KR20220108610A - 영상 처리 장치 및 그 동작방법 - Google Patents

영상 처리 장치 및 그 동작방법 Download PDF

Info

Publication number
KR20220108610A
KR20220108610A KR1020210011803A KR20210011803A KR20220108610A KR 20220108610 A KR20220108610 A KR 20220108610A KR 1020210011803 A KR1020210011803 A KR 1020210011803A KR 20210011803 A KR20210011803 A KR 20210011803A KR 20220108610 A KR20220108610 A KR 20220108610A
Authority
KR
South Korea
Prior art keywords
image
parameter
image quality
update
processing apparatus
Prior art date
Application number
KR1020210011803A
Other languages
English (en)
Inventor
김봉조
최규하
박승호
이상조
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020210011803A priority Critical patent/KR20220108610A/ko
Priority to EP21923404.4A priority patent/EP4184425A4/en
Priority to PCT/KR2021/017759 priority patent/WO2022163995A1/ko
Priority to CN202180091217.6A priority patent/CN116783614A/zh
Priority to US17/573,010 priority patent/US20220245767A1/en
Publication of KR20220108610A publication Critical patent/KR20220108610A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • 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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/001—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

개시된 실시예는 영상 처리 장치에 관한 것으로, 하나 이상의 인스트럭션들을 저장하는 메모리, 및 메모리에 저장된 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고, 프로세서는, 제1 영상으로부터 제1 영상 특징을 추출하고, 제1 영상의 전송 특성 및 제1 영상 특징에 기초하여, 대표 영상 특징 및 대표 화질 파라미터를 포함하고, 영상 처리 장치에 저장된 복수의 클러스터들 중 제1 영상에 대응하는 제1 클러스터를 검색하고, 검색된 제1 클러스터의 제1 대표 화질 파라미터에 기초하여, 제1 영상의 화질 처리를 수행하고, 화질 처리된 제1 영상에 기초하여, 제1 대표 화질 파라미터를 업데이트한 제1 업데이트 파라미터를 획득하고, 제1 업데이트 파라미터에 기초하여, 복수의 클러스터들을 업데이트하는 영상 처리 장치가 개시된다.

Description

영상 처리 장치 및 그 동작방법{Image processing apparatus and operating method for the same}
다양한 실시예들은 영상 처리 장치 및 그 동작방법에 관한 것이다. 더욱 상세하게는 영상에 대한 화질 파라미터에 기초하여, 영상의 화질 처리를 수행하는, 영상 처리 장치 및 그 동작방법에 관한 것이다.
영상 처리 장치는 영상의 화질 개선을 위하여, 화질 파라미터를 이용하여, 영상의 화질 처리를 수행한다. 이때, 화질 파라미터를 설정하는 방법으로 룰 기반 파라미터 설정 방법과 딥 러닝 기반 파라미터 설정 방법이 있다.
룰 기반 파라미터 설정 방법은 영상에 포함된 텍스쳐, 엣지, 노이즈의 위치나 세기 등의 영상의 특징을 검출하고, 검출된 영상 특징에 해당하는 기 정의된 파라미터를 설정하는 방법이다.
또한, 딥 러닝 기반 파라미터 설정 방법은 딥 뉴럴 네트워크를 이용하여, 영상의 특징을 추출하고, 추출된 특징을 이용하여, 획득된 화질 파라미터를 설정하는 방법이다.
다양한 실시예들은, 영상의 전송 특성 및 영상 특징에 기초하여, 화질 파라미터를 결정하고, 결정된 화질 파라미터에 기초하여, 영상의 화질 처리를 수행하며, 영상의 화질이 좋아지는 방향으로 화질 파라미터를 업데이트할 수 있는 영상 처리 장치 및 그 동작방법을 제공할 수 있다.
일 실시예에 따른 영상 처리 장치는, 하나 이상의 인스트럭션들을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고, 상기 프로세서는, 제1 영상으로부터 제1 영상 특징을 추출하고, 상기 제1 영상의 전송 특성 및 상기 제1 영상 특징에 기초하여, 대표 영상 특징 및 대표 화질 파라미터를 포함하고, 상기 영상 처리 장치에 저장된 복수의 클러스터들 중 상기 제1 영상에 대응하는 제1 클러스터를 검색하고, 상기 검색된 제1 클러스터의 제1 대표 화질 파라미터에 기초하여, 상기 제1 영상의 화질 처리를 수행하고, 상기 화질 처리된 제1 영상에 기초하여, 상기 제1 대표 화질 파라미터를 업데이트한 제1 업데이트 파라미터를 획득하고, 상기 제1 업데이트 파라미터에 기초하여, 상기 복수의 클러스터들을 업데이트 할 수 있다.
일 실시예에 따른 상기 프로세서는, 복수의 영상들 각각에 대응하는 영상 특징 및 초기 파라미터를 획득하고, 획득된 초기 파라미터에 기초하여, 상기 복수의 영상들 각각의 화질 처리를 수행하며, 상기 화질 처리된 영상에 기초하여, 상기 초기 파라미터를 업데이트한 업데이트 파라미터를 획득하고, 상기 복수의 영상들 각각의 전송 특성, 영상 특징 및 업데이트 파라미터를 이용하여, 상기 복수의 클러스터들을 생성할 수 있다.
일 실시예에 따른 상기 프로세서는, 파라미터 뉴럴 네트워크를 이용하여, 상기 복수의 영상들 각각에 대응하는 영상 특징 및 초기 파라미터를 획득할 수 있다.
일 실시예에 따른 상기 프로세서는, 상기 화질 처리된 영상에 기초하여, 상기 초기 파라미터의 업데이트 방향을 결정하고, 상기 업데이트 방향으로 기 설정된 값을 적용하여, 상기 초기 파라미터를 업데이트하여, 상기 업데이트 파라미터를 획득할 수 있다.
일 실시예에 따른 상기 프로세서는, 파라미터 업데이트 뉴럴 네트워크를 이용하여, 상기 화질 처리된 영상에 적용된 상기 초기 파라미터의 값을 증가시킬지 감소시킬지를 나타내는 상기 업데이트 방향을 결정할 수 있다.
일 실시예에 따른 상기 프로세서는, 상기 복수의 영상들 각각의 전송 특성에 기초하여, 상기 복수의 영상들 각각의 영상 특징 및 업데이트 파라미터를 포함하는 로우 데이터들을 그룹핑하고, 동일한 그룹으로 그룹핑된 로우 데이터들을 K개의 클러스터들로 클러스터링하고, 동일한 클러스터에 포함되는 로우 데이터들에 기초하여, 상기 클러스터들 각각에 대한 상기 대표 영상 특징 및 상기 대표 화질 파라미터를 결정할 수 있다.
일 실시예에 따른 상기 프로세서는, 상기 동일한 그룹으로 그룹핑된 로우 데이터들의 개수가 기 설정된 개수 이상인 경우, 상기 클러스터링을 수행할 수 있다.
일 실시예에 따른 영상 처리 장치는, 통신부를 더 포함하고, 상기 프로세서는, 상기 복수의 클러스터들을 포함하는 클러스터 정보를 외부 서버로부터 수신하도록 상기 통신부를 제어할 수 있다.
일 실시예에 따른 상기 프로세서는, 상기 제1 영상의 전송 특성을 상기 외부 서버로 전송하고, 상기 외부 서버로부터 상기 제1 영상의 전송 특성에 대응하는 클러스터 정보를 수신하도록 상기 통신부를 제어할 수 있다.
일 실시예에 따른 상기 프로세서는, 상기 복수의 클러스터들을 포함하는 클러스터 정보를 외부 서버로 전송하도록 상기 통신부를 제어할 수 있다.
일 실시예에 따른 영상 처리 장치의 동작방법은, 제1 영상으로부터 제1 영상 특징을 추출하는 단계, 상기 제1 영상의 전송 특성 및 상기 제1 영상 특징에 기초하여, 대표 영상 특징 및 대표 화질 파라미터를 포함하고, 상기 영상 처리 장치에 저장된 복수의 클러스터들 중 상기 제1 영상에 대응하는 제1 클러스터를 검색하는 단계, 상기 검색된 제1 클러스터의 제1 대표 화질 파라미터에 기초하여, 상기 제1 영상의 화질 처리를 수행하는 단계, 상기 화질 처리된 제1 영상에 기초하여, 상기 제1 대표 화질 파라미터를 업데이트한 제1 업데이트 파라미터를 획득하는 단계, 및 상기 제1 업데이트 파라미터에 기초하여, 상기 복수의 클러스터들을 업데이트 하는 단계를 포함할 수 있다.
일 실시예에 따른 영상 처리 장치는 화질 처리된 영상에 기초하여, 화질 처리에 이용되는 화질 파라미터를 영상의 화질이 더 좋아지는 방향으로 업데이트할 수 있어, 영상 처리 장치 사용자의 최신 시청 이력에 기반한 지속적인 화질 개선이 가능하다.
일 실시예에 따른 영상 처리 장치는 화질 파라미터를 수집하고 관리하는 외부 서버와의 연동을 통해, 다른 영상 처리 장치에서 업데이트된 화질 파라미터를 이용할 수 있다. 이에 따라, 영상 처리 장치의 사용자가 처음 보는 영상인 경우에도, 최적화된 화질 파라미터를 이용하여, 화질 처리를 수행할 수 있다. 또한, 외부 서버와의 연동을 통해, 영상 처리 장치의 하드웨어 리소스 제약을 해결할 수 있다.
도 1은 일 실시예에 따른 영상 처리 장치를 나타내는 도면이다.
도 2는 일 실시예에 따른 영상 처리 장치의 동작방법을 나타내는 흐름도이다.
도 3은 일 실시예에 따른 영상 처리 장치의 구성을 나타내는 도면이다.
도 4는 일 실시예에 따른 파라미터 뉴럴 네트워크(410)를 나타내는 도면이다.
도 5는 일 실시예에 따른 파라미터 뉴럴 네트워크의 훈련 방법을 설명하기 위해 참조되는 도면이다.
도 6은 일 실시예에 따른 화질 파라미터들을 결정하는 방법을 설명하기 위해 참조되는 도면이다.
도 7은 일 실시예에 따른 파라미터 업데이트부를 나타내는 도면이다.
도 8은 일 실시예에 따른 파라미터 업데이트 네트워크의 훈련방법을 설명하기 위해 참조되는 도면이다.
도 9는 일 실시예에 따른 클러스터 정보를 생성하는 방법을 설명하기 위해 참조되는 도면이다.
도 10은 일 실시예에 따른 영상 처리 장치의 동작방법을 나타내는 흐름도이다.
도 11은 일 실시예에 따른 영상 처리 장치가 외부 서버와 클러스터 정보를 송수신하는 동작을 나타내는 도면이다.
도 12는 일 실시예에 따른 영상 처리 장치의 구성을 나타내는 블록도이다.
도 13은 다른 실시예에 따른 영상 처리 장치의 구성을 나타내는 블록도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 실시예들에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서의 실시예에서 "사용자"라는 용어는 시스템, 기능 또는 동작을 제어하는 사람을 의미하며, 개발자, 관리자 또는 설치 기사를 포함할 수 있다.
또한, 본 명세서의 실시예에서, '영상(image)' 또는 '픽처'는 정지영상, 복수의 연속된 정지영상(또는 프레임)으로 구성된 동영상, 또는 비디오를 나타낼 수 있다.
도 1은 일 실시예에 따른 영상 처리 장치를 나타내는 도면이다.
도 1을 참조하면, 일 실시예에 따른 영상 처리 장치(100)는 영상을 수신하여, 수신한 영상의 화질을 처리하는 전자 장치일 수 있다. 예를 들어, 영상 처리 장치(100)는, TV, 휴대폰, 태블릿 PC, 디지털 카메라, 캠코더, 노트북 컴퓨터(laptop computer), 태블릿 PC, 데스크탑, 전자책 단말기, 디지털 방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 착용형 장치(wearable device) 등과 같은 다양한 형태로 구현될 수 있다. 또한, 영상 처리 장치(100)는 디스플레이를 포함하여, 화질 처리가 수행된 영상을 디스플레이에 표시할 수 있다. 또한, 영상 처리 장치(100)는 고정된 위치에 배치되는 고정형 전자 장치 또는 휴대 가능한 형태를 갖는 이동형 전자 장치일 수 있으며, 디지털 방송 수신이 가능한 디지털 방송 수신기일 수 있다. 특히, 실시예들은 TV와 같이 디스플레이가 대형인 영상 처리 장치에서 용이하게 구현될 수 있으나, 이에 한정되는 것은 아니다.
일 실시예에 따른 영상 처리 장치(100)는 외부 장치 또는 외부 서버로부터 수신되거나 입력된 영상(10)의 화질 처리를 수행하여, 화질 처리가 수행된 영상을 디스플레이에 표시할 수 있다. 이때, 영상의 화질 처리는, 노이즈 제거, 디테일 향상 등의 처리를 포함할 수 있으나, 이에 한정되지 않는다.
일 실시예에 따른 영상 처리 장치(100)는 입력된 영상(10)의 전송 특성(예를 들어, 입력 해상도, 비트 레이트, 영상 소스에 대한 정보 등) 및 영상 특징(예를 들어, 영상에 포함된 텍스쳐, 노이즈, 엣지 등에 대한 정보)에 기초하여, 화질 파라미터를 결정할 수 있다. 영상 처리 장치(100)는 결정된 화질 파라미터를 이용하여, 화질 처리를 수행할 수 있다. 예를 들어, 영상 처리 장치(100)는 제1 화질 파라미터를 이용하여, 노이즈 제거 처리를 수행할 수 있으며, 제2 화질 파라미터를 이용하여, 디테일 향상 처리를 수행할 수 있다.
일 실시예에 따른 영상 처리 장치(100)는 화질 처리된 영상에 기초하여, 화질 처리에 이용되는 화질 파라미터를 영상의 화질이 더 좋아지는 방향으로 업데이트할 수 있다. 또한, 일 실시예에 따른 영상 처리 장치(100)는 화질 파라미터를 수집하고 관리하는 외부 서버와의 연동을 통해, 다른 영상 처리 장치에서 업데이트된 화질 파라미터를 이용할 수 있다. 이에 따라, 영상 처리 장치(100)의 시청자가 처음 보는 영상인 경우에도, 최적화된 화질 파라미터를 이용하여, 화질 처리를 수행할 수 있다. 이하, 도면들을 참조하여 자세히 설명하기로 한다.
도 2는 일 실시예에 따른 영상 처리 장치의 동작방법을 나타내는 흐름도이다.
도 2를 참조하면, 일 실시예에 따른 영상 처리 장치(100)는 영상을 수신할 수 있으며(S210), 영상에 대한 전송 특성(예를 들어, 입력 해상도, 비트 레이트, 영상 소스에 대한 정보 등)도 함께 수신할 수 있다.
영상 처리 장치(100)는 수신한 영상에 대한 영상 특징을 추출할 수 있다(S220). 예를 들어, 영상 처리 장치(100)는 하나 이상의 컨볼루션 레이어들을 포함하는 특징 추출 네트워크를 이용하여, 영상에 대한 영상 특징을 추출할 수 있다. 특징 추출 네트워크는 영상을 입력 받아, 입력된 영상에 대한 영상 특징을 추출하도록 훈련된 뉴럴 네트워크일 수 있다.
영상 처리 장치(100)는 영상의 전송 특성 및 영상 특징에 기초하여, 기 저장된 클러스터 정보에서, 수신한 영상에 대응하는 클러스터를 검색할 수 있다(S230). 이때, 기 저장된 클러스터 정보는 전송 특성 별 클러스터 테이블들을 포함할 수 있으며, 하나의 클러스터 테이블은 복수의 클러스터들을 포함하고, 하나의 클러스터는 대표 영상 특징과 대표 영상 특징에 대응하는 대표 화질 파라미터를 포함할 수 있다.
한편, 기 저장된 클러스터 정보는, 영상 처리 장치(100)가 생성한 정보일 수 있으며, 또는 외부 서버나 외부 장치로부터 수신한 정보일 수 있다. 영상 처리 장치(100)가 클러스터 정보를 생성하는 방법에 대해서는 도 9를 참조하여 자세히 후술하기로 한다.
일 실시예에 따른 영상 처리 장치(100)는 영상의 전송 특성에 기초하여, 복수의 클러스터 테이블들 중 하나의 클러스터 테이블을 선택하고, 영상 특징에 기초하여, 선택된 클러스터 테이블에 포함된 복수의 클러스터들 중 하나의 클러스터를 선택할 수 있다.
영상 처리 장치(100)는 선택된 클러스터에 포함된 대표 화질 파라미터에 기초하여, 수신한 영상의 화질 처리를 수행할 수 있다(S240). 이때, 대표 화질 파라미터는 복수의 화질 파라미터들을 포함할 수 있다. 예를 들어, 대표 화질 파라미터는 제1 화질 처리(예를 들어, 노이즈 제거 처리)에 적용되는 제1 화질 파라미터와 제2 화질 처리(예를 들어, 디테일 개선 처리)에 적용되는 제2 화질 파라미터를 포함할 수 있으나, 이에 한정되지 않는다.
영상 처리 장치(100)는 화질 처리된 영상에 기초하여, 대표 화질 파라미터를 업데이트할 수 있다(S250).
예를 들어, 영상 처리 장치(100)는 화질 처리에 적용된 대표 화질 파라미터의 업데이트 방향을 결정하고, 결정된 업데이트 방향으로 기 설정된 값을 적용함으로써, 대표 화질 파라미터를 업데이트할 수 있다.
영상 처리 장치(100)는 업데이트된 화질 파라미터에 기초하여, 클러스터 정보에 포함된 복수의 클러스터들을 업데이트할 수 있다(S260).
예를 들어, 영상 처리 장치(100)는 업데이트된 화질 파라미터를 저장하고, 저장된 화질 파라미터들이 기 설정된 개수가 되면, 클러스터링을 수행하여, 복수의 클러스터들을 업데이트할 수 있다.
도 3은 일 실시예에 따른 영상 처리 장치의 구성을 나타내는 도면이다.
도 3을 참조하면, 일 실시예에 따른 영상 처리 장치(100)는 화질 처리부(310), 파라미터 계산부(320), 파라미터 결정부(330) 및 파라미터 업데이트부(340)를 포함할 수 있다.
파라미터 계산부(320)는 영상의 영상 특징 및 화질 파라미터를 획득할 수 있다. 예를 들어, 파라미터 계산부(320)는 파라미터 뉴럴 네트워크를 포함할 수 있으며, 파라미터 뉴럴 네트워크를 이용하여, 영상의 영상 특징을 추출하고, 화질 파라미터를 획득할 수 있다. 이에 대해서는 도 4 및 도 5를 참조하여 설명하기로 한다.
도 4는 일 실시예에 따른 파라미터 뉴럴 네트워크(410)를 나타내는 도면이다.
도 4를 참조하면, 일 실시예에 따른 파라미터 뉴럴 네트워크(410)는 영상을 입력 받아, 화질 파라미터를 출력하는 딥 뉴럴 네트워크일 수 있다. 예를 들어, 파라미터 뉴럴 네트워크(410)는 영상의 특징을 추출하는 하나 이상의 컨볼루션 레이어들을 포함하는 특징 추출 네트워크(420) 및 영상의 영상 특징을 입력 받아, 화질 파라미터를 출력하는 Full connected layer(430)를 포함할 수 있다.
도 5는 일 실시예에 따른 파라미터 뉴럴 네트워크의 훈련 방법을 설명하기 위해 참조되는 도면이다.
도 5를 참조하면, 훈련 장치는 일 실시예에 따른 파라미터 뉴럴 네트워크를 훈련시키기 위한 훈련 데이터를 생성할 수 있다. 이때, 훈련 장치는 일 실시예에 따른 영상 처리 장치와 다른 별도의 장치일 수 있다.
예를 들어, 훈련 장치는 노이즈나 블러(blur)를 포함하지 않는 원본 영상(510)을 변형시켜(distort) 변형된 영상(520, distorted image)을 생성할 수 있다. 변형된 영상(520)에 복수의 화질 파라미터들을 포함하는 화질 파라미터 셋을 적용함으로써, 화질 처리가 수행될 수 있다. 예를 들어, 화질 파라미터 셋은 노이즈 제거 파라미터(P1)와 디테일 향상 파라미터(P2)의 쌍으로 이루어질 수 있다. 다만, 이에 한정되지 않으며, 다양한 종류의 화질 파라미터들이 포함될 수 있다.
도 5에 도시된 바와 같이, 변형된 영상에는, 복수의 화질 파라미터 셋들이 적용되어 화질 처리가 수행될 수 있다. 이때, 복수의 화질 처리 파라미터 셋들은 노이즈 제거 파라미터와 디테일 향상 파라미터의 서로 다른 조합들로 구성될 수 있다.
훈련 장치는 변형된 영상에 제1 화질 파라미터 셋을 적용하여 화질 처리를 수행함으로써, 제1 화질 처리 이미지(541)를 생성하고, 변형된 영상에 제2 화질 파라미터 셋을 적용하여, 화질 처리를 수행함으로써, 제2 화질 처리 이미지(542)를 생성할 수 있다. 동일한 방식으로 변형된 영상에 제3 내지 제N 화질 파라미터 셋들 각각을 적용하여 화질 처리를 수행함으로써, 제3 내지 제N 화질 처리 이미지들을 생성할 수 있다.
다수의 화질 평가자들의 주관적 화질 평가(550)를 통하여, 제1 내지 제 N 화질 처리 이미지들 중 원본 영상(510)과 가장 가까운 영상을 결정할 수 있다. 예를 들어, 제1 내지 제N 화질 처리 이미지들 중 주관적 화질 점수가 가장 높은 화질 처리 이미지를 결정할 수 있다. 훈련 장치는 변형된 영상과 결정된 화질 처리 이미지에 적용된 파라미터 셋(P11, P21)을 제1 변형 이미지(Image 1)에 대한 최적의 파라미터 셋으로 결정할 수 있다.
훈련 장치는 동일한 방식으로, 제2 내지 제 N 원본 영상들을 변형한 제2 내지 제 N 변형 이미지들을 획득하고, 제2 내지 제 N 변형 이미지들 각각에 대하여, 최적의 파라미터 셋들을 결정할 수 있다.
제1 내지 제 N 변형 이미지들과 제1 내지 제 N 변형 이미지들 각각에 대한 최적의 파라미터 셋들은 훈련 데이터(560)로 저장될 수 있다. 예를 들어, 훈련 데이터(560)는 도 5에 도시된 바와 같이, 복수의 데이터 셋들을 포함하며, 하나의 데이터 셋은 변형 이미지와 변형 이미지에 대한 최적의 파라미터 셋으로 구성될 수 있다.
한편, 상기에서는 훈련 장치가 훈련 데이터를 생성하는 것으로 설명하였으나, 훈련 장치는 외부 장치에 의해 생성된 훈련 데이터를 수신할 수도 있다.
훈련 장치는 훈련 데이터(560)를 이용하여, 일 실시예에 따른 파라미터 뉴럴 네트워크(410)를 훈련시킬 수 있다. 예를 들어, 일 실시예에 따른 파라미터 뉴럴 네트워크(410)는 하나 이상의 레이어들을 포함할 수 있으며, 훈련 장치는 레이어들 각각에 포함되는 가중치들을 결정할 수 있다. 훈련 장치는 제1 변형 이미지(Image 1)를 파라미터 뉴럴 네트워크(410)에 입력하여, 출력되는 파라미터 셋과 제1 변형 이미지(Image)에 대한 최적의 파라미터 셋(P11, P21)의 차이가 감소하는 방향으로 레이어들의 가중치들을 갱신할 수 있다. 또한, 훈련 장치는 제2 내지 제N 변형 이미지들 각각을 파라미터 뉴럴 네트워크(410)에 입력하고, 출력되는 파라미터 셋과 제2 내지 제N 변형 이미지들 각각에 대한 최적의 파라미터 셋의 차이가 감소하는 방향으로 레이어들의 가중치들을 갱신함으로써, 파라미터 뉴럴 네트워크(410)를 훈련시킬 수 있다. 다만, 이에 한정되지 않는다.
이에 따라, 훈련이 완료된 파라미터 뉴럴 네트워크(410)는 영상이 입력되면, 해당 영상의 화질 처리에 가장 최적화된 초기 파라미터 셋을 출력할 수 있다.
다시 도 3을 참조하면, 파라미터 결정부(330)는 영상의 전송 특성, 영상 특징, 초기 파라미터 셋에 기초하여, 화질 처리부에 설정할 화질 파라미터들을 결정할 수 있다. 이때, 화질 파라미터들은 노이즈 제거와 관련된 제1 화질 파라미터 및 디테일 향상과 관련된 제2 화질 파라미터를 포함할 수 있으나, 이에 한정되지 않는다.
파라미터 결정부(330)가 화질 파라미터들을 결정하는 방법에 대해서는 도 6을 참조하여 설명하기로 한다.
도 6은 일 실시예에 따른 화질 파라미터들을 결정하는 방법을 설명하기 위해 참조되는 도면이다.
도 6을 참조하면, 파라미터 결정부(330)는 대표 영상 특징 및 대표 화질 파라미터로 구성되는 클러스터 정보(610)가 기 저장되었는 지 여부에 기초하여, 화질 파라미터들을 결정할 수 있다. 예를 들어, 클러스터링이 수행되기 이전이거나 외부 장치로부터 수신한 클러스터 정보가 저장되지 않은 경우, 파라미터 결정부(330)는 파라미터 계산부(320)로부터 수신한 초기 파라미터 셋을 화질 처리부(310)의 화질 파라미터들로 결정할 수 있다.
반면에, 도 6에 도시된 바와 같이, 클러스터링으로 생성된 클러스터 정보(610)가 저장되거나, 외부 장치로부터 수신한 클러스터 정보(610)가 저장된 경우, 파라미터 결정부(330)는 전송 특성 및 영상 특징에 기초하여, 화질 처리부(310)의 파라미터들을 결정할 수 있다. 예를 들어, 클러스터 정보(610)는 전송 특성들 각각에 대응하는 클러스터 테이블을 포함할 수 있으며, 하나의 클러스터 테이블은 복수의 클러스터들을 포함할 수 있다. 또한, 하나의 클러스터는 대표 영상 특징과 대표 영상 특징에 대응하는 대표 화질 파라미터로 구성된다.
파라미터 결정부(330)는 복수의 클러스터 테이블들 중, 영상의 전송 특성에 대응하는 클러스터 테이블을 선택하고, 선택된 클러스터 테이블 내에서, 영상 특징과 가장 유사한 대표 영상 특징을 포함하는 클러스터를 검색할 수 있다. 이에 따라, 파라미터 결정부(330)는 검색된 클러스터에 포함된 대표 화질 파라미터를 화질 처리부(310)의 화질 파라미터들로 결정할 수 있다.
다시 도 3을 참조하면, 일 실시예에 따른 화질 처리부(310)는 노이즈 제거부(313)와 디테일 개선부(315)를 포함할 수 있다. 다만, 이에 한정되지 않으며, 화질 처리부(310)는 다양한 화질 처리를 하는 구성들을 포함할 수 있다.
노이즈 제거부(313)는 파라미터 결정부(330)에서 결정된 제1 화질 파라미터(P1)에 기초하여, 영상의 노이즈 제거 처리를 수행할 수 있다.
디테일 개선부(315)는 파라미터 결정부(330)에서 결정된 제2 화질 파라미터(P2)에 기초하여, 노이즈가 제거된 영상의 디테일 개선 처리를 수행할 수 있다.
화질 처리가 수행된 영상(350)은 파라미터 업데이트부(340)로 입력될 수 있다. 파라미터 업데이트부(340)는 화질 처리가 수행된 영상에 기초하여, 파라미터 결정부(330)에서 결정한 화질 파라미터들의 업데이트를 수행할 수 있다.
파라미터 업데이트부(340)가 화질 파라미터들의 업데이트를 수행하는 동작에 대해서는 도 7 및 도 8을 참조하여 설명하기로 한다.
도 7은 일 실시예에 따른 파라미터 업데이트부를 나타내는 도면이다.
도 7을 참조하면, 일 실시예에 다른 파라미터 업데이트부(340)는 파라미터 업데이트 네트워크(710) 및 파라미터 업데이트 계산부(720)를 포함할 수 있다.
파라미터 업데이트 네트워크(710)는 화질 처리된 영상을 입력 받아, 화질 파라미터들의 업데이트 방향을 출력할 수 있다. 예를 들어, 화질 파라미터들이 제1 화질 파라미터 및 제2 화질 파라미터를 포함하는 경우, 파라미터 업데이트 네트워크(710)에서 출력되는 업데이트 방향은 제1 화질 파라미터를 증가 또는 감소시키는 방향 및 제2 파라미터를 증가 또는 감소시키는 방향을 포함할 수 있다.
도 8은 일 실시예에 따른 파라미터 업데이트 네트워크의 훈련방법을 설명하기 위해 참조되는 도면이다.
도 8을 참조하면, 훈련 장치는 일 실시예에 따른 파라미터 업데이트 네트워크를 훈련시키기 위한 훈련 데이터를 생성할 수 있다. 이때, 훈련 장치는 일 실시예에 따른 영상 처리 장치와 다른 별도의 장치일 수 있다.
예를 들어, 훈련 장치는 노이즈나 블러(blur)를 포함하지 않는 원본 영상(810)을 변형시켜 변형된 영상(820)을 생성할 수 있다. 훈련 장치는 변형된 영상(820)에 복수의 화질 파라미터들을 포함하는 화질 파라미터 셋(830)을 적용함으로써, 화질 처리가 수행될 수 있으며, 화질 처리 이미지(840)가 생성될 수 있다. 훈련 장치는 복수의 변형된 영상들 각각에 화질 파라미터 셋을 적용하거나, 하나의 변형된 영상에 복수의 화질 파라미터 셋들을 적용함으로써, 복수의 화질 처리 이미지들이 생성될 수 있다. 예를 들어, 복수의 화질 처리 이미지들은 제1 내지 제N 화질 처리 이미지들을 포함할 수 있다.
훈련 장치는 제1 화질 파라미터 셋에 기초하여 화질 처리가 수행된 제1 화질 처리 이미지를 생성할 수 있다. 훈련 장치는 변형 이미지에 제1 화질 파라미터 셋에 포함된 노이즈 제거와 관련된 제1 화질 파라미터(P11)를 이용하여 노이즈 제거를 수행하고, 디테일 향상과 관련된 제2 화질 파라미터(P21)를 이용하여, 디테일 향상 처리를 수행함으로써, 제1 화질 처리 이미지(Image 1)를 생성할 수 있다.
훈련 장치는 제1 화질 처리 이미지에서 노이즈 제거와 관련된 제1 화질 파라미터(P11)를 증가시키거나 감소시키는 방향, 디테일 향상과 관련된 제2 화질 파라미터(P21)를 증가시키거나 감소시키는 방향의 조합들로 화질 처리를 수행한 결과 이미지들을 획득할 수 있다. 훈련 장치는 결과 이미지들을 비교함으로써, 제1 화질 처리 이미지(Image)의 화질 처리에 적용된 파라미터들(P11, P21)의 최적화된 증/감 방향을 결정할 수 있다.
예를 들어, 훈련 장치는 제1 화질 파라미터(P11)를 증가시키고, 디테일 향상과 관련된 제2 화질 파라미터(P21)를 증가시킨 화질 파라미터들로 화질 처리를 수행한 제1 결과 이미지, 제1 화질 파라미터(P11)를 증가시키고, 디테일 향상과 관련된 제2 화질 파라미터(P21)를 감소시킨 화질 파라미터들로 화질 처리를 수행한 제2 결과 이미지, 제1 화질 파라미터(P11)를 감소시키고, 제2 화질 파라미터(P21)를 증가시킨 화질 파라미터들로 화질 처리를 수행한 제3 결과 이미지 및 제1 화질 파라미터(P11)를 감소시키고, 제2 화질 파라미터(P21)를 감소시킨 화질 파라미터들로 화질 처리를 수행한 제4 결과 이미지를 생성할 수 있다.
다수의 화질 평가자들의 주관적 화질 평가를 통하여, 제1 내지 제4 결과 이미지들 중 원본 영상(810)과 가장 가까운 영상을 결정할 수 있다. 예를 들어, 훈련 장치는 제1 내지 제4 결과 이미지들 중 주관적 화질 점수가 가장 높은 결과 이미지를 결정할 수 있다. 예를 들어, 제1 내지 제4 결과 이미지들 중 제2 결과 이미지의 주관적 화질 점수가 가장 높을 수 있다. 훈련 장치는 결정된 결과 이미지(제2 결과 이미지)에 적용된 화질 파라미터들의 증/감 방향을 제1 화질 처리 이미지(Image 1)에 대한 최적의 업데이트 방향으로 결정할 수 있다. 예를 들어, 훈련 장치는 제1 화질 파라미터(P11)는 증가하는 방향, 제2 화질 파라미터(P21)는 감소하는 방항을 최적의 업데이트 방향으로 결정할 수 있다.
훈련 장치는 동일한 방식으로 제2 내지 제N 화질 처리 이미지들 각각에 대하여, 최적의 업데이트 방향을 결정할 수 있다.
또는, 훈련 장치는 제1 화질 처리 이미지(Image 1)와 원본 영상(810)의 차이를 최소화하는 방향으로 제1 화질 파라미터 및 제2 화질 파라미터의 증/감 방향을 결정할 수 있다. 또한, 훈련 장치는 제2 내지 제N 화질 처리 이미지들 각각에 대하여, 원본 영상(810)과의 차이를 최소화하는 방향으로 화질 파라미터들의 업데이트 방향을 결정할 수 있다.
제1 내지 제N 화질 처리 이미지들과 제1 내지 제N 화질 처리 이미지들 각각에 대한 최적의 업데이트 방향들은 훈련 데이터(860)로 저장될 수 있다. 예를 들어, 훈련 데이터(860)는 도 8에 도시된 바와 같이, 복수의 데이터 셋들을 포함하며, 하나의 데이터 셋은 화질 처리 이미지와 화질 처리 이미지에 대한 최적의 파라미터 업데이트 방향으로 구성될 수 있다.
훈련 장치는 훈련 데이터(850)를 이용하여, 일 실시예에 따른 파라미터 업데이트 네트워크(710)를 훈련시킬 수 있다. 예를 들어, 일 실시예에 따른 파라미터 업데이트 네트워크(710)는 하나 이상의 레이어들을 포함할 수 있으며, 훈련 장치는 레이어들 각각에 포함되는 가중치들을 결정할 수 있다. 훈련 장치는 제1 화질 처리 이미지(Image 1)를 파라미터 업데이트 네트워크(710)에 입력하여, 출력되는 파라미터 업데이트 방향이 제1 화질 처리 이미지에 최적화된 업데이트 방향(예를 들어, 제1 화질 파라미터(P11)는 증가하는 방향, 제2 화질 파라미터(P21)는 감소하는 방향)이 되도록 레이어들의 가중치들을 갱신할 수 있다. 또한, 훈련 장치는 제2 내지 제N 화질 처리 이미지들 각각을 파라미터 업데이트 네트워크(710)에 입력하고, 제2 내지 제N 화질 처리 이미지들 각각에 최적화된 파라미터 업데이트 방향이 출력되도록 레이어들의 가중치들을 갱신함으로써, 파라미터 업데이트 네트워크(710)를 훈련시킬 수 있다. 다만, 이에 한정되지 않는다.
이에 따라, 훈련이 완료된 파라미터 업데이트 네트워크(710)는 화질 처리된 영상이 입력되면, 해당 영상에 적용된 화질 파라미터들의 최적화된 업데이트 방향을 출력할 수 있다.
다시 도 7을 참조하면, 파라미터 업데이트 네트워크(710)에서 파라미터 업데이트 방향이 출력되면, 파라미터 업데이트 계산부(720)는 파라미터 업데이트 네트워크(710)에서 출력된 업데이트 방향으로 기 설정된 값을 증가시키거나 감소시켜, 화질 파라미터들을 업데이트할 수 있다.
다시, 도 3을 참조하면, 일 실시예에 따른 파라미터 결정부(330)는 파라미터 업데이트부(340)로부터 수신한 업데이트된 화질 파라미터에 기초하여 클러스터링을 수행하여, 클러스터 정보를 생성할 수 있다.
파라미터 결정부(330)가 클러스터링을 수행하여 클러스터 정보를 생성하는 방법에 대해서는 도 9를 참조하여 자세히 설명하기로 한다.
도 9는 일 실시예에 따른 클러스터 정보를 생성하는 방법을 설명하기 위해 참조되는 도면이다.
일 실시예에 따른 파라미터 결정부(330)는 파라미터 업데이트부(340)로부터 업데이트된 화질 파라미터들을 수신하여, 저장할 수 있다. 이때, 파라미터 결정부(330)는 업데이트된 화질 파라미터들을 영상의 전송 특성 별로 저장할 수 있다. 예를 들어, 도 9에 도시된 바와 같이, 파라미터 결정부(330)는 제1 전송 특성에 대응하는 제1 로우 데이터 테이블(911), 제2 전송 특성에 대응하는 제2 로우 데이터 테이블(912),??,제N 전송 특성에 대응하는 제N 로우 데이터 테이블(919)을 포함할 수 있다.
파라미터 결정부(330)는 파라미터 업데이트부(340)로부터 수신한 업데이트 화질 파라미터가 제1 전송 특성을 가지는 제1 영상에 대한 화질 파라미터인 경우, 업데이트 화질 파라미터와 제1 영상의 영상 특징으로 구성되는 로우 데이터를 제1 로우 데이터 테이블(911)에 저장할 수 있다. 이때, 제1 영상의 영상 특징은 도 3에서 전술한 바와 같이, 파라미터 계산부(320)로부터 수신될 수 있다.
파라미터 결정부(330)는 제1 로우 데이터 테이블(911)에 저장된 로우 데이터의 개수가 기 설정된 개수 이상인 경우, 클러스터링을 수행하여, 클러스터 정보를 생성할 수 있다. 예를 들어, 파라미터 결정부(330)는 제1 전송 특성에 대응하는 제1 로우 데이터 테이블(911)에 N개의 로우 데이터가 저장되면, N개의 로우 데이터의 클러스터링을 수행하여, K개의 클러스터를 포함하는 제1 클러스터 테이블(921)을 생성할 수 있다. 파라미터 결정부(330)는 N개의 로우 데이터에 포함되는 N개의 영상 특징들을 K개의 그룹으로 분류하고, 동일한 그룹에 포함되는 영상 특징들에 기초하여, 대표 영상 특징을 결정할 수 있다. 또한, 동일한 그룹에 포함되는 업데이트 화질 파라미터들에 기초하여, 대표 화질 파라미터를 결정할 수 있다.
K개의 그룹들 각각은 하나의 클러스터에 해당하며, 제1 클러스터 테이블(921)은 K개의 클러스터들을 포함할 수 있다. 또한, 하나의 클러스터는 대표 영상 특징과 대표 화질 파라미터를 포함할 수 있다.
동일한 방식으로, 제2 전송 특성에 대응하는 제2 로우 데이터 테이블(912)에 저장된 로우 데이터의 개수가 기 설정된 개수 이상인 경우, 클러스터링을 수행하여, 제2 클러스터 테이블(922)을 생성할 수 있다. 또한, 제N 전송 특성에 대응하는 제N 로우 데이터 테이블(919)에 저장된 로우 데이터의 개수가 기 설정된 개수 이상인 경우, 클러스터링을 수행하여, 제N 클러스터 테이블(929)을 생성할 수 있다. 다만, 이에 한정되지 않는다.
일 실시예에 따른 파라미터 결정부(330)는 클러스터링이 완료되면, 생성된 클러스터 테이블을 저장하고, 로우 데이터 테이블에 저장된 로우 데이터들을 삭제할 수 있다. 또한, 파라미터 결정부(330)는 계속해서 업데이트된 파라미터들을 수신하여, 로우 데이터 테이블에 저장하고, 로우 데이터의 개수가 기 설정된 개수 이상인 경우, 다시 클러스터링을 수행하여, 기존의 클러스터 테이블을 업데이트할 수 있다.
업데이트된 클러스터 테이블들을 포함하는 클러스터 정보가 저장되면, 파라미터 결정부(330)는 영상의 전송 특성, 영상 특징 및 업데이트된 클러스터 정보에 기초하여, 영상의 화질 처리를 수행할 화질 처리부의 파라미터들을 결정할 수 있다.
이에 따라, 일 실시예에 따른 영상 처리 장치(100)는 시청 이력에 기반하여, 지속적으로 영상의 화질이 좋아지는 방향으로 화질 파라미터들을 업데이트할 수 있다.
도 10은 일 실시예에 따른 영상 처리 장치의 동작방법을 나타내는 흐름도이다.
도 10을 참조하면, 일 실시예에 따른 영상 처리 장치(100)는 영상을 수신할 수 있다(S1010). 또한, 영상 처리 장치(100)는 영상에 대한 특성을 함께 수신할 수 있다. 예를 들어, 영상의 특성은 영상의 전송 특성을 포함할 수 있으며, 영상의 전송 특성은 영상의 해상도, 비트레이트, 소스 정보 등을 포함할 수 있다. 다만, 이에 한정되지 않는다.
영상 처리 장치(100)는 수신한 영상에 대한 영상 특징 및 초기 파라미터 셋을 획득할 수 있다(S1020).
예를 들어, 영상 처리 장치(100)는 파라미터 뉴럴 네트워크를 이용하여, 영상에 대한 영상 특징 및 초기 파라미터 셋을 획득할 수 있다. 이때, 일 실시예에 따른 파라미터 뉴럴 네트워크는 영상을 입력 받고, 입력된 영상의 화질 처리에 가장 최적화된 초기 파라미터 셋을 출력하도록 훈련된 네트워크일 수 있다. 일 실시예에 따른 파라미터 뉴럴 네트워크는 도 4 및 도 5를 참조하여 자세히 설명하였으므로, 구체적인 설명은 생략하기로 한다.
영상 처리 장치(100)는 기 저장된 클러스터 정보가 존재하는 지 확인하여(S1030), 클러스터 정보가 존재하지 않는 경우, 1020 단계(S1020)에서 획득한 초기 파라미터 셋을 이용하여, 화질 처리를 수행할 수 있다(S1040).
일 실시예에 따른 화질 처리는, 영상의 노이즈 제거 처리, 영상의 디테일 개선 처리 등을 포함할 수 있다. 이때, 영상 처리 장치(100)는 1020 단계에서 획득한 초기 파라미터 셋에 포함된 제1 화질 파라미터에 기초하여, 영상의 노이즈 제거 처리를 수행하고, 제2 화질 파라미터에 기초하여, 노이즈가 제거된 영상의 디테일 개선 처리를 수행할 수 있다. 다만, 이에 한정되지 않으며, 일 실시예에 따른 영상 처리 장치(100)는 디테일 개선 처리를 먼저 하고, 노이즈 제거 처리를 수행할 수도 있다.
반면에, 클러스터 정보가 존재하는 경우, 영상 처리 장치(100)는 전송 특성 및 1020 단계(S1020)에서 획득된 영상 특징에 기초하여, 영상에 대응하는 클러스터를 검색할 수 있다(S1050). 예를 들어, 영상 처리 장치(100)는 전송 특성에 따라, 클러스터 정보에서 클러스터 테이블을 선택하고, 영상 특징에 기초하여, 선택된 클러스터 테이블에 포함된 복수의 클러스터들 중 어느 하나를 선택할 수 있다. 이때, 복수의 클러스터들 각각은 대표 영상 특징과 대표 화질 파라미터를 포함할 수 있으며, 영상 처리 장치(100)는 선택된 클러스터 테이블에 포함된 복수의 클러스터들 중, 1020 단계(S1020)에서 획득한 영상 특징과 가장 유사한 대표 영상 특징을 포함하는 클러스터를 선택할 수 있다.
영상 처리 장치(100)는 선택된 클러스터에 포함되는 대표 화질 파라미터를 이용하여, 화질 처리를 수행할 수 있다(S1060).
영상 처리 장치(100)는 화질 처리가 수행된 영상에 기초하여, 업데이트 파라미터를 획득할 수 있다(S1070).
예를 들어, 영상 처리 장치(100)는 파라미터 업데이트 네트워크를 이용하여, 화질 파라미터들의 업데이트 방향을 결정할 수 있다. 파라미터 업데이트 네트워크는 화질 처리된 영상을 입력 받아, 영상에 적용된 화질 파라미터의 업데이트 방향을 출력하는 네트워크일 수 있다. 일 실시예에 따른 파라미터 업데이트 네트워크에 대해서는 도 7 및 도 8을 참조하여 자세히 설명하였으므로, 구체적인 설명은 생략하기로 한다.
예를 들어, 제1 화질 파라미터 및 제2 화질 파라미터가 적용된 화질 처리 영상을 파라미터 업데이트 네트워크에 입력하면, 제1 화질 파라미터를 증가시켜야 할지 또는 감소시켜야 할지, 제2 화질 파라미터를 증가시켜야 할지 또는 감소시켜야 할지에 대한 업데이트 방향이 출력될 수 있다.
화질 파라미터들의 업데이트 방향이 획득되면, 영상 처리 장치(100)는 업데이트 방향으로 기 설정된 값을 증가시키거나 감소시켜, 화질 파라미터들을 업데이트할 수 있다.
영상 처리 장치(100)는 업데이트된 화질 파라미터들을 영상의 전송 특성 별로 저장할 수 있다. 예를 들어, 영상 처리 장치(100)는 제1 전송 특성에 대응하는 제1 로우 데이터 테이블, 제2 전송 특성에 대응하는 제2 로우 데이터 테이블, 제N 전송 특성에 대응하는 제N 로우 데이터 테이블을 포함할 수 있다.
영상 처리 장치(100)는 영상의 전송 특징에 기초하여, 영상 특징 및 업데이트된 화질 파라미터를 포함하는 로우 데이터를 로우 데이터 테이블에 저장할 수 있다(S1080). 예를 들어, 업데이트된 화질 파라미터가 제1 전송 특성을 가지는 제1 영상에 대한 화질 파라미터인 경우, 업데이트된 화질 파라미터와 제1 영상의 영상 특징을 포함하는 로우 데이터를 제1 로우 데이터 테이블에 저장할 수 있다. 또는 업데이트된 화질 파라미터가 제N 전송 특성을 가지는 제2 영상에 대한 파라미터인 경우, 업데이트된 화질 파라미터와 제2 영상의 영상 특징을 포함하는 로우 데이터를 제N 로우 데이터 테이블에 저장할 수 있다.
영상 처리 장치(100)는 로우 데이터 테이블에 저장된 로우 데이터가 기 설정된 개수인지를 판단하고(S1090), 로우 데이터가 기 설정된 개수인 경우, 클러스터링을 수행할 수 있다(S1095).
예를 들어, 영상 처리 장치(100)는 제1 로우 데이터 테이블에 N개의 로우 데이터가 저장되면, 클러스터링을 수행하여, K개의 클러스터들을 포함하는 제1 클러스터 테이블을 생성하거나 업데이트할 수 있다.
영상 처리 장치(100)는 N개의 로우 데이터에 포함되는 N개의 영상 특징을 기 설정된 기준에 따라 K개의 그룹으로 분류하고, 동일한 그룹에 포함되는 영상 특징들에 기초하여, 대표 영상 특징을 결정할 수 있다. 또한, 동일한 그룹에 포함되는 업데이트 파라미터들에 기초하여, 대표 화질 파라미터를 결정할 수 있다. K개의 그룹들 각각은 하나의 클러스터에 해당하며, 제1 클러스터 테이블은 K개의 클러스터들을 포함할 수 있다. 또한, 하나의 클러스터는 대표 영상 특징과 대표 화질 파라미터를 포함할 수 있다.
제1 로우 데이터 테이블에 대한 클러스터링이 완료되어, 제1 클러스터 테이블이 생성되면, 제1 로우 데이터 테이블에 저장되어 있던 N개의 로우 데이터들을 삭제할 수 있다.
영상 처리 장치(100)는 동일한 방식으로 제2 내지 제N 전송 특성들 각각에 대응하는 로우 데이터 테이블에 대한 클러스터링을 수행하여, 제2 내지 제N 클러스터 테이블을 생성하거나 업데이트할 수 있다.
도 11은 일 실시예에 따른 영상 처리 장치가 외부 서버와 클러스터 정보를 송수신하는 동작을 나타내는 도면이다.
도 11을 참조하면, 일 실시예에 따른 영상 처리 장치는 외부 서버(1100)로 클러스터 정보를 전송할 수 있다(1110). 예를 들어, 영상 처리 장치(100)는 업데이트 파라미터들에 기초하여, 클러스터링을 수행하고, 클러스터 정보를 획득하면, 클러스터 정보를 외부 서버(1100)로 전송(업로드)할 수 있다. 또한, 영상 처리 장치(100)는 주기적으로 또는 클러스터 정보가 업데이트되면, 업데이트된 클러스터 정보를 외부 서버(1100)로 전송할 수 있다.
일 실시예에 따른 외부 서버(1100)는 적어도 하나의 통신 네트워크를 이용하여, 복수의 영상 처리 장치들과 클러스터 정보를 송수신할 수 있다. 외부 서버(1100)는 복수의 영상 처리 장치들로부터 수신한 클러스터 정보를 데이터 베이스로 저장하고, 관리할 수 있다.
또한, 외부 서버(1100)는 복수의 영상 처리 장치들로부터 수신한 클러스터 정보에 기초하여, 데이터 베이스에 저장된 기존의 클러스터 정보를 업데이트할 수 있다.
또한, 영상 처리 장치(100)는 외부 서버(1100)로부터 클러스터 정보를 수신(다운로드)할 수 있다(1120). 일 실시예에 따른 영상 처리 장치(100)에 저장되어 있지 않은 클러스터 정보가 외부 서버(1100)에 저장되어 있는 경우, 영상 처리 장치(100)는 클러스터 정보를 요청하고, 외부 서버(1100)는 요청된 클러스터 정보를 영상 처리 장치(100)로 전송할 수 있다.
예를 들어, 도 11에 도시된 바와 같이, 제1 내지 제3 전송 특성들 각각에 대응하는 제1 내지 제3 클러스터 테이블들만 영상 처리 장치(100)에 저장된 상태에서, 영상 처리 장치(100)에 제4 전송 특성을 가지는 영상이 입력될 수 있다. 이때, 영상 처리 장치(100)는 외부 서버(1100)로 제4 전송 특성에 대응하는 클러스터 정보를 요청할 수 있다.
이에 대응하여, 외부 서버(1100)는 데이터 베이스에서 제4 전송 특성에 대응하는 클러스터 정보(예를 들어, 제4 클러스터 테이블)를 검색하여, 제4 클러스터 테이블을 영상 처리 장치(100)로 전송할 수 있다.
영상 처리 장치(100)는 외부 서버(1100)로부터 수신한 제4 클러스터 테이블에 기초하여, 제4 전송 특성을 가지는 영상의 화질 파라미터를 결정하고, 결정된 화질 파라미터를 이용하여, 화질 처리를 수행할 수 있다.
이에 따라, 일 실시예에 따른 영상 처리 장치(100)는 시청 이력이 없는 영상에 대해서도 최적화된 화질 파라미터를 이용하여, 화질 처리를 수행할 수 있다. 또한, 영상 처리 장치(100)는 모든 클러스터 정보를 저장할 필요 없이, 필요한 클러스터 정보를 외부 서버로부터 다운로드하여 이용함으로써, 영상 처리 장치의 하드웨어 리소스 제약의 문제점을 해결할 수 있다.
도 12는 일 실시예에 따른 영상 처리 장치의 구성을 나타내는 블록도이다.
도 12를 참조하면, 일 실시예에 따른 영상 처리 장치(100)는 영상 수신부(110), 프로세서(120), 메모리(130), 및 디스플레이(140)를 포함할 수 있다.
일 실시예에 따른 영상 수신부(110)는 통신 인터페이스, 입출력 인터페이스 등을 포함할 수 있다. 예를 들어, 통신 인터페이스는 외부 장치 또는 서버와 데이터 또는 신호를 송수신할 수 있다. 예를 들어, 통신 인터페이스는 와이- 파이(Wi-Fi) 모듈, 블루투스 모듈, 적외선 통신 모듈 및 무선 통신 모듈, LAN 모듈, 이더넷(Ethernet) 모듈, 유선 통신 모듈 등을 포함할 수 있다. 이때, 각 통신 모듈은 적어도 하나의 하드웨어 칩 형태로 구현될 수 있다.
와이 파이 모듈, 블루투스 모듈은 각각 Wi-Fi 방식, 블루투스 방식으로 통신을 수행한다. 와이 파이 모듈이나 블루투스 모듈을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하고, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신 모듈은 지그비(zigbee), 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), LTE-A(LTE Advanced), 4G(4th Generation), 5G(5th Generation) 등과 같은 다양한 무선 통신 규격에 따라 통신을 수행하는 적어도 하나의 통신 칩을 포함할 수 있다.
또는, 입출력 인터페이스는, 디스플레이 장치(100)의 외부에서부터 비디오(예를 들어, 동영상 등), 오디오(예를 들어, 음성, 음악 등) 및 부가 정보(예를 들어, EPG 등) 등을 수신한다. 입출력 인터페이스는 HDMI (High-Definition Multimedia Interface), MHL(Mobile High-Definition Link), USB(Universal Serial Bus), DP(Display Port), 썬더볼트(Thunderbolt), VGA(Video Graphics Array) 포트, RGB 포트, D-SUB(D-subminiature), DVI(Digital Visual Interface), 컴포넌트 잭(component jack), PC 포트(PC port) 중 어느 하나를 포함할 수 있다.
일 실시예에 따른 영상 수신부(110)는 하나 이상의 영상들을 수신할 수 있다. 이때, 영상 수신부(110)는 영상에 대한 전송 특성(예를 들어, 입력 해상도, 비트 레이트, 영상 소스에 대한 정보 등)을 함께 수신할 수 있다.
일 실시예에 따른 프로세서(120)는 영상 처리 장치(100)의 전반적인 동작 및 영상 처리 장치(100)의 내구 구성 요소들 사이의 신호 흐름을 제어하고, 데이터를 처리하는 기능을 수행한다.
프로세서(120)는 싱글 코어, 듀얼 코어, 트리플 코어, 쿼드 코어 및 그 배수의 코어를 포함할 수 있다. 또한, 프로세서(120)는 복수의 프로세서를 포함할 수 있다. 예를 들어, 프로세서(120)는 메인 프로세서(main processor, 도시되지 아니함) 및 슬립 모드(sleep mode)에서 동작하는 서브 프로세서(sub processor, 도시되지 아니함)로 구현될 수 있다.
또한, 프로세서(120)는 CPU(Cetral Processing Unit), GPU (Graphic Processing Unit) 및 VPU(Video Processing Unit) 중 적어도 하나를 포함할 수 있다. 또는, 실시예에 따라, CPU, GPU 및 VPU 중 적어도 하나를 통합한 SoC(System On Chip) 형태로 구현될 수 있다.
일 실시예에 따른 메모리(130)는 디스플레이 장치(100)를 구동하고 제어하기 위한 다양한 데이터, 프로그램 또는 어플리케이션을 저장할 수 있다.
또한, 메모리(130)에 저장되는 프로그램은 하나 이상의 인스트럭션들을 포함할 수 있다. 메모리(130)에 저장된 프로그램(하나 이상의 인스트럭션들) 또는 어플리케이션은 프로세서(120)에 의해 실행될 수 있다.
일 실시예에 따른 프로세서(120)는 도 3의 화질 처리부(310), 파라미터 계산부(320), 파라미터 결정부(330) 및 파라미터 업데이트부(340) 중 적어도 하나를 포함할 수 있다.
일 실시예에 따른 프로세서(120)는 수신한 영상에 대한 영상 특징 및 초기 파라미터 셋을 획득할 수 있다. 프로세서(120)는 파라미터 뉴럴 네트워크를 이용하여, 영상에 대한 영상 특징 및 초기 파라미터 셋을 획득할 수 있다. 프로세서(120)는 기 저장된 클러스터 정보가 존재하는 지를 확인하여, 클러스터 정보가 존재하지 않는 경우, 초기 파라미터 셋을 이용하여, 화질 처리를 수행할 수 있다. 이때, 화질 처리는 영상의 노이즈 제거 처리, 영상의 디테일 개선 처리 등을 포함할 수 있다.
반면에 클러스터 정보가 존재하는 경우, 프로세서(120)는 영상의 전송 특성 및 영상 특징에 기초하여, 영상에 대응하는 클러스터를 검색할 수 있다. 예를 들어, 프로세서(120)는 전송 특성에 따라 클러스터 정보에서 클러스터 테이블을 선택할 수 있다. 클러스터 테이블은 복수의 클러스터들을 포함하고, 복수의 클러스터들 각각은 대표 영상 특징과 대표 화질 파라미터를 포함할 수 있다. 프로세서(120)는 복수의 클러스터들 중 영상 특징과 가장 유사한 대표 영상 특징을 포함하는 클러스터를 선택하고, 선택된 클러스터에 포함된 대표 화질 파라미터를 이용하여, 화질 처리를 수행할 수 있다.
프로세서(120)는 화질 처리가 수행된 영상에 기초하여, 업데이트 파라미터를 획득할 수 있다. 예를 들어, 프로세서(110)는 파라미터 업데이트 네트워크를 이용하여, 화질 파라미터들의 업데이트 방향을 결정할 수 있다.
프로세서(120)는 화질 파라미터들의 업데이트 방향이 획득되면, 업데이트 방향으로 기 설정된 값을 증가시키거나 감소시켜, 화질 파라미터들을 업데이트할 수 있다. 프로세서(120)는 업데이트된 화질 파라미터들을 영상의 전송 특성 별로 저장할 수 있다. 프로세서(120)는 업데이트된 화질 파라미터를 이용하여, 클러스터링을 수행할 수 있다. 예를 들어, 프로세서(120)는 업데이트된 화질 파라미터가 기 설정된 개수만큼 저장되면, 클러스터링을 수행하여, 클러스터 정보를 생성하거나 업데이트할 수 있다.
프로세서(120)는 업데이트된 클러스터 정보에 포함된 화질 파라미터를 이용하여, 영상의 화질 처리를 수행함으로써, 영상의 화질이 개선될 수 있다.
일 실시예에 따른 디스플레이(140)는, 프로세서(120)에서 처리된 영상 신호, 데이터 신호, OSD 신호, 제어 신호 등을 변환하여 구동 신호를 생성한다. 디스플레이(130)는 PDP, LCD, OLED, 플렉시블 디스플레이(flexible display)등으로 구현될 수 있으며, 또한, 3차원 디스플레이(3D display)로 구현될 수 있다. 또한, 디스플레이(140)는, 터치 스크린으로 구성되어 출력 장치 이외에 입력 장치로 사용되는 것도 가능하다.
일 실시예에 따른 디스플레이(140)는 화질 파라미터를 이용하여 화질 처리가 수행된 영상을 표시할 수 있다.
도 13은 다른 실시예에 따른 영상 처리 장치의 구성을 나타내는 블록도이다.
도 13을 참조하면, 도 13의 영상 처리 장치(1300)는 도 1 내지 도 12를 참조하여 설명한 영상 처리 장치(100)의 일 실시예일 수 있다.
도 13을 참조하면, 일 실시예에 따른 영상 처리 장치(1300)는, 튜너부(1340), 프로세서(1310), 디스플레이부(1320), 통신부(1350), 감지부(1330), 입/출력부(1370), 비디오 처리부(1380), 오디오 처리부(1385), 오디오 출력부(1360), 메모리(1390), 전원부(1395)를 포함할 수 있다.
도 13의 통신부(1350)는 도 12의 영상 수신부(110)에 포함되는 통신 인터페이스에 대응하는 구성이고, 도 13의 입/출력부(1370)는 도 12의 영상 수신부(110)에 포함되는 입출력 인터페이스에 대응하는 구성이며, 도 13의 프로세서(1310)는, 도 12의 프로세서(120)에 도 13의 메모리(1390)는 도 12의 메모리(130)에, 도 13의 디스플레이부(1320)는 도 12의 디스플레이(140)에, 대응하는 구성이다. 따라서, 앞에서 설명한 내용과 동일한 내용은 생략하기로 한다.
일 실시예에 따른 튜너부(1340)는 유선 또는 무선으로 수신되는 방송 신호를 증폭(amplification), 혼합(mixing), 공진(resonance)등을 통하여 많은 전파 성분 중에서 방송 수신 장치(100)에서 수신하고자 하는 채널의 주파수만을 튜닝(tuning)시켜 선택할 수 있다. 방송 신호는 오디오(audio), 비디오(video) 및 부가 정보(예를 들어, EPG(Electronic Program Guide))를 포함한다.
튜너부(1340)는 지상파 방송, 케이블 방송, 위성 방송, 인터넷 방송 등과 같이 다양한 소스로부터 방송 신호를 수신할 수 있다. 튜너부(1840)는 아날로그 방송 또는 디지털 방송 등과 같은 소스로부터 방송 신호를 수신할 수도 있다.
감지부(1330)는 사용자의 음성, 사용자의 영상 또는 사용자의 인터랙션을 감지하며, 마이크(1331), 카메라부(1332) 및 광 수신부(1333)를 포함할 수 있다.
마이크(1331)는 사용자의 발화(utterance)된 음성을 수신한다. 마이크(1331)는 수신된 음성을 전기 신호로 변환하여 프로세서(1310)로 출력할 수 있다. 사용자 음성은 예를 들어, 영상 처리 장치(1300)의 메뉴 또는 기능에 대응되는 음성을 포함할 수 있다.
카메라부(1332)는 카메라 인식 범위에서 제스처를 포함하는 사용자의 모션에 대응되는 영상(예를 들어, 연속되는 프레임)을 수신할 수 있다. 프로세서(1310)는 수신된 모션의 인식 결과를 이용하여 영상 처리 장치(1300)에 표시되는 메뉴를 선택하거나 모션 인식 결과에 대응되는 제어를 할 수 있다.
광 수신부(1333)는 외부의 제어 장치에서부터 수신되는 광 신호(제어 신호를 포함)를 디스플레이부(1320)의 베젤의 광창(도시되지 아니함) 등을 통해 수신한다. 광 수신부(1333)는 제어 장치로부터 사용자 입력(예를 들어, 터치, 눌림, 터치 제스처, 음성, 또는 모션)에 대응되는 광 신호를 수신할 수 있다. 수신된 광 신호로부터 프로세서(1310)의 제어에 의해 제어 신호가 추출될 수 있다.
프로세서(1310)는 영상 처리 장치(1300)의 전반적인 동작 및 영상 처리 장치(1300)의 내부 구성 요소들 사이의 신호 흐름을 제어하고, 데이터를 처리하는 기능을 수행한다. 프로세서(1310)는 사용자의 입력이 있거나 기 설정되어 저장된 조건을 만족하는 경우, 메모리(1390)에 저장된 OS(Operation System) 및 다양한 애플리케이션을 실행할 수 있다.
프로세서(1310)는 영상 처리 장치(1300)의 외부에서부터 입력되는 신호 또는 데이터를 저장하거나, 영상 처리 장치(1300)에서 수행되는 다양한 작업에 대응되는 저장 영역으로 사용되는 램(RAM), 영상 처리 장치(1300)의 제어를 위한 제어 프로그램이 저장된 롬(ROM) 및 프로세서(Processor)를 포함할 수 있다.
비디오 처리부(1380)는, 영상 처리 장치(1300)가 수신한 비디오 데이터에 대한 처리를 수행한다. 비디오 처리부(1380)에서는 비디오 데이터에 대한 디코딩, 스케일링, 노이즈 필터링, 프레임 레이트 변환, 해상도 변환 등과 같은 다양한 이미지 처리를 수행할 수 있다.
오디오 처리부(1385)는 오디오 데이터에 대한 처리를 수행한다. 오디오 처리부(1385)에서는 오디오 데이터에 대한 디코딩이나 증폭, 노이즈 필터링 등과 같은 다양한 처리가 수행될 수 있다. 한편, 오디오 처리부(1385)는 복수의 컨텐츠에 대응되는 오디오를 처리하기 위해 복수의 오디오 처리 모듈을 구비할 수 있다.
오디오 출력부(1360)는 프로세서(1310)의 제어에 의해 튜너부(1340)를 통해 수신된 방송 신호에 포함된 오디오를 출력한다. 오디오 출력부(1360)는 통신부(1350) 또는 입/출력부(1370)를 통해 입력되는 오디오(예를 들어, 음성, 사운드)를 출력할 수 있다. 또한, 오디오 출력부(1360)는 프로세서(1310)의 제어에 의해 메모리(1390)에 저장된 오디오를 출력할 수 있다. 오디오 출력부(1360)는 스피커, 헤드폰 출력 단자 또는 S/PDIF(Sony/Philips Digital Interface: 출력 단자 중 적어도 하나를 포함할 수 있다.
전원부(1395)는 프로세서(1310)의 제어에 의해 영상 처리 장치(1300) 내부의 구성 요소들로 외부의 전원 소스에서부터 입력되는 전원을 공급한다. 또한, 전원부(1395)는 프로세서(1810)의 제어에 의해 영상 처리 장치(1300) 내부에 위치하는 하나 또는 둘 이상의 배터리(도시되지 아니함)에서부터 출력되는 전원을 내부의 구성 요소들에게 공급할 수 있다.
메모리(1390)는 프로세서(1310)의 제어에 의해 영상 처리 장치(1300)를 구동하고 제어하기 위한 다양한 데이터, 프로그램 또는 어플리케이션을 저장할 수 있다. 메모리(1390)는 도시되지 아니한 방송 수신 모듈, 채널 제어 모듈, 볼륨 제어 모듈, 통신 제어 모듈, 음성 인식 모듈, 모션 인식 모듈, 광 수신 모듈, 디스플레이 제어 모듈, 오디오 제어 모듈, 외부 입력 제어 모듈, 전원 제어 모듈, 무선(예를 들어, 블루투스)으로 연결되는 외부 장치의 전원 제어 모듈, 음성 데이터베이스(DB), 또는 모션 데이터베이스(DB)를 포함할 수 있다. 메모리(1390)의 도시되지 아니한 모듈들 및 데이터 베이스는 영상 처리 장치(1300)에서 방송 수신의 제어 기능, 채널 제어 기능, 볼륨 제어 기능, 통신 제어 기능, 음성 인식 기능, 모션 인식 기능, 광 수신 제어 기능, 디스플레이 제어 기능, 오디오 제어 기능, 외부 입력 제어 기능, 전원 제어 기능 또는 무선(예를 들어, 블루투스)으로 연결되는 외부 장치의 전원 제어 기능을 수행하기 위하여 소프트웨어 형태로 구현될 수 있다. 프로세서(1810)는 메모리(1890)에 저장된 이들 소프트웨어를 이용하여 각각의 기능을 수행할 수 있다.
한편, 도 12 및 도 13에 도시된 영상 처리 장치(100, 1300)의 블록도는 일 실시예를 위한 블록도이다. 블록도의 각 구성요소는 실제 구현되는 영상 처리 장치(100, 1300)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 실시예들을 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.
일 실시예에 따른 영상 처리 장치의 동작방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
또한, 개시된 실시예들에 따른 영상 처리 장치의 동작방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.
컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 전자 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 SW 프로그램을 임시적으로 저장하는 중계 서버의 저장매체가 될 수 있다.
컴퓨터 프로그램 제품은, 서버 및 클라이언트 장치로 구성되는 시스템에서, 서버의 저장매체 또는 클라이언트 장치의 저장매체를 포함할 수 있다. 또는, 서버 또는 클라이언트 장치와 통신 연결되는 제3 장치(예, 스마트폰)가 존재하는 경우, 컴퓨터 프로그램 제품은 제3 장치의 저장매체를 포함할 수 있다. 또는, 컴퓨터 프로그램 제품은 서버로부터 클라이언트 장치 또는 제3 장치로 전송되거나, 제3 장치로부터 클라이언트 장치로 전송되는 S/W 프로그램 자체를 포함할 수 있다.
이 경우, 서버, 클라이언트 장치 및 제3 장치 중 하나가 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수 있다. 또는, 서버, 클라이언트 장치 및 제3 장치 중 둘 이상이 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 분산하여 실시할 수 있다.
예를 들면, 서버(예로, 클라우드 서버 또는 인공 지능 서버 등)가 서버에 저장된 컴퓨터 프로그램 제품을 실행하여, 서버와 통신 연결된 클라이언트 장치가 개시된 실시예들에 따른 방법을 수행하도록 제어할 수 있다.
이상에서 실시예들에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.

Claims (21)

  1. 영상 처리 장치에 있어서,
    하나 이상의 인스트럭션들을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고,
    상기 프로세서는,
    제1 영상으로부터 제1 영상 특징을 추출하고,
    상기 제1 영상의 전송 특성 및 상기 제1 영상 특징에 기초하여, 대표 영상 특징 및 대표 화질 파라미터를 포함하고, 상기 영상 처리 장치에 저장된 복수의 클러스터들 중 상기 제1 영상에 대응하는 제1 클러스터를 검색하고,
    상기 검색된 제1 클러스터의 제1 대표 화질 파라미터에 기초하여, 상기 제1 영상의 화질 처리를 수행하고,
    상기 화질 처리된 제1 영상에 기초하여, 상기 제1 대표 화질 파라미터를 업데이트한 제1 업데이트 파라미터를 획득하고,
    상기 제1 업데이트 파라미터에 기초하여, 상기 복수의 클러스터들을 업데이트 하는, 영상 처리 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    복수의 영상들 각각에 대응하는 영상 특징 및 초기 파라미터를 획득하고,
    획득된 초기 파라미터에 기초하여, 상기 복수의 영상들 각각의 화질 처리를 수행하며, 상기 화질 처리된 영상에 기초하여, 상기 초기 파라미터를 업데이트한 업데이트 파라미터를 획득하고,
    상기 복수의 영상들 각각의 전송 특성, 영상 특징 및 업데이트 파라미터를 이용하여, 상기 복수의 클러스터들을 생성하는, 영상 처리 장치.
  3. 제2항에 있어서,
    상기 프로세서는,
    파라미터 뉴럴 네트워크를 이용하여, 상기 복수의 영상들 각각에 대응하는 영상 특징 및 초기 파라미터를 획득하는, 영상 처리 장치.
  4. 제2항에 있어서,
    상기 프로세서는,
    상기 화질 처리된 영상에 기초하여, 상기 초기 파라미터의 업데이트 방향을 결정하고,
    상기 업데이트 방향으로 기 설정된 값을 적용하여, 상기 초기 파라미터를 업데이트하여, 상기 업데이트 파라미터를 획득하는, 영상 처리 장치.
  5. 제4항에 있어서,
    상기 프로세서는,
    파라미터 업데이트 뉴럴 네트워크를 이용하여, 상기 화질 처리된 영상에 적용된 상기 초기 파라미터의 값을 증가시킬지 감소시킬지를 나타내는 상기 업데이트 방향을 결정하는, 영상 처리 장치.
  6. 제2항에 있어서,
    상기 프로세서는
    상기 복수의 영상들 각각의 전송 특성에 기초하여, 상기 복수의 영상들 각각의 영상 특징 및 업데이트 파라미터를 포함하는 로우 데이터들을 그룹핑하고,
    동일한 그룹으로 그룹핑된 로우 데이터들을 K개의 클러스터들로 클러스터링하고,
    동일한 클러스터에 포함되는 로우 데이터들에 기초하여, 상기 클러스터들 각각에 대한 상기 대표 영상 특징 및 상기 대표 화질 파라미터를 결정하는, 영상 처리 장치.
  7. 제6항에 있어서,
    상기 프로세서는,
    상기 동일한 그룹으로 그룹핑된 로우 데이터들의 개수가 기 설정된 개수 이상인 경우, 상기 클러스터링을 수행하는, 영상 처리 장치.
  8. 제1항에 있어서,
    상기 영상 처리 장치는,
    통신부를 더 포함하고,
    상기 프로세서는,
    상기 복수의 클러스터들을 포함하는 클러스터 정보를 외부 서버로부터 수신하도록 상기 통신부를 제어하는, 영상 처리 장치.
  9. 제8항에 있어서,
    상기 프로세서는,
    상기 제1 영상의 전송 특성을 상기 외부 서버로 전송하고, 상기 외부 서버로부터 상기 제1 영상의 전송 특성에 대응하는 클러스터 정보를 수신하도록 상기 통신부를 제어하는, 영상 처리 장치.
  10. 제1항에 있어서,
    상기 프로세서는,
    상기 복수의 클러스터들을 포함하는 클러스터 정보를 외부 서버로 전송하도록 상기 통신부를 제어하는, 영상 처리 장치.
  11. 영상 처리 장치의 동작방법에 있어서,
    제1 영상으로부터 제1 영상 특징을 추출하는 단계;
    상기 제1 영상의 전송 특성 및 상기 제1 영상 특징에 기초하여, 대표 영상 특징 및 대표 화질 파라미터를 포함하고, 상기 영상 처리 장치에 저장된 복수의 클러스터들 중 상기 제1 영상에 대응하는 제1 클러스터를 검색하는 단계;
    상기 검색된 제1 클러스터의 제1 대표 화질 파라미터에 기초하여, 상기 제1 영상의 화질 처리를 수행하는 단계;
    상기 화질 처리된 제1 영상에 기초하여, 상기 제1 대표 화질 파라미터를 업데이트한 제1 업데이트 파라미터를 획득하는 단계; 및
    상기 제1 업데이트 파라미터에 기초하여, 상기 복수의 클러스터들을 업데이트 하는 단계를 포함하는 영상 처리 장치의 동작방법.
  12. 제11항에 있어서,
    상기 동작방법은,
    복수의 영상들 각각에 대응하는 영상 특징 및 초기 파라미터를 획득하는 단계;
    획득된 초기 파라미터에 기초하여, 상기 복수의 영상들 각각의 화질 처리를 수행하는 단계;
    상기 화질 처리된 영상에 기초하여, 상기 초기 파라미터을 업데이트한 업데이트 파라미터를 획득하는 단계; 및
    상기 복수의 영상들 각각의 전송 특성, 영상 특징 및 업데이트 파라미터를 이용하여, 상기 복수의 클러스터들을 생성하는 단계를 더 포함하는, 영상 처리 장치의 동작방법.
  13. 제12항에 있어서,
    상기 복수의 영상들 각각에 대응하는 영상 특징 및 초기 파라미터를 획득하는 단계는,
    파라미터 뉴럴 네트워크를 이용하여, 상기 복수의 영상들 각각에 대응하는 영상 특징 및 초기 파라미터를 획득하는 단계를 포함하는, 영상 처리 장치의 동작방법.
  14. 제12항에 있어서,
    상기 화질 처리된 영상들에 기초하여, 상기 초기 파라미터를 업데이트한 업데이트 파라미터를 획득하는 단계는,
    상기 화질 처리된 영상에 기초하여, 상기 초기 파라미터의 업데이트 방향을 결정하는 단계; 및
    상기 업데이트 방향으로 기 설정된 값을 적용하여, 상기 초기 파라미터를 업데이트하여, 상기 업데이트 파라미터를 획득하는 단계를 포함하는, 영상 처리 장치의 동작방법.
  15. 제14항에 있어서,
    상기 초기 파라미터의 업데이트 방향을 결정하는 단계는,
    파라미터 업데이트 뉴럴 네트워크를 이용하여, 상기 화질 처리된 영상들에 적용된 상기 초기 파라미터의 값을 증가시킬지 감소시킬지를 나타내는 상기 업데이트 방향을 결정하는 단계를 포함하는, 영상 처리 장치의 동작방법.
  16. 제12항에 있어서,
    상기 복수의 클러스터들을 생성하는 단계는,
    상기 복수의 영상들 각각의 전송 특성에 기초하여, 상기 복수의 영상들 각각의 영상 특징 및 업데이트 파라미터를 포함하는 로우 데이터들을 그룹핑하는 단계;
    동일한 그룹으로 그룹핑된 로우 데이터들을 K개의 클러스터들로 클러스터링하는 단계; 및
    동일한 클러스터에 포함되는 로우 데이터들에 기초하여, 상기 클러스터들 각각에 대한 상기 대표 영상 특징 및 상기 대표 화질 파라미터를 결정하는 단계를 포함하는, 영상 처리 장치의 동작방법.
  17. 제16항에 있어서,
    상기 클러스터링하는 단계는,
    상기 동일한 그룹으로 그룹핑된 로우 데이터들의 개수가 기 설정된 개수 이상인 경우, 상기 클러스터링하는 단계를 포함하는, 영상 처리 장치의 동작방법.
  18. 제11항에 있어서,
    상기 동작방법은,
    상기 복수의 클러스터들을 포함하는 클러스터 정보를 외부 서버로부터 수신하는 단계를 더 포함하는, 영상 처리 장치의 동작방법.
  19. 제18항에 있어서,
    상기 동작방법은,
    상기 제1 영상의 전송 특성을 상기 외부 서버로 전송하는 단계를 더 포함하고,
    상기 외부 서버로부터 상기 클러스터 정보를 수신하는 단계는,
    상기 제1 영상의 전송 특성에 대응하는 클러스터 정보를 수신하는 단계를 포함하는, 영상 처리 장치의 동작방법.
  20. 제11항에 있어서,
    상기 동작방법은,
    상기 복수의 클러스터들을 포함하는 클러스터 정보를 외부 서버로 전송하는 단계를 더 포함하는, 영상 처리 장치의 동작방법.
  21. 제11항의 방법을 수행하도록 하는 프로그램이 저장된 하나 이상의 컴퓨터로 읽을 수 있는 기록매체.
KR1020210011803A 2021-01-27 2021-01-27 영상 처리 장치 및 그 동작방법 KR20220108610A (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020210011803A KR20220108610A (ko) 2021-01-27 2021-01-27 영상 처리 장치 및 그 동작방법
EP21923404.4A EP4184425A4 (en) 2021-01-27 2021-11-29 IMAGE PROCESSING APPARATUS AND ITS OPERATING METHOD
PCT/KR2021/017759 WO2022163995A1 (ko) 2021-01-27 2021-11-29 영상 처리 장치 및 그 동작방법
CN202180091217.6A CN116783614A (zh) 2021-01-27 2021-11-29 图像处理装置及其操作方法
US17/573,010 US20220245767A1 (en) 2021-01-27 2022-01-11 Image processing apparatus and operation method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210011803A KR20220108610A (ko) 2021-01-27 2021-01-27 영상 처리 장치 및 그 동작방법

Publications (1)

Publication Number Publication Date
KR20220108610A true KR20220108610A (ko) 2022-08-03

Family

ID=82654771

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210011803A KR20220108610A (ko) 2021-01-27 2021-01-27 영상 처리 장치 및 그 동작방법

Country Status (2)

Country Link
KR (1) KR20220108610A (ko)
WO (1) WO2022163995A1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102444054B1 (ko) * 2017-09-14 2022-09-19 삼성전자주식회사 영상 처리 장치, 영상 처리 방법 및 컴퓨터 판독가능 기록 매체
KR102033078B1 (ko) * 2017-10-30 2019-10-16 에스케이텔레콤 주식회사 화질 측정 기반 영상 처리방법 및 그 장치
KR102255363B1 (ko) * 2018-09-03 2021-05-26 주식회사 카카오 영상 컨텐츠를 처리하는 장치, 방법, 및 컴퓨터 프로그램
KR102627646B1 (ko) * 2018-10-23 2024-01-19 엘지전자 주식회사 신호 처리 장치 및 이를 구비하는 영상표시장치
KR102212442B1 (ko) * 2018-12-13 2021-02-04 주식회사 픽스트리 기계 학습 기반으로 파라미터를 학습하는 영상 처리 장치 및 동작 방법

Also Published As

Publication number Publication date
WO2022163995A1 (ko) 2022-08-04

Similar Documents

Publication Publication Date Title
US11132775B2 (en) Image processing apparatus and method of operating the same
CN113016189B (zh) 识别音频场景的电子设备和方法
EP3961553A1 (en) Electronic apparatus and control method thereof
KR20190137506A (ko) 영상 표시 장치 및 그 동작방법
US11303958B2 (en) Display device and image display method of the same
US11996024B2 (en) Display device and operating method thereof
US11627383B2 (en) Electronic device and operation method thereof
KR20220108610A (ko) 영상 처리 장치 및 그 동작방법
EP4184425A1 (en) Image processing apparatus and operating method thereof
US11699289B2 (en) Display device for generating multimedia content, and operation method of the display device
KR20230143066A (ko) 디스플레이 장치 및 그 동작 방법
KR20230032704A (ko) 디스플레이 장치 및 그 동작방법
KR20240026566A (ko) 디스플레이 장치 및 그 동작 방법
US20240061637A1 (en) Display device and operation method thereof
US20230114954A1 (en) Display device and operating method of the same
KR20230050127A (ko) 디스플레이 장치 및 그 동작방법
EP4362453A1 (en) Display device and operation method thereof
KR20220111164A (ko) 디스플레이 장치 및 그 동작방법
KR20230059029A (ko) 전자 장치 및 그 동작 방법
EP4246960A1 (en) Display device and operating method therefor
US20230226431A1 (en) Display apparatus and operating method of the same
KR20230022056A (ko) 디스플레이 장치 및 그 동작 방법
KR20230110032A (ko) 디스플레이 장치 및 그 동작 방법
KR20240078140A (ko) 컴퓨팅 디바이스 및 그 동작 방법
KR20240045045A (ko) 디스플레이 장치 및 그 동작 방법

Legal Events

Date Code Title Description
A201 Request for examination