀄리티 학습부는,
입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하인 경우가 연속적으로 발생하는 경우, 상기 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행하는 것을 특징으로 하는 신호 처리 장치. - 제1항에 있어서,
상기 퀄리티 학습부는,
상기 입력 영상의 영상 타입에 관한 정보가 입력된 상태에서, 상기 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 상기 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행하는 것을 특징으로 하는 신호 처리 장치. - 제1항에 있어서,
상기 퀄리티 학습부는,
포워드, 백워드 프로파게이션을 반복적으로 수행하여, 내부의 수학 모델을 업데이트하고, 상기 업데이트된 수학 모델에 기초하여 포워드, 백워드 프로파게이션을 반복적으로 수행하는 것을 특징으로 하는 신호 처리 장치. - 제12항에 있어서,
상기 퀄리티 학습부는,
외부로부터 수학 모델이 수신되는 경우, 상기 업데이트된 수학 모델을 초기화하는 것을 특징으로 하는 신호 처리 장치. - 제1항에 있어서,
상기 입력 영상은,
스트리밍 입력 영상, 방송 영상, 외부 장치로부터 입력되는 영상 또는 웹 기반 영상을 포함하는 것을 특징으로 하는 신호 처리 장치. - 제1항에 있어서,
상기 화질 설정부는,
설정된 화질에 따라, 노이즈 리덕션 설정값을 출력하거나, 샤프니스 설정값을 출력하는 것을 특징으로 하는 신호 처리 장치. - 제1항에 있어서,
상기 영상 타입에 관한 정보는,
해상도에 대한 정보, 화질 퀄리티 정보를 포함하는 것을 특징으로 하는 신호 처리 장치. - 입력 영상에 대한 영상 타입에 관한 정보를 연산하며, 상기 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 상기 입력 영상의 적어도 일부 영역에 기초하여, 퀄리티 학습을 수행하는 퀄리티 연산 학습부;
상기 영상 타입에 관한 정보에 기초하여, 화질을 설정하는 화질 설정부;
상기 설정된 화질에 따라, 화질 처리를 수행하는 화질 처리부;를 포함하고,
상기 퀄리티 연산 학습부는,
상기 학습된 결과에 기초하여, 상기 입력 영상에 대한 영상 타입에 관한 정보를 연산하는 것을 특징으로 하는 신호 처리 장치. - 제17항에 있어서,
상기 퀄리티 연산 학습부에서 학습된 결과에 대응하는 가중치를 설정하는 가중치 설정부;를 더 포함하고,
상기 퀄리티 연산 학습부는,
상기 가중치 설정부에서 설정된 가중치에 따라, 상기 입력 영상에 대한 영상 타입에 관한 정보를 연산하는 것을 특징으로 하는 신호 처리 장치. - 제17항에 있어서,
상기 입력 영상의 일부 영역 및 이전 입력 영상의 일부 영역을 포함하는 데이터 세트를 구비하는 데이터 베이스;를 더 포함하고,
상기 퀄리티 연산 학습부는,
상기 입력 영상의 영상 타입에 관한 정보의 레벨이 기준 레벨 이하이거나, 입력된 영상 타입에 관한 정보와, 연산된 입력 영상에 대한 영상 타입에 관한 정보와의 차이가 소정치 이상인 경우, 상기 데이터 베이스 내의 상기 입력 영상의 일부 영역에 기초하여, 퀄리티 학습을 수행하는 것을 특징으로 하는 신호 처리 장치. - 디스플레이;
상기 디스플레이에 화질 처리된 영상 신호를 출력하는 신호 처리부;
상기 신호 처리부는, 제1항 내지 제19항 중 어느 한 항의 신호 처리 장치를 구비하는 것을 특징으로 하는 영상표시장치.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862635868P | 2018-02-27 | 2018-02-27 | |
| US62/635,868 | 2018-02-27 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190103047A true KR20190103047A (ko) | 2019-09-04 |
| KR102661826B1 KR102661826B1 (ko) | 2024-04-26 |
Family
ID=67805015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190022533A KR102661826B1 (ko) | 2018-02-27 | 2019-02-26 | 신호 처리 장치 및 이를 구비하는 영상표시장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102661826B1 (ko) |
| WO (1) | WO2019168332A1 (ko) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111970564A (zh) * | 2020-08-26 | 2020-11-20 | 展讯通信（上海）有限公司 | Hdr视频显示处理的优化方法及装置、存储介质、终端 |
| WO2021107291A1 (en) * | 2019-11-29 | 2021-06-03 | Samsung Electronics Co., Ltd. | Electronic apparatus and control method thereof |
| WO2021112280A1 (ko) * | 2019-12-04 | 2021-06-10 | 엘지전자 주식회사 | 신호 처리 장치 및 이를 구비하는 영상표시장치 |
| WO2022186443A1 (ko) * | 2021-03-03 | 2022-09-09 | 삼성전자 주식회사 | 전자 장치에서 이미지의 압축 품질에 기반한 이미지 보정 방법 및 장치 |
| US11481586B2 (en) | 2019-11-21 | 2022-10-25 | Samsung Electronics Co.. Ltd. | Electronic apparatus and controlling method thereof |
| WO2023018179A1 (ko) * | 2021-08-10 | 2023-02-16 | 삼성전자 주식회사 | 어플리케이션에 따라 ai 기반으로 영상을 재생하는 전자 장치 및 이에 의한 영상 재생 방법 |
| WO2024053840A1 (ko) * | 2022-09-08 | 2024-03-14 | 삼성전자 주식회사 | 뉴럴 네트워크 모델을 포함하는 이미지 처리 장치 및 이의 동작 방법 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102676093B1 (ko) | 2019-11-28 | 2024-06-19 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0738745A (ja) * | 1993-06-25 | 1995-02-07 | Sharp Corp | ニューラルネットワークにより画質を設定する画像形成装置 |
| KR20170078516A (ko) * | 2015-12-29 | 2017-07-07 | 삼성전자주식회사 | 신경망 기반 영상 신호 처리를 수행하는 방법 및 장치 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101558653B1 (ko) * | 2013-06-14 | 2015-10-08 | 전북대학교산학협력단 | 신경망을 이용한 영상의 화질 개선 시스템 및 방법 |
| KR101638509B1 (ko) * | 2015-04-14 | 2016-07-12 | 고려대학교 산학협력단 | 모바일 멀티미디어 스트리밍 서비스를 위한 비디오 품질 제어 장치 및 방법 |
| KR101723738B1 (ko) * | 2015-08-21 | 2017-04-18 | 인하대학교 산학협력단 | 딕셔너리 학습 기반 해상도 향상 장치 및 방법 |
-
2019
- 2019-02-26 KR KR1020190022533A patent/KR102661826B1/ko active IP Right Grant
- 2019-02-27 WO PCT/KR2019/002346 patent/WO2019168332A1/ko active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0738745A (ja) * | 1993-06-25 | 1995-02-07 | Sharp Corp | ニューラルネットワークにより画質を設定する画像形成装置 |
| KR20170078516A (ko) * | 2015-12-29 | 2017-07-07 | 삼성전자주식회사 | 신경망 기반 영상 신호 처리를 수행하는 방법 및 장치 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11694078B2 (en) | 2019-11-21 | 2023-07-04 | Samsung Electronics Co., Ltd. | Electronic apparatus and controlling method thereof |
| US11481586B2 (en) | 2019-11-21 | 2022-10-25 | Samsung Electronics Co.. Ltd. | Electronic apparatus and controlling method thereof |
| WO2021107291A1 (en) * | 2019-11-29 | 2021-06-03 | Samsung Electronics Co., Ltd. | Electronic apparatus and control method thereof |
| US11138717B2 (en) | 2019-11-29 | 2021-10-05 | Samsung Electronics Co., Ltd. | Electronic apparatus and control method thereof |
| US11315227B2 (en) | 2019-11-29 | 2022-04-26 | Samsung Electronics Co., Ltd. | Electronic apparatus and control method thereof |
| US20220230296A1 (en) | 2019-11-29 | 2022-07-21 | Samsung Electronics Co., Ltd. | Electronic apparatus and control method thereof |
| US11763440B2 (en) | 2019-11-29 | 2023-09-19 | Samsung Electronics Co., Ltd. | Electronic apparatus and control method thereof |
| WO2021112280A1 (ko) * | 2019-12-04 | 2021-06-10 | 엘지전자 주식회사 | 신호 처리 장치 및 이를 구비하는 영상표시장치 |
| CN111970564B (zh) * | 2020-08-26 | 2023-03-24 | 展讯通信（上海）有限公司 | Hdr视频显示处理的优化方法及装置、存储介质、终端 |
| CN111970564A (zh) * | 2020-08-26 | 2020-11-20 | 展讯通信（上海）有限公司 | Hdr视频显示处理的优化方法及装置、存储介质、终端 |
| WO2022186443A1 (ko) * | 2021-03-03 | 2022-09-09 | 삼성전자 주식회사 | 전자 장치에서 이미지의 압축 품질에 기반한 이미지 보정 방법 및 장치 |
| WO2023018179A1 (ko) * | 2021-08-10 | 2023-02-16 | 삼성전자 주식회사 | 어플리케이션에 따라 ai 기반으로 영상을 재생하는 전자 장치 및 이에 의한 영상 재생 방법 |
| WO2024053840A1 (ko) * | 2022-09-08 | 2024-03-14 | 삼성전자 주식회사 | 뉴럴 네트워크 모델을 포함하는 이미지 처리 장치 및 이의 동작 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102661826B1 (ko) | 2024-04-26 |
| WO2019168332A1 (ko) | 2019-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102661826B1 (ko) | 신호 처리 장치 및 이를 구비하는 영상표시장치 | |
| KR102627646B1 (ko) | 신호 처리 장치 및 이를 구비하는 영상표시장치 | |
| KR102142019B1 (ko) | 신호 처리 장치 및 이를 구비하는 영상표시장치 | |
| KR102662951B1 (ko) | 신호 처리 장치 및 이를 구비하는 영상표시장치 | |
| KR102603621B1 (ko) | 신호 처리 장치 및 이를 구비하는 영상표시장치 | |
| KR102617820B1 (ko) | 비디오 월 | |
| US11423867B2 (en) | Signal processing device and image display apparatus including the same | |
| KR20200114898A (ko) | 영상표시장치 | |
| US11315522B2 (en) | Image display apparatus | |
| EP3941041A1 (en) | Video wall | |
| US20240153451A1 (en) | Signal processing device and image display apparatus including the same | |
| KR20210035723A (ko) | 신호처리장치 및 이를 구비하는 영상표시장치 | |
| KR20190109197A (ko) | 신호 처리 장치 및 이를 구비하는 영상표시장치 | |
| US20230017271A1 (en) | Signal processing device and image display device comprising same | |
| EP3982351A1 (en) | Signal processing device and image display apparatus including the same | |
| US20230005452A1 (en) | Signal processing device and image display apparatus including the same | |
| KR20210030107A (ko) | 신호처리장치 및 이를 구비하는 영상표시장치 | |
| KR20220088419A (ko) | 신호 처리 장치 및 이를 구비하는 영상표시장치 | |
| KR20220088420A (ko) | 신호처리장치 및 이를 구비하는 영상표시장치 | |
| KR20190109198A (ko) | 신호 처리 장치 및 이를 구비하는 영상표시장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |