KR20240041000A - 어레이 영상 처리 방법 및 장치 - Google Patents

어레이 영상 처리 방법 및 장치 Download PDF

Info

Publication number
KR20240041000A
KR20240041000A KR1020220120004A KR20220120004A KR20240041000A KR 20240041000 A KR20240041000 A KR 20240041000A KR 1020220120004 A KR1020220120004 A KR 1020220120004A KR 20220120004 A KR20220120004 A KR 20220120004A KR 20240041000 A KR20240041000 A KR 20240041000A
Authority
KR
South Korea
Prior art keywords
pixel
images
image
sub
pixels
Prior art date
Application number
KR1020220120004A
Other languages
English (en)
Inventor
허진구
강병민
남동경
조양호
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 KR1020220120004A priority Critical patent/KR20240041000A/ko
Priority to CN202310922053.8A priority patent/CN117764820A/zh
Priority to US18/236,635 priority patent/US20240112440A1/en
Priority to EP23196232.5A priority patent/EP4343678A1/en
Publication of KR20240041000A publication Critical patent/KR20240041000A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06T3/4015—Image demosaicing, e.g. colour filter arrays [CFA] or Bayer patterns
    • 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
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • 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
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/95—Computational photography systems, e.g. light-field imaging systems
    • H04N23/951—Computational photography systems, e.g. light-field imaging systems by using two or more images to influence resolution, frame rate or aspect ratio
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)

Abstract

어레이 영상 처리 방법 및 장치가 제공된다. 그 방법은 어레이 렌즈를 통해 생성된 입력 어레이 영상의 서로 다른 뷰에 대응하는 서브 영상들을 수신하고, 서브 영상들 각각의 이웃 픽셀들 간의 그래디언트를 이용하여 서브 영상들에 따른 임시 복원 영상들을 생성하고, 뉴럴 네트워크 모델을 이용하여 서브 영상들의 픽셀들의 서브 영상들 간의 뷰 차이에 따른 매칭 정보를 포함하는 옵티컬 플로우를 결정하고, 매칭 정보에 따른 서브 영상들의 픽셀들의 매칭 쌍들의 픽셀 거리에 기초하여 매칭 쌍들 중 개선 대상들을 추출하고, 개선 대상들의 픽셀 위치에 따른 지역의 지역 탐색에 기초하여 개선 대상들에 속하는 대상 픽셀들의 적어도 일부를 교체하여 매칭 정보를 개선하고, 개선된 매칭 정보에 기초하여 임시 복원 영상들을 병합하여 단일 뷰의 출력 영상을 생성하는 단계들을 포함할 수 있다.

Description

어레이 영상 처리 방법 및 장치{METHOD AND APPARATUS FOR PROCESSING ARRAY IMAGE}
아래 실시예들은 어레이 영상 처리 방법 및 장치에 관한 것이다.
광학 기술 및 영상 처리 기술의 발달로 인해, 멀티미디어 컨텐츠, 보안 및 인식 등 광범위한 분야에 촬영 장치가 활용되고 있다. 예를 들어, 촬영 장치는 모바일 기기, 카메라, 차량 및 컴퓨터 등에 탑재되어, 영상을 촬영하거나, 객체를 인식하거나, 기기를 제어하기 위한 데이터를 획득할 수 있다. 촬영 장치의 부피는 렌즈의 사이즈, 렌즈의 초점 거리(focal length) 및 센서의 사이즈 등에 의해 결정될 수 있다. 촬영 장치의 부피가 제한된 경우 렌즈 구조의 변형을 통해 제한된 공간에 긴 초점 거리가 제공될 수 있다.
일 실시예에 따르면, 영상 처리 방법은 어레이 렌즈를 통해 생성된 입력 어레이 영상의 서로 다른 뷰에 대응하는 서브 영상들을 수신하는 단계; 상기 서브 영상들 각각의 이웃 픽셀들 간의 그래디언트를 이용하여 상기 서브 영상들에 따른 임시 복원 영상들을 생성하는 단계; 뉴럴 네트워크 모델을 이용하여 상기 서브 영상들의 픽셀들의 상기 서브 영상들 간의 뷰 차이에 따른 매칭 정보를 포함하는 옵티컬 플로우를 결정하는 단계; 상기 매칭 정보에 따른 상기 서브 영상들의 상기 픽셀들의 매칭 쌍들의 픽셀 거리에 기초하여 상기 매칭 쌍들 중 개선 대상들을 추출하는 단계; 상기 개선 대상들의 픽셀 위치에 따른 지역의 지역 탐색에 기초하여 상기 개선 대상들에 속하는 대상 픽셀들의 적어도 일부를 교체하여 상기 매칭 정보를 개선하는 단계; 및 상기 개선된 매칭 정보에 기초하여 상기 임시 복원 영상들을 병합하여 단일 뷰의 출력 영상을 생성하는 단계를 포함한다.
일 실시예에 따르면, 영상 처리 장치는 프로세서; 및 상기 프로세서에서 실행가능한 명령어들을 포함하는 메모리를 포함하고, 상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는 어레이 렌즈를 통해 생성된 입력 어레이 영상의 서로 다른 뷰에 대응하는 서브 영상들을 수신하고, 상기 서브 영상들 각각의 이웃 픽셀들 간의 그래디언트를 이용하여 상기 서브 영상들에 따른 임시 복원 영상들을 생성하고, 뉴럴 네트워크 모델을 이용하여 상기 서브 영상들의 픽셀들의 상기 서브 영상들 간의 뷰 차이에 따른 매칭 정보를 포함하는 옵티컬 플로우를 결정하고, 상기 매칭 정보에 따른 상기 서브 영상들의 상기 픽셀들의 매칭 쌍들의 픽셀 거리에 기초하여 상기 매칭 쌍들 중 개선 대상들을 추출하고, 상기 개선 대상들의 픽셀 위치에 따른 지역의 지역 탐색에 기초하여 상기 개선 대상들에 속하는 대상 픽셀들의 적어도 일부를 교체하여 상기 매칭 정보를 개선하고, 상기 개선된 매칭 정보에 기초하여 상기 임시 복원 영상들을 병합하여 단일 뷰의 출력 영상을 생성한다.
일 실시예에 따르면, 전자 장치는 어레이 렌즈를 통해 서로 다른 뷰에 대응하는 서브 영상들을 포함하는 입력 어레이 영상을 생성하는 이미징 장치; 및 상기 서브 영상들 각각의 이웃 픽셀들 간의 그래디언트를 이용하여 상기 서브 영상들에 따른 임시 복원 영상들을 생성하고, 뉴럴 네트워크 모델을 이용하여 상기 서브 영상들의 픽셀들의 상기 서브 영상들 간의 뷰 차이에 따른 매칭 정보를 포함하는 옵티컬 플로우를 결정하고, 상기 매칭 정보에 따른 상기 서브 영상들의 상기 픽셀들의 매칭 쌍들의 픽셀 거리에 기초하여 상기 매칭 쌍들 중 개선 대상들을 추출하고, 상기 개선 대상들의 픽셀 위치에 따른 지역의 지역 탐색에 기초하여 상기 개선 대상들에 속하는 대상 픽셀들의 적어도 일부를 교체하여 상기 매칭 정보를 개선하고, 상기 개선된 매칭 정보에 기초하여 상기 임시 복원 영상들을 병합하여 단일 뷰의 출력 영상을 생성하는, 프로세서를 포함한다.
도 1a는 일 실시예에 따른 이미징 장치 및 영상 처리 장치의 구성 및 동작을 예시적으로 나타내는 도면이다.
도 1b는 일 실시예에 따른 이미징 장치의 구성을 예시적으로 나타내는 도면이다.
도 2는 일 실시예에 따른 입력 어레이 영상의 픽셀들을 나타내는 도면이다.
도 3은 일 실시예에 따른 로 데이터부터 출력 영상까지 픽셀 데이터의 변화를 예시적으로 나타낸 도면이다.
도 4a는 일 실시예에 따른 관심 영역 검출 기반의 디모자이킹 동작을 예시적으로 나타내는 도면이다.
도 4b는 일 실시예에 따른 그래디언트 값의 결정 동작을 예시적으로 나타낸 도면이다.
도 5는 일 실시예에 따른 에지 정보 기반의 업샘플링 동작을 예시적으로 나타내는 도면이다.
도 6은 일 실시예에 따른 업샘플링 과정의 픽셀 데이터의 변화를 나타낸 도면이다.
도 7은 일 실시예에 따른 샤프닝 동작을 예시적으로 나타내는 도면이다.
도 8은 일 실시예에 따른 옵티컬 플로우를 이용한 매칭 정보 개선 동작을 나타내는 플로우 차트이다.
도 9는 일 실시예에 따른 매칭 정보에 기초한 픽셀 병합 동작을 나타내는 도면이다.
도 10은 일 실시예에 따른 G 채널의 원본의 변화 과정을 나타내는 도면이다.
도 11은 일 실시예에 따른 어레이 영상의 처리 과정을 예시적으로 나타내는 플로우 차트이다.
도 12는 일 실시예에 따른 영상 처리 장치의 구성을 예시적으로 나타내는 블록도이다.
도 13은 일 실시예에 따른 전자 장치의 구성을 예시적으로 나타내는 블록도이다.
도 14는 일 실시예에 따른 영상 처리 방법을 예시적으로 나타내는 플로우 차트이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에서, "A 또는 B 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1a는 일 실시예에 따른 이미징 장치 및 영상 처리 장치의 구성 및 동작을 예시적으로 나타내는 도면이다. 도 1a를 참조하면, 이미징 장치(110)는 어레이 렌즈 어셈블리(111) 및 이미지 센서(112)를 포함한다. 어레이 렌즈 어셈블리(111)는 적어도 하나의 렌즈 어레이의 레이어를 포함할 수 있다. 각 레이어는 복수의 개별 렌즈들을 포함하는 렌즈 어레이를 포함할 수 있다. 예를 들어, 렌즈 어레이는 2*2, 3*3과 같은 배치의 개별 렌즈들을 포함할 수 있다. 각 레이어는 동일한 렌즈 배치를 가질 수 있다.
이미지 센서(112)는 단일 이미지 센서 혹은 렌즈 배치에 대응하는 수의 멀티 이미지 센서에 해당할 수 있다. 이미지 센서(112)는 입력 어레이 영상(130)을 생성할 수 있다. 입력 어레이 영상(130)은 어레이 렌즈 어셈블리(111)의 렌즈 배치에 따른 서브 영상들(131 내지 134)을 포함할 수 있다. 2*2의 서브 영상들(131 내지 134)은 어레이 렌즈 어셈블리(111)가 2*2의 렌즈 배치를 갖는다는 가정에 따른 것이다. 이하, 어레이 렌즈 어셈블리(111)가 2*2의 렌즈 배치를 갖는 예시가 설명될 수 있지만, 어레이 렌즈 어셈블리(111)의 렌즈 배치가 2*2에 제한되는 것은 아니다.
영상 처리 장치(120)는 서브 영상들(131 내지 134)을 병합(merge)하여 출력 영상(140)을 생성할 수 있다. 출력 영상(140)은 서브 영상들(131 내지 134) 각각에 비해 높은 화질을 가질 수 있다. 예를 들어, 출력 영상(140)은 서브 영상들(131 내지 134) 각각에 비해 4배의 해상도를 가질 수 있다. 영상 처리 장치(120)는 서브 영상들(131 내지 134) 각각의 개별 처리 및/또는 서브 영상들(131 내지 134)의 병합 처리를 최적화하여 출력 영상(140)의 해상도를 최대화할 수 있다.
도 1b는 일 실시예에 따른 이미징 장치의 구성을 예시적으로 나타내는 도면이다. 도 1b를 참조하면, 이미징 장치(110)는 어레이 렌즈 어셈블리(111) 및 이미지 센서(112)를 포함할 수 있다. 복수의 개구(aperture)(113 내지 115)를 포함할 수 있다. 이미징 장치(110)는 복수의 개구(113 내지 115)의 배치에 따른 서브 영상들을 생성할 수 있다. 도 1b는 3*3의 어레이 형태의 렌즈 배치에 대한 예시를 나타낼 수 있다. 이 경우, 3*3의 서브 영상들이 획득될 수 있다. 다만, 3*3는 하나의 예시에 불과하며, 2*2와 같은 다른 어레이 형태가 이용될 수 있다. 이미징 장치(110)는 어레이 렌즈 장치에 해당할 수 있다. 어레이 렌즈 기술은 초점 거리가 짧은 복수의 렌즈로 구성된 카메라를 사용하여 동일 화각을 갖는 복수의 작은 영상을 획득하는 기술이다. 어레이 렌즈 기술을 통해 카메라 모듈의 두께가 얇아질 수 있다.
어레이 렌즈는 다양한 기술 분야에 활용될 수 있다. 어레이 렌즈는 대형 센서 및 대형 센서를 위한 대형 렌즈를 어레이 형태로 분할하여 카메라의 사이즈를 감소시킬 수 있다. 예를 들어, 화각 A, 초점 거리 f, 및 영상 크기 D에 따른 제1 카메라의 길이(다른 말로, 높이)가 L이라면, 화각 A, 초점 거리 f/2, 영상 크기 D/2에 따른 제2 카메라의 길이는 L/2로 줄어들 수 있다. 제2 카메라의 해상도는 제1 카메라에 비해 1/4로 감소될 수 있다. 제2 카메라를 2*2의 어레이 렌즈로 구성하고 하나의 출력 영상을 생성하면 해상도는 제1 카메라와 동일해질 수 있다. 보다 구체적으로, 2*2의 어레이 렌즈로 서브 영상들이 4개 생성될 수 있고, 4개의 서브 영상들을 합성하면 제1 카메라와 동일한 해상도의 영상이 도출될 수 있다.
도 2는 일 실시예에 따른 입력 어레이 영상의 픽셀들을 나타내는 도면이다. 도 2를 참조하면, 입력 어레이 영상(210)은 서브 영상들(211 내지 214)을 포함할 수 있다. 입력 어레이 영상(210)은 R(red) 채널 신호, G(green) 채널 신호, 및 B(blue) 채널 신호를 포함할 수 있다. 렌즈와 이미지 센서 사이에 컬러 필터 어레이(color filter array, CFA)가 존재할 수 있고, CFA를 통해 각 채널의 신호가 분리될 수 있다. 입력 어레이 영상(210)의 서브 영상들(211 내지 214)은 각각 CFA의 패턴(예: 2*2의 어레이 패턴)에 대응하는 패턴(예: 2*2의 어레이 패턴)으로 영상 데이터를 포함할 수 있다. 아래에서 CFA가 베이어 패턴(Bayer pattern)을 갖는 예시가 설명될 수 있지만, 베이어 패턴 이외의 다른 패턴이 사용되는 예시도 존재할 수 있다. 이 경우, 입력 어레이 영상(210)은 R-G-G-B의 2*2의 베이어 패턴에 따른 영상 데이터를 포함할 수 있다. 도 2와 같이 각 채널의 픽셀은 , , 와 같이 나타낼 수 있다. k는 각 픽셀이 속한 서브 영상의 식별자를 나타낼 수 있고, m, n은 각 픽셀이 속한 서브 영상 내 위치의 식별자를 나타낼 수 있다. 입력 어레이 영상(210)과 같이 R 채널 신호, G 채널 신호, 및 B 채널 신호를 포함하는 데이터를 로 데이터(raw data)로 부를 수 있다. 로 데이터의 각 채널 신호는 따로 분리되어 R 채널 데이터, G 채널 데이터, B 채널 데이터와 같이 개별 채널 데이터를 구성할 수 있다. 각 개별 채널 데이터에서 다른 채널 픽셀은 디모자이킹(demosaicing)을 통해 채워질 수 있다.
도 3은 일 실시예에 따른 로 데이터부터 출력 영상까지 픽셀 데이터의 변화를 예시적으로 나타낸 도면이다. 도 3을 참조하면, 로 데이터(311 내지 314)의 각 개별 채널 데이터에 관한 디모자이킹을 통해 결과 데이터(321 내지 324)가 결정될 수 있다. 도 3에는 각 서브 영상의 4개의 픽셀이 로 데이터(311 내지 314)를 대표하여 표시되었다. 로 데이터(311 내지 314)의 각 픽셀은 , , 와 같이 나타낼 수 있다. k는 각 픽셀이 속한 서브 영상의 식별자를 나타낼 수 있고, m, n은 각 픽셀이 속한 서브 영상 내 위치의 식별자를 나타낼 수 있다.
로 데이터(311 내지 314)는 각 개별 채널 데이터로 분리될 수 있고, 각 개별 채널 데이터의 다른 채널 픽셀이 디모자이킹에 따른 보간(interpolation)을 통해 채워질 수 있다. 아래에서 상세히 설명되겠지만, 실시예들의 디모자이킹에 따르면 G 채널 신호가 우세한 픽셀들은 관심 영역으로 분류될 수 있고, 관심 영역과 비관심 영역에 서로 다른 방식의 보간이 적용될 수 있다. 이러한 관심 영역에 대한 보간 처리에 따라 모아레 영역(Moire region)과 같은 특수 영역의 해상도가 향상될 수 있다. 결과 데이터(321 내지 324)는 각 개별 채널 데이터로 구성될 수 있고, RGB 풀 컬러 영상에 해당할 수 있다. R 채널 데이터의 픽셀은 로, G 채널 데이터의 픽셀은 로, B 채널 데이터의 픽셀은 로 나타낼 수 있다. k는 서브 영상의 식별자를 나타낼 수 있고, m, n은 각 픽셀이 속한 개별 채널 데이터 내 위치의 식별자를 나타낼 수 있다.
디모자이킹의 결과 데이터(321 내지 324)에 관한 업샘플링(upsampling)을 통해 결과 데이터(331, 332)가 결정될 수 있다. 도 3에는 제1 서브 영상의 제1 결과 데이터(331) 및 제4 서브 영상의 제4 결과 데이터(332)가 도시되어 있으나, 제2 서브 영상 및 제3 서브 영상의 제2 결과 데이터 및 제3 결과 데이터가 더 존재할 수 있다. 업샘플링을 통해 해상도가 향상될 수 있다. 향상 정도는 입력 어레이 영상에 포함된 서브 영상들의 개수에 따라 결정될 수 있다. 예를 들어, 입력 어레이 영상이 2*2의 서브 영상들을 포함하는 경우, 결과 데이터(331, 332)의 해상도는 결과 데이터(321 내지 324)의 4배일 수 있다.
아래에서 상세히 설명되겠지만, 실시예들의 업샘플링은 디모자이킹 과정에서 생성된 에지 정보(edge information)를 기반으로 수행될 수 있다. 이를 통해, 불필요한 중복 동작이 제거될 수 있고, 에지 부분이 높은 해상도로 복원(restoration)될 수 있다. 결과 데이터(331, 332)의 픽셀은 , , 로 나타낼 수 있다. 도 3에는 편의상 위치 식별자가 생략되어 있으나, 로 데이터(311 내지 314) 및 결과 데이터(321 내지 324)와 같이, m, n의 위치 식별자가 추가될 수 있다. 도 3에 도시되지 않았으나, 업샘플링 이후에 샤프닝이 추가로 수행될 수 있다.
결과 데이터(331, 332)는 결과 데이터(321 내지 324)에 비해 고해상도에 해당할 수 있으나, 향상된 해상도에 맞는 정보의 부족에 따른 아티팩트(artifact)를 포함할 수 있다. 서브 영상들을 서로 다른 뷰(view)에 대응할 수 있고, 서브 영상들에 따른 결과 데이터(331, 332)가 매칭 정보(340)에 기초하여 병합되어, 향상된 해상도에 맞는 선명도(sharpness)가 달성될 수 있다. 이러한 관점에서 결과 데이터(331, 332)는 임시 복원 영상으로 부를 수 있고, 출력 영상(350)은 최종 복원 영상으로 부를 수 있다.
아래에서 상세히 설명되겠지만, 매칭 정보(340)는 옵티컬 플로우(optical flow)에 기초하여 결정될 수 있다. 옵티컬 플로우는 뉴럴 네트워크 모델을 이용하여 결정될 수 있고, 서브 영상들의 픽셀들의 서브 영상들 간의 뷰 차이에 따른 매칭 정보(340)를 포함할 수 있다. 옵티컬 플로우는 시간의 흐름에 따른 움직임에 의한 픽셀 위치들의 차이가 아닌 뷰 차이에 따른 픽셀 위치들의 차이를 나타낼 수 있다. 매칭 정보(340)는 서브 영상들의 매칭 쌍들을 나타낼 수 있다. 예를 들어, 현실 세계의 동일 지점이 제1 서브 영상의 제1 픽셀과 제2 서브 영상의 제2 픽셀로 촬영된 경우, 매칭 정보(340)는 제1 픽셀과 제2 픽셀을 매칭 쌍으로 포함할 수 있다. 아래에서 하나의 매칭 쌍은 2개의 서브 영상들의 픽셀들을 매칭하는 예시가 설명될 수 있지만, 하나의 매칭 쌍은 3개의 서브 영상들 또는 4개의 서브 영상들의 픽셀들을 매칭하도록 정의될 수 있다. 뉴럴 네트워크 모델은 서브 영상들에 따른 입력 데이터의 입력에 따라 매칭 정보(340)를 포함하는 옵티컬 플로우를 출력하도록 미리 트레이닝될 수 있다.
매칭 정보(340)를 통해 서로 다른 뷰에 대응하는 서브 영상들에 따른 결과 데이터(331)가 단일 뷰에 대응하는 출력 영상(350)으로 병합될 수 있다. 서브 영상들의 해상도는 업샘플링에 따라 향상될 수 있고, 매칭 정보(340)는 향상된 해상도에 따른 픽셀들의 매칭 관계를 나타낼 수 있다. 서브 영상들의 해상도를 저해상도, 업샘플링 결과를 고해상도로 부를 수 있다. 이때, 뉴럴 네트워크 모델은 고해상도의 입력 데이터에 따라 고해상도의 출력 데이터의 옵티컬 플로우를 추정하도록 트레이닝되거나, 저해상도의 입력 데이터에 따라 고해상도의 출력 데이터의 옵티컬 플로우를 추정하도록 트레이닝되거나, 혹은 저해상도의 입력 데이터에 따라 저해상도의 출력 데이터의 옵티컬 플로우를 추정하도록 트레이닝될 수 있다. 세 번째 케이스에서, 저해상도 출력 데이터의 옵티컬 플로우는 업샘플링과 같은 해상도 향상 작업을 통해 고해상도로 전환될 수 있다.
도 4a는 일 실시예에 따른 관심 영역 검출 기반의 디모자이킹 동작을 예시적으로 나타내는 도면이다. 도 4a를 참조하면, 단계들(410 내지 440)을 통해 로 데이터(401)로부터 임시 G 채널 데이터(402)가 결정될 수 있다. 단계(410)에서 로 데이터(401)에 기초하여 그래디언트(gradient)가 결정될 수 있다. 로 데이터(401)로부터 G 채널 픽셀들이 추출될 수 있고, G 채널 픽셀들 사이의 빈 공간(다시 말해, 로 데이터(401)에서 R 채널 픽셀들 및 B 채널 픽셀들이 존재하던 공간)을 위한 수직 방향(vertical direction)의 그래디언트 및 수평 방향(horizontal direction)의 그래디언트가 결정될 수 있다.
단계(420)에서 그래디언트 기반의 보간이 수행될 수 있다. 수직 방향의 그래디언트 및 수평 방향의 그래디언트 중 더 작은 그래디언트의 방향으로 보간이 수행될 수 있다. 각 방향의 그래디언트 값 및 대상 픽셀의 보간 값은 다양한 방식으로 계산될 수 있다. 예를 들어, 3*3 그리드의 셀들의 값들을 C11 내지 C33으로 정의하면, C12-C32를 통해 C22의 수직 방향 그래디언트 값 V가, C21-C23를 통해 C22의 수평 방향 그래디언트 값 H가 결정될 수 있다. V>H라면 C22=H/2로 결정될 수 있다. V<H라면 C22=V/2로 결정될 수 있다. 다만, 보간 방식은 다양하게 존재할 수 있다.
단계(430)에서 에지 정보가 결정될 수 있고, 단계(440)에서 영상 개선(image refinement)이 이루어질 수 있다. 단계들(430, 440)은 G 채널 데이터에 적용될 수 있고, 단계들(430, 440)을 통해 임시 G 채널 데이터(402)가 결정될 수 있다. 에지 정보는 그라디언트 값 및 라플라시안 값(Laplacian value)을 포함할 수 있다. 그라디언트 값은 단계(420)와 같이 이웃 픽셀 값을 통해 결정된 1차 미분(derivative) 값일 수 있고, 라플라시안 값은 이웃 픽셀의 이웃 픽셀 값을 통해 결정된 2차 미분 값일 수 있다. 원본 G 채널 픽셀들 사이의 공간(다시 말해, 로 데이터(401)에서 R 채널 픽셀들 및 B 채널 픽셀들이 존재하던 공간)으로부터 두 픽셀 떨어진 공간에는 원본 G 채널 정보가 존재하지 않으므로, 라플라시안 값을 구할 때 R 채널 정보 또는 B 채널 정보가 해당 원본 G 채널 정보로 사용될 수 있다. 예를 들어, 영상 개선은 대각 방향(diagonal direction)의 에지 정보를 이용한 대각 방향의 보간을 포함할 수 있다. 여기서, 보간은 보간을 통한 개선의 의미를 가질 수 있다.
임시 G 채널 데이터(402)가 결정되면, 단계들(450 내지 490)을 통해 최종 컬러 데이터(403)가 결정될 수 있다. 최종 컬러 데이터(403)는 최종 R 채널 데이터, 최종 G 채널 데이터, 및 최종 B 채널 데이터를 포함할 수 있다.
단계(450)에서 관심 영역이 설정될 수 있다. 관심 영역은 임시 G 채널 데이터(402)에 설정될 수 있다. 관심 영역은 모아레 영역(Moire region)과 같이 아티팩트(artifact)가 발생할 가능성이 높은 간섭 영역을 포함할 수 있다. 관심 영역은 R 채널 신호, G 채널 신호, 및 B 채널 신호 중 G 채널 신호가 우세한 픽셀들에 기초하여 설정될 수 있다. G 채널 신호가 우세한지 여부는 임시 R 채널 데이터(402)의 특정 픽셀 위치의 제1 그래디언트 값과 로 데이터(401)의 대응 픽셀 위치의 제2 그래디언트 값 간의 차이에 기초하여 결정될 수 있다. 예를 들어, 차이가 임계치보다 작다면 해당 픽셀 위치에서 G 채널 신호가 우세한 것으로 결정될 수 있다. 예를 들어, 로 데이터(401)가 서브 영상들 중 제1 서브 영상의 것이라 가정할 수 있다. 제1 서브 영상의 제1 픽셀 주변의 G 채널 신호를 이용한 보간 결과에 따른 제1 그래디언트 값 및 제1 픽셀 주변의 R 채널 신호 및 B 채널 신호에 따른 제2 그래디언트 값이 결정될 수 있다. 여기서, G 채널 신호를 이용한 보간 결과는 임시 G 채널 데이터(402)를 나타낼 수 있다. 제1 그래디언트 값과 제2 그래디언트 값 간의 차이가 임계치보다 작은 경우 제1 픽셀에 기초하여 관심 영역이 설정될 수 있다.
단계(460)에서 임시 G 채널 데이터(402)에 관한 간섭 인지 기반의 보간이 수행될 수 있다. 간섭 인지 기반의 보간은 순방향 보간 및 교차 방향 보간을 포함할 수 있다. 순방향의 보간은 단계(420)와 같이 작은 그래디언트 방향의 보간에 해당할 수 있다. 교차 방향의 보간은 순방향의 보간에 대해 수직 방향의 보간에 해당할 수 있다. 다시 말해, 교차 방향의 보간은 큰 그래디언트 방향의 보간에 해당할 수 있다. 예를 들어, 앞선 3*3 그리드에 관한 예시에서, V>H라면 C22=V/2로 결정되고, V<H라면 C22=H/2로 결정될 수 있다. 여기서, 보간은 보간을 통한 개선의 의미를 가질 수 있다. 이런 방식의 보간은 모아레 영역과 같은 관심 영역의 에지를 유지하면서 아티팩트를 억제할 수 있다. 단계(460)의 결과물은 최종 G 채널 데이터에 해당할 수 있다.
단계(470)에서 채도 변환(chroma conversion)을 통해 R-G 채널 데이터 및 B-G 채널 데이터가 결정될 수 있다. 일 실시예에 따르면, 단계(470)는 단계(460) 전에 수행되거나, 혹은 단계(450) 전에 수행될 수 있다. R-G 채널 데이터는 로 데이터(401)로부터 추출된 R 채널 데이터의 각 픽셀 값으로부터 최종 R 채널 데이터의 각 픽셀 값을 빼서 결정될 수 있다. B-G 채널 데이터는 로 데이터(401)로부터 추출된 R 채널 데이터의 각 픽셀 값으로부터 최종 R 채널 데이터의 각 픽셀 값을 빼서 결정될 수 있다.
단계(480)에서 R-G 채널 데이터 및 B-G 채널 데이터에 관한 보간이 수행될 수 있다. 단계(480)의 보간 작업은 단계들(410, 420)의 보간 작업에 대응할 수 있다. R-G 채널 데이터의 경우 R-G 픽셀 이외의 픽셀들에 대한 작은 그래디언트 방향의 보간이 적용될 수 있고, B-G 채널 데이터의 경우 B-G 픽셀 이외의 픽셀들에 대한 작은 그래디언트 방향의 보간이 적용될 수 있다. 그런 다음, R-G 채널 데이터 및 B-G 채널 데이터에 최종 R 채널 데이터이 더해져 임시 R 채널 데이터 및 임시 B 채널 데이터가 결정될 수 있다. 단계(490)의 영상 개선이 임시 R 채널 데이터 및 임시 B 채널 데이터에 대해 적용되어 최종 R 채널 데이터 및 최종 B 채널 데이터가 결정될 수 있다. 최종 R 채널 데이터, 최종 G 채널 데이터, 및 최종 B 채널 데이터를 포함하는 최종 컬러 데이터(403)는 디모자이킹 결과에 해당할 수 있다.
도 4b는 일 실시예에 따른 그래디언트 값의 결정 동작을 예시적으로 나타낸 도면이다. 도 4b를 참조하면, R 채널 신호, G 채널 신호, 및 B 채널 신호를 포함하는 로 데이터(461)로부터 G 채널 데이터(463)가 추출될 수 있다. R 채널 데이터(463)에 대한 그래디언트 기반의 보간(예: 도 4a의 단계(420)의 보간)을 통해 임시 G 채널 데이터(464)가 결정될 수 있다. 임시 R 채널 데이터(464)에서 보간에 따라 생성된 픽셀에는 *이 표시될 수 있다. 로 데이터(461)의 제1 픽셀(462)과 임시 R 채널 데이터(464)의 제2 픽셀(465)은 동일한 위치에 존재할 수 있다. 해당 위치는 대상 픽셀 위치로 부를 수 있다.
임시 R 채널 데이터(464)를 이용한 보간에 따른 제1 그래디언트 값과 로 데이터(461)를 이용한 보간에 따른 제2 그래디언트 값 간의 비교를 통해 대상 픽셀 위치가 관심 영역에 속하는지 결정될 수 있다. 제1 그래디언트 값은 임시 R 채널 데이터(464)의 *G1 및 *G4를 이용한 수직 방향의 그래디언트 및 *G2 및 *G3를 이용한 수평 방향의 그래디언트에 기초하여 결정될 수 있다. 예를 들어, 두 그래디언트의 절대 값의 합이 제1 그래디언트 값으로 결정될 수 있다. 제2 그래디언트 값은 로 데이터(461)의 B1 및 B2를 이용한 수직 방향의 그래디언트 및 R1 및 R2를 이용한 수평 방향의 그래디언트에 기초하여 결정될 수 있다. 예를 들어, 두 그래디언트의 절대 값의 합이 제2 그래디언트 값으로 결정될 수 있다. 제1 그래디언트 값과 제2 그래디언트 값 간의 차이가 임계치보다 작은 경우, 제2 픽셀(456)의 대상 위치가 관심 영역에 속하도록 관심 영역이 설정될 수 있다. 임시 R 채널 데이터(464)의 다른 픽셀들도 이런 방식으로 관심 영역에 속하는지 결정될 수 있다.
앞서 도 4a 및 도 4b를 참조하여 CFA로 R-G-G-B의 배치를 갖는 베이어 패턴이 사용된 예시가 설명되었다. 일 실시예에 따르면, CFA로 다른 패턴이 사용될 수 있다. 예를 들어, R-G-G-B의 배치 대신 제1 채널 신호-제2 채널 신호-제2 채널 신호-제3 채널 신호의 배치를 갖는 다른 패턴이 사용될 수 있다. 여기서, 채널 신호들의 순서는 CFA의 2*2 어레이의 왼쪽 위, 오른쪽 위, 왼쪽 아래, 오른쪽 아래에 대응할 수 있다. 예를 들어, R-C-C-B의 배치, Cy-Y-Y-M의 배치, Cy-Y-Y-R의 배치 등이 사용될 수 있다. 여기서, C는 C(clear) 채널 신호를, Cy는 Cy(cyan) 채널 신호를, Y는 Y(yellow) 채널 신호를, M은 M(magenta) 채널 신호를 나타낼 수 있다. 지배적인 색상에 해당하는 제2 채널 신호가 배이어 패턴 예시의 G 채널 데이터로 이용될 수 있다. 예를 들어, 베이어 패턴 대신 R-C-C-B 패턴이 사용되는 경우, C 채널 신호에 따라 임시 C 채널 데이터가 생성될 수 있고, 임시 C 채널 데이터에 기초한 간섭 인지 보간을 통해 최종 C 채널 데이터가 결정될 수 있다. 그런 다음, R-C 채널 데이터 및 B-C 채널 데이터에 대한 보간을 통해 최종 R 채널 데이터 및 최종 B 채널 데이터가 결정될 수 있다. 다른 패턴들에 대해서도 이와 유사한 방식의 디모자이킹이 적용될 수 있다.
도 5는 일 실시예에 따른 에지 정보 기반의 업샘플링 동작을 예시적으로 나타내는 도면이다. 도 5를 참조하면, 로 데이터(501)에 기초하여 에지 정보(502)가 생성될 수 있다. 예를 들어, 에지 정보(502)는 그라디언트 값 및 라플라시안 값을 포함할 수 있다. 에지 정보(502)에 기초하여 로 데이터(501)에 대한 디모자이킹(510)이 수행될 수 있고, 디모자이킹(510)에 따라 컬러 영상(503)이 생성될 수 있다. 에지 정보(502)는 컬러 영상(503)에 대한 업샘플링(520)에도 이용될 수 있다. 이를 통해, 불필요한 중복 동작이 제거될 수 있고, 에지 부분이 높은 해상도로 복원(restoration)될 수 있다.
도 6은 일 실시예에 따른 업샘플링 과정의 픽셀 데이터의 변화를 나타낸 도면이다. 도 6을 참조하면, G 채널 데이터의 대각 방향의 보간을 통해 제1 중간 데이터(620)의 적어도 일부 영역이 채워질 수 있고, 제1 중간 데이터(620)의 수직 방향 및 수평 방향의 보간을 통해 제2 중간 데이터(630)의 적어도 일부 영역이 채워질 수 있다. 이때, 각 보간에 에지 정보가 이용될 수 있다. 제1 중간 데이터(620) 및/또는 제2 중간 데이터(630)의 보간이 반복적으로 수행되어 업샘플링 결과(640)가 결정될 수 있다.
도 7은 일 실시예에 따른 샤프닝 동작을 예시적으로 나타내는 도면이다. 도 7을 참조하면, 로 데이터(701)에 기초하여 에지 정보(702)가 생성될 수 있고, 에지 정보(702)에 기초하여 로 데이터(701)에 대한 디모자이킹(710)이 수행될 수 있고, 디모자이킹(710)에 따라 컬러 영상(703)이 생성될 수 있다. 에지 정보(702)는 단계(740)에 따른 필터 결정에도 이용될 수 있다. 예를 들어, 에지 정보(702)의 라플라시안 값들에 기초한 라플라시안 필터가 샤프닝 필터로 결정될 수 있다. 샤프닝 필터로 업샘플링 및 샤프닝(730)의 샤프닝이 수행될 수 있다. 샤프닝 파라미터에 기초하여 사프닝 필터가 업샘플링 및 샤프닝(730)의 업샘플링 결과에 적용될 수 있다. 업샘플링 및 샤프닝(730)의 업샘플링에는 도 6의 설명이 적용될 수 있다.
샤프닝 결과가 도출되면, 샤프닝 결과와 목표 영상 간의 차이에 기초하여 샤프닝 파라미터가 조절될 수 있다. 샤프닝 결과와 목표 영상 간의 차이가 줄어들도록 샤프닝 파라미터가 조절될 수 있다. 예를 들어, 샤프닝 파라미터는 필터 커널의 크기, 필터 커널의 모양, 및 샤프닝 양(sharpening amount) 중 적어도 하나를 포함할 수 있다. 필터 커널의 모양은 단계(740)에서 결정될 수 있다. 목표 영상은 GT(ground truth)(704)에 해당할 수 있다. 최적화의 목표가 최고의 해상도를 달성하는 것으로 고정될 경우, GT(704)가 확정적으로 결정될 수 있다. 예를 들어, GT(704)는 어레이 렌즈 카메라가 아닌 싱글 렌즈 카메라를 통해 촬영된 화질 평가용 차트 영상일 수 있다. 최적화 과정을 통해 샤프닝 결과와 목표 영상 간의 차이가 임계치보다 작아지면, 해당 샤프닝 파라미터가 최종 파라미터(705)로 결정될 수 있고, 최종 파라미터(705)에 기초한 샤프닝에 따라 결과 데이터(706)가 결정될 수 있다. 예를 들어, 결과 데이터(706)는 도 3의 결과 데이터(331, 332)에 대응할 수 있다.
도 8은 일 실시예에 따른 옵티컬 플로우를 이용한 매칭 정보 개선 동작을 나타내는 플로우 차트이다. 도 8을 참조하면, 단계(810)에서 뉴럴 네트워크 모델을 이용하여 옵티컬 플로우가 추정된다. 옵티컬 플로우는 픽셀들의 서브 영상들 간의 뷰 차이에 따른 매칭 정보를 포함할 수 있다. 옵티컬 플로우는 시간의 흐름에 따른 움직임에 의한 픽셀 위치들의 차이가 아닌 뷰 차이에 따른 픽셀 위치들의 차이를 나타낼 수 있다. 단계(820)에서 매칭 정보에 따른 픽셀 대 픽셀 매칭이 수행될 수 있다. 단계(830)에서 매칭 결과에 따른 픽셀 거리가 임계치와 비교될 수 있다. 픽셀 거리는 매칭 쌍의 대상 픽셀들 간의 거리를 의미할 수 있다. 어느 매칭 쌍의 픽셀 거리가 임계치보다 크다면, 해당 매칭 쌍은 개선 대상으로 추출되어 기하학적 일관성 개선(geometric consistency refinement)(840)이 적용될 수 있다.
기하학적 일관성 개선(840)은 단계들(841 내지 845)을 포함할 수 있다. 이하, 제1 임시 복원 영상의 제1 픽셀과 제2 임시 복원 영상의 제2 픽셀을 포함하는 제1 개선 대상에 대한 기하학적 일관성 개선(840)의 예시가 설명된다.
단계(841)에서 제1 픽셀에 대한 비왜곡화(undistortion)가 수행될 수 있다. 단계(842)에서 비왜곡화의 결과물이 현실 세계(real world)로 역투사(unprojection)될 수 있다. 비왜곡화 및 역투사는 제1 캘리브레이션 파라미터(calibration parameter)에 기초하여 수행될 수 있다. 예를 들어, 비왜곡화는 제1 내부 파라미터(intrinsic parameter)에 기초할 수 있고, 역투사는 제1 외부 파라미터(extrinsic parameter)(예: 회전 파라미터(rotation parameter), 평행이동 파라미터(translation parameter))에 기초할 수 있다. 단계들(841, 842)을 통해 제1 임시 복원 영상의 제1 픽셀에 대응하는 현실 세계의 대응 픽셀이 결정될 수 있다.
단계(843)에서 대응 픽셀이 다른 뷰로 재투사(reprojection)될 수 있다. 단계(844)에서 재투사 결과물에 대한 왜곡화(distortion)가 수행될 수 있다. 재투사 및 왜곡화는 제2 캘리브레이션 파라미터에 기초할 수 있다. 예를 들어, 재투사는 제2 외부 파라미터(예: 회전 파라미터, 평행이동 파라미터)에 기초할 수 있고, 왜곡화는 제2 내부 파라미터에 기초할 수 있다. 단계들(843, 844)을 통해 현실 세계의 대응 픽셀에 대응하는 제2 임시 복원 영상의 임시 픽셀이 결정될 수 있다.
단계(845)에서 임시 픽셀의 제2 임시 복원 영상 내 위치에 따른 지역 탐색(local search)이 수행될 수 있다. 지역 탐색에 기초하여 개선 대상들에 속하는 대상 픽셀들의 적어도 일부를 교체하여 매칭 정보가 개선될 수 있다. 지역 탐색을 통해 미리 정해진 범위에 대한 미리 정해진 방식의 탐색이 이루어질 수 있다. 지역 탐색을 통해 제2 임시 복원 영상의 새로운 제2 픽셀이 결정될 수 있다. 제1 개선 대상의 제1 픽셀의 매칭 대상이 새로운 제2 픽셀로 업데이트될 수 있다.
어레이 렌즈 카메라는 어느 서브 영상의 생성에 관여하는지에 따라 서브 카메라 요소들로 구분될 수 있다. 캘리브레이션 파라미터는 다른 서브 카메라 요소에 관해 다른 파라미터 값을 가질 수 있다. 예를 들어, 어레이 렌즈 어셈블리의 제1 렌즈 어셈블리를 통해 제1 서브 영상이 생성되고, 제2 렌즈 어셈블리를 통해 제2 서브 영상이 생성되는 경우, 제1 렌즈 어셈블리와 제2 렌즈 어셈블리는 서로 다른 서브 카메라 요소에 해당할 수 있고, 이들에 관해 서로 다른 파라미터 값이 도출될 수 있다. 위의 예시에서 제1 임시 복원 영상이 제1 서브 영상에 따른 것이라면, 제1 캘리브레이션 파라미터, 제1 내부 파라미터, 및 제1 외부 파라미터는 제1 렌즈 어셈블리에 관해 도출된 것일 수 있다. 제2 임시 복원 영상이 제2 서브 영상에 따른 것이라면, 제2 캘리브레이션 파라미터, 제2 내부 파라미터, 및 제2 외부 파라미터는 제2 렌즈 어셈블리에 관해 도출된 것일 수 있다.
기하학적 일관성 개선(840)이 끝나면, 단계(820)가 다시 수행될 수 있다. 단계(820)의 픽셀 매칭 및 기하학적 일관성 개선(840)은 모든 매칭 쌍의 픽셀 거리가 임계치보다 작아질 때까지 반복될 수 있다. 모든 매칭 쌍의 픽셀 거리가 임계치보다 작다면, 단계(850)에서 개선된 옵티컬 플로우가 결정될 수 있다. 여기서, 개선은 기하학적 일관성 개선(840)을 의미할 수 있다. 단계(860)에서 개선된 옵티컬 플로우에 따른 매칭 쌍이 등록될 수 있고, 단계(870)에서 픽셀 병합이 수행될 수 있다. 픽셀 병합은 도 9를 통해 상세히 설명된다.
도 9는 일 실시예에 따른 매칭 정보에 기초한 픽셀 병합 동작을 나타내는 도면이다. 도 9를 참조하면, 서브 영상들의 뷰들 중 어느 하나가 레퍼런스 뷰(910)로 지정될 수 있다. 임시 복원 영상들 중 레퍼런스 뷰(910)를 갖는 임시 복원 영상은 레퍼런스 영상으로 부를 수 있다. 임시 복원 영상들은 레퍼런스 영상을 기준으로 병합될 수 있다. 출력 영상의 각 픽셀은 임시 복원 영상들의 레퍼런스 영상의 각 픽셀과 임시 복원 영상들의 나머지 영상들의 매칭 픽셀들 간의 가중 합(weighted sum)에 기초하여 결정될 수 있다. 매칭 정보는 개선된 매칭 정보에 의해 결정될 수 있다. 예를 들어, 레퍼런스 영상의 제1 픽셀과 나머지 영상의 제2 픽셀 간의 가중 합은 제1 픽셀의 강도(intensity)와 제2 픽셀의 강도 간의 차이에 따른 제1 가중치, 제1 픽셀과 제2 픽셀 간의 픽셀 거리에 따른 제2 가중치, 및 제1 픽셀 및 제2 픽셀이 로 데이터에 해당하는지 여부에 따른 제3 가중치 중 적어도 하나에 기초하여 결정될 수 있다.
가중 합은 쌍방 필터링(bilateral filtering)에 기초하여 수행될 수 있다. 쌍방 필터링은 자기 쌍방 필터링 및 교차 쌍방 필터링을 포함할 수 있다. 실시예들에 따르면, 자기 쌍방 필터링 및/또는 교차 쌍방 필터링을 통해 픽셀 병합이 수행될 수 있다. 자기 쌍방 필터링에 따르면 하나의 뷰에서 각 픽셀과 주변 픽셀이 병합될 수 있다. 아래 수학식 1 내지 수학식 4를 통해 자기 쌍방 필터링이 수행될 수 있다. 아래 수학식 1은 레퍼런스 뷰(910)의 픽셀 강도 차이에 따른 가중치를 나타낸다. 픽셀 강도는 픽셀 값을 나타낼 수 있다.
수학식 1에서, 는 와 간의 픽셀 강도 차이에 따른 가중치를, 는 중심 픽셀의 픽셀 강도를, 는 의 이웃 픽셀의 픽셀 강도를, σ는 표준편차를 나타낸다. 도 9에 도시된 것처럼, p 및 q는 각각 1 내지 3의 값을 가질 수 있다. 는 를 포함할 수 있다. 수학식 1에 따르면, 픽셀 강도 차이가 작을수록, 가중치는 커질 수 있다.
아래 수학식 2는 레퍼런스 뷰(910)의 픽셀 거리에 따른 가중치를 나타낸다.
수학식 2에서, 는 와 간의 거리에 따른 가중치를, 는 와 간의 거리를, σ는 표준편차를 나타낸다. 수학식 2에 따르면, 거리가 가까울수록, 가중치는 커질 수 있다.
아래 수학식 3은 레퍼런스 뷰(910)의 픽셀 강도 차이 및 픽셀 거리에 따른 융합 가중치를 나타낸다.
수학식 3에서, 는 융합 가중치를 나타낸다. 이웃 픽셀은 (p, q)에 의해 선택될 수 있다.
아래 수학식 4는 레퍼런스 뷰(910)의 융합 가중치에 따른 레퍼런스 뷰(910)의 픽셀 병합 결과를 나타낸다.
수학식 4에서, 는 레퍼런스 뷰(910)의 병합된 픽셀 값을, 는 (p, q)에 의해 선택된 레퍼런스 뷰(910)의 픽셀을, 는 선택된 픽셀의 융합 가중치를 나타낸다. p 및 q는 각각 1 내지 3의 값을 가질 수 있다. 수학식 1 내지 수학식 4의 변형을 통해 나머지 뷰의 가중치 및 픽셀 병합 결과도 결정될 수 있다.
교차 쌍방 필터링에 따르면 특정 뷰의 각 픽셀과 다른 뷰의 대응 픽셀이 병합될 수 있다. 대응 픽셀은 매칭 정보를 통해 결정될 수 있다. 도 9를 참조하면, 레퍼런스 뷰(910)의 임시 복원 영상의 G 채널 데이터는 매칭 정보를 통해 관측 그리드(930)의 G 채널 데이터로 변환될 수 있다. 예를 들어, 레퍼런스 뷰(910)는 제1 서브 영상의 제1 뷰에 대응할 수 있고, 관측 그리드(930)는 제2 서브 영상의 제2 뷰에 대응할 수 있다. 레퍼런스 뷰(910)의 G 채널 데이터의 픽셀 (x, y)는 (δx, δy)의 매칭 정보를 통해 관측 그리드(930)의 G 채널 데이터의 픽셀 (x+δx, y+δy)로 변환될 수 있다.
δx 또는 δy가 정수(integer)가 아닌 경우, 픽셀 (x+δx, y+δy)가 특정 좌표에 매칭되지 못할 수 있다. 실시예들에 따르면, 정수 δx 및 정수 δy에 따른 타겟 그리드(920)를 가정한 채 교차 쌍방 필터링이 수행될 수 있고, 타겟 그리드(920)와 관측 그리드(930) 간의 차이는 가중치를 이용한 보간을 통해 커버될 수 있다. 아래 수학식 5 내지 수학식 8을 통해 이러한 교차 쌍방 필터링이 수행될 수 있다. 아래 수학식 5는 레퍼런스 뷰(910)와 관측 그리드(930)의 제2 뷰의 픽셀 강도 차이에 따른 가중치를 나타낸다.
수학식 1에서, 는 와 간의 픽셀 강도 차이에 따른 가중치를, 는 레퍼런스 뷰(910)의 특정 픽셀의 픽셀 강도를, 는 제2 뷰의 대응 픽셀의 픽셀 강도를, σ는 표준편차를 나타낸다. 대응 픽셀은 매칭 정보를 통해 결정될 수 있다. 수학식 5에 따르면, 픽셀 강도 차이가 작을수록, 가중치는 커질 수 있다.
아래 수학식 6은 레퍼런스 뷰(910)와 관측 그리드(930)의 제2 뷰의 픽셀 거리에 따른 가중치를 나타낸다.
수학식 6에서, 는 와 간의 거리에 따른 가중치를, 는 와 간의 거리를, σ는 표준편차를 나타낸다. 교차 쌍방 필터링에서, 함수 D는 거리 값이 작을수록, 그리고 거리 값이 거리 값을 내림(rounding down)하여 얻는 정수 값에 가까울수록, 0에 가까운 값을 출력할 수 있다. 수학식 6에 따르면, 거리가 가까울수록, 그리고 거리가 정수에 가까울수록, 가중치는 커질 수 있다.
아래 수학식 7은 레퍼런스 뷰(910)와 관측 그리드(930)의 제2 뷰의 픽셀 강도 차이 및 픽셀 거리에 따른 융합 가중치를 나타낸다.
수학식 7에서, 는 융합 가중치를 나타낸다.
아래 수학식 8은 융합 가중치에 따른 레퍼런스 뷰(910)의 픽셀 병합 결과를 나타낸다.
수학식 4에서, 는 레퍼런스 뷰(910)의 병합된 픽셀 값을, 는 i에 의해 선택된 각 뷰의 픽셀을, 는 선택된 픽셀의 융합 가중치를 나타낸다. i는 뷰의 식별자를 나타낼 수 있다. 예를 들어, 4개의 서브 영상들이 존재하는 경우, i는 1 내지 4의 값을 가질 수 있다. 제3 뷰 및 제4 뷰와 관련된 융합 가중치는 수학식 5 내지 수학식 7을 변형하여 획득될 수 있다.
도 10은 일 실시예에 따른 G 채널의 원본의 변화 과정을 나타내는 도면이다. 도 10을 참조하면, 픽셀 병합이 이루어지기 전의 제1 G 채널 데이터(1010) 및 픽셀 병합이 이루어진 후의 제2 G 채널 데이터(1020)가 도시된다. 제1 G 채널 데이터(1010) 및 제2 G 채널 데이터(1020)는 레퍼런스 영상에 해당할 수 있다. 흰색 G 픽셀들(1011 내지 1017)은 로 데이터부터 존재하는 원본성을 갖는 픽셀들을 나타낼 수 있다. 나머지 픽셀들은 보간을 통해 추정된 원본성을 갖지 않는 픽셀들을 나타낼 수 있다. 제1 G 채널 데이터(1010)와 제2 G 채널 데이터(1020)를 비교하면, 이러한 원본 픽셀들은 각 뷰에 존재하므로 뷰들의 병합 과정에서 레퍼런스 영상에 추가될 수 있다.
실시예들에 따르면, 원본성을 갖는 픽셀들에 높은 가중치가 부여될 수 있다. 아래 수학식 9 내지 수학식 11은 레퍼런스 뷰와 나머지 뷰들 간의 관계에 따른 융합 가중치들을 나타낸다.
아래 수학식 12는 수학식 9 내지 수학식 11의 기존의 융합 가중치들에 원본성이 추가로 고려된 새로운 융합 가중치를 나타낸다.
수학식 12에서 은 새로운 융합 가중치를, 는 원본성 가중치를 나타낸다. 는 대상 픽셀이 원본성을 갖는 경우에 그렇지 않은 경우에 비해 높은 가중치를 나타낼 수 있다. 이 위의 수학식 8에 적용되면, 픽셀 강도 차이에 따른 제1 가중치, 픽셀 거리에 따른 제2 가중치, 및 원본성에 따른 제3 가중치에 기초한 픽셀 병합이 이루어질 수 있다.
도 11은 일 실시예에 따른 어레이 영상의 처리 과정을 예시적으로 나타내는 플로우 차트이다. 도 11을 참조하면, 단계(1110)에서 로 데이터(1101)의 뷰들 중에 레퍼런스 뷰가 선택된다. 단계(1120)에서 로 데이터(1101)에 기초한 디모자이킹(1120)이 수행되고, 단계(1130)에서 디모자이킹(1120)의 결과 데이터에 기초한 업샘플링 및 샤프닝(1130)이 수행된다. 업샘플링 및 샤프닝(1130)에 따라 결과 데이터(1103)가 결정될 수 있다. 업샘플링에 따라 각 영상은 4배(가로 2배 및 세로 2배) 커질 수 있다. 단계들(1120, 1130)은 각 뷰에 대해 수행될 수 있다.
단계(1140)에서 레퍼런스 뷰 기반의 정렬(alignment)이 수행된다. 정렬은 뉴럴 네트워크 모델을 이용한 옵티컬 플로우에 기초하여 이루어질 수 있다. 옵티컬 플로우는 밀집된 옵티컬 플로우(dense optical flow)에 해당할 수 있다. 단계(1150)에서 정렬 개선이 이루어질 수 있다. 정렬 개선을 통해 옵티컬 플로우가 개선될 수 있다. 단계(1160)에서 매칭 쌍들의 픽셀 거리와 임계치가 비교된다. 비교 결과에 따라 매칭 쌍들로부터 임계치보다 큰 픽셀 거리의 개선 대상이 선별되고, 단계(1170)에서 개선 대상의 기하학적 일관성 개선을 위한 지역 탐색이 수행되고, 단계(1171)에서 재투사를 통해 개선 대상의 새로운 픽셀이 검증된다. 재투사를 위해 캘리브레이션 파라미터(1102)가 이용될 수 있다. 기하학적 일관성 개선은 각 어레이 렌즈 카메라의 깊이 추정(depth estimation)을 위한 반복적인 영상 교정(image rectification)을 요구하지 않을 수 있다. 이에 따라, 명시적인 기하학적 와핑 및 교정이 생략될 수 있다. 모든 매칭 쌍들의 픽셀 거리가 임계치보다 작아지면, 정렬 개선이 종료될 수 있고, 매칭 정보(1104)가 확정될 수 있다.
단계(1180)에서 매칭 정보(1104) 및 가중치 데이터(1105)에 기초하여 결과 데이터(1103)의 합성이 수행될 수 있다. 결과 데이터(1103)의 레퍼런스 뷰의 각 픽셀과 나머지 뷰들의 대응 픽셀들 간의 픽셀 융합을 통해 합성이 이루어질 수 있다. 합성 결과, 단일 영상(1106)이 생성될 수 있다. 단계(1106)에서 단일 영상(1106)에 대한 디블러링(deblurring)과 같은 후처리가 수행될 수 있다. 디블러링은 옵티컬 블러 커널 추정 및 블러 추정을 포함할 수 있다. 디블러링에는 뉴럴 네트워크 모델이 이용될 수 있다. 후처리에 따라, 출력 영상(1107)이 결정될 수 있다. 출력 영상(1107)은 RGB 또는 베이어에 해당할 수 있다.
도 12는 일 실시예에 따른 영상 처리 장치의 구성을 예시적으로 나타내는 블록도이다. 도 12를 참조하면, 영상 처리 장치(1200)는 프로세서(1210) 및 메모리(1220)를 포함한다. 메모리(1220)는 프로세서(1210)에 연결되고, 프로세서(1210)에 의해 실행가능한 명령어들, 프로세서(1210)가 연산할 데이터 또는 프로세서(1210)에 의해 처리된 데이터를 저장할 수 있다. 메모리(1220)는 비일시적인 컴퓨터 판독가능 매체, 예컨대 고속 랜덤 액세스 메모리 및/또는 비휘발성 컴퓨터 판독가능 저장 매체(예컨대, 하나 이상의 디스크 저장 장치, 플래쉬 메모리 장치, 또는 기타 비휘발성 솔리드 스테이트 메모리 장치)를 포함할 수 있다.
프로세서(1210)는 도 1 내지 도 11, 도 13, 및 도 14의 동작을 수행하기 위한 명령어들을 실행할 수 있다. 예를 들어, 프로세서(1210)는 어레이 렌즈를 통해 생성된 입력 어레이 영상의 서로 다른 뷰에 대응하는 서브 영상들을 수신하고, 서브 영상들 각각의 이웃 픽셀들 간의 그래디언트를 이용하여 서브 영상들에 따른 임시 복원 영상들을 생성하고, 뉴럴 네트워크 모델을 이용하여 서브 영상들의 픽셀들의 서브 영상들 간의 뷰 차이에 따른 매칭 정보를 포함하는 옵티컬 플로우를 결정하고, 매칭 정보에 따른 서브 영상들의 픽셀들의 매칭 쌍들의 픽셀 거리에 기초하여 매칭 쌍들 중 개선 대상들을 추출하고, 개선 대상들의 픽셀 위치에 따른 지역의 지역 탐색에 기초하여 개선 대상들에 속하는 대상 픽셀들의 적어도 일부를 교체하여 매칭 정보를 개선하고, 개선된 매칭 정보에 기초하여 임시 복원 영상들을 병합하여 단일 뷰의 출력 영상을 생성할 수 있다. 그 밖에, 도 1 내지 도 11, 도 13, 및 도 14의 설명이 영상 처리 장치(1200)에 적용될 수 있다.
도 13은 일 실시예에 따른 전자 장치의 구성을 예시적으로 나타내는 블록도이다. 도 13을 참조하면, 전자 장치(1300)는 프로세서(1310), 메모리(1320), 카메라(1330), 저장 장치(1340), 입력 장치(1350), 출력 장치(1360) 및 네트워크 인터페이스(1370)를 포함할 수 있으며, 이들은 통신 버스(1380)를 통해 서로 통신할 수 있다. 예를 들어, 전자 장치(1300)는 이동 전화, 스마트 폰, PDA, 넷북, 태블릿 컴퓨터, 랩톱 컴퓨터 등과 같은 모바일 장치, 스마트 워치, 스마트 밴드, 스마트 안경 등과 같은 웨어러블 디바이스, 데스크탑, 서버 등과 같은 컴퓨팅 장치, 텔레비전, 스마트 텔레비전, 냉장고 등과 같은 가전 제품, 도어 락 등과 같은 보안 장치, 자율주행 차량, 스마트 차량 등과 같은 차량의 적어도 일부로 구현될 수 있다. 전자 장치(1300)는 도 1a 및 도 1b의 이미징 장치(110), 도 1a의 영상 처리 장치(120), 및 도 12의 영상 처리 장치(1200) 중 적어도 일부를 구조적 및/또는 기능적으로 포함할 수 있다.
프로세서(1310)는 전자 장치(1300) 내에서 실행하기 위한 기능 및 명령어들을 실행한다. 예를 들어, 프로세서(1310)는 메모리(1320) 또는 저장 장치(1340)에 저장된 명령어들을 처리할 수 있다. 프로세서(1310)는 도 1 내지 도 12, 및 도 14의 동작을 수행할 수 있다. 메모리(1320)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함할 수 있다. 메모리(1320)는 프로세서(1310)에 의해 실행하기 위한 명령어들을 저장할 수 있고, 전자 장치(1300)에 의해 소프트웨어 및/또는 애플리케이션이 실행되는 동안 관련 정보를 저장할 수 있다.
카메라(1330)는 사진 및/또는 비디오를 촬영할 수 있다. 카메라(1330)는 어레이 렌즈 어셈블리를 포함할 수 있다. 예를 들어, 카메라(1330)는 도 1a 및 도 1b의 이미징 장치(110)를 포함할 수 있다. 저장 장치(1340)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함한다. 저장 장치(1340)는 메모리(1320)보다 더 많은 양의 정보를 저장하고, 정보를 장기간 저장할 수 있다. 예를 들어, 저장 장치(1340)는 자기 하드 디스크, 광 디스크, 플래쉬 메모리, 플로피 디스크 또는 이 기술 분야에서 알려진 다른 형태의 비휘발성 메모리를 포함할 수 있다.
입력 장치(1350)는 키보드 및 마우스를 통한 전통적인 입력 방식, 및 터치 입력, 음성 입력, 및 이미지 입력과 같은 새로운 입력 방식을 통해 사용자로부터 입력을 수신할 수 있다. 예를 들어, 입력 장치(1350)는 키보드, 마우스, 터치 스크린, 마이크로폰, 또는 사용자로부터 입력을 검출하고, 검출된 입력을 전자 장치(1300)에 전달할 수 있는 임의의 다른 장치를 포함할 수 있다. 출력 장치(1360)는 시각적, 청각적 또는 촉각적인 채널을 통해 사용자에게 전자 장치(1300)의 출력을 제공할 수 있다. 출력 장치(1360)는 예를 들어, 디스플레이, 터치 스크린, 스피커, 진동 발생 장치 또는 사용자에게 출력을 제공할 수 있는 임의의 다른 장치를 포함할 수 있다. 네트워크 인터페이스(1370)는 유선 또는 무선 네트워크를 통해 외부 장치와 통신할 수 있다.
도 14는 일 실시예에 따른 영상 처리 방법을 예시적으로 나타내는 플로우 차트이다. 도 14를 참조하면, 영상 처리 장치는 단계(1410)에서 어레이 렌즈를 통해 생성된 입력 어레이 영상의 서로 다른 뷰에 대응하는 서브 영상들을 수신하고, 단계(1420)에서 서브 영상들 각각의 이웃 픽셀들 간의 그래디언트를 이용하여 서브 영상들에 따른 임시 복원 영상들을 생성하고, 단계(1430)에서 뉴럴 네트워크 모델을 이용하여 서브 영상들의 픽셀들의 서브 영상들 간의 뷰 차이에 따른 매칭 정보를 포함하는 옵티컬 플로우를 결정하고, 단계(1440)에서 매칭 정보에 따른 서브 영상들의 픽셀들의 매칭 쌍들의 픽셀 거리에 기초하여 매칭 쌍들 중 개선 대상들을 추출하고, 단계(1450)에서 개선 대상들의 픽셀 위치에 따른 지역의 지역 탐색에 기초하여 개선 대상들에 속하는 대상 픽셀들의 적어도 일부를 교체하여 매칭 정보를 개선하고, 단계(1460)에서 개선된 매칭 정보에 기초하여 임시 복원 영상들을 병합하여 단일 뷰의 출력 영상을 생성한다.
입력 어레이 영상의 각 서브 영상은 2*2의 CFA에 따른 제1 채널 신호-제2 채널 신호-제2 채널 신호-제3 채널 신호의 2*2 어레이 형태의 영상 데이터를 반복적으로 포함할 수 있고, 단계(1420)는 서브 영상들의 제1 채널 신호, 제2 채널 신호, 및 제3 채널 신호 중 제2 채널 신호가 우세한 픽셀들에 기초하여 관심 영역을 설정하는 단계, 및 서브 영상들의 이웃 픽셀들 간의 그래디언트에 기초하여, 관심 영역에 속하는 픽셀들에는 작은 그래디언트 방향의 보간을 적용하고, 관심 영역에 속하지 않는 픽셀들에는 큰 그래드언트 방향의 보간을 적용하여, 디모자이크를 수행하는 단계를 포함할 수 있다. 관심 영역을 설정하는 단계는 서브 영상들 중 제1 서브 영상의 제1 픽셀 주변의 제2 채널 신호를 이용한 보간 결과에 따른 제1 그래디언트 값 및 제1 픽셀 주변의 제1 채널 신호 및 제3 채널 신호에 따른 제2 그래디언트 값을 결정하는 단계, 및 제1 그래디언트 값과 제2 그래디언트 값 간의 차이가 임계치보다 작은 경우 제1 픽셀에 기초하여 관심 영역을 설정하는 단계를 포함할 수 있다. 디모자이크를 수행하는 단계는 관심 영역의 제1 픽셀의 수직 방향 및 수평 방향 중 더 큰 그래디언트를 나타내는 어느 한 방향으로 보간을 수행하는 단계, 및 관심 영역 밖의 제2 픽셀의 수직 방향 및 수평 방향 중 더 작은 그래디언트를 나타내는 어느 한 방향으로 보간을 수행하는 단계를 포함할 수 있다.
단계(1420)는 서브 영상들 각각의 이웃 픽셀들 간의 그래디언트에 기초한 에지 정보를 이용하여 서브 영상들의 로 데이터의 디모자이킹을 수행하여 컬러 데이터를 생성하는 단계, 및 에지 정보를 이용하여 업샘플링을 수행하여 서브 영상들에 따른 임시 복원 영상들을 생성하는 단계를 포함할 수 있다. 단계(1420)는 에지 정보를 이용하여 샤프닝 필터를 결정하는 단계, 샤프닝 파라미터에 기초하여 샤프닝 필터를 임시 복원 영상들에 적용하는 단계, 및 샤프닝 결과와 목표 영상 간의 차이에 기초하여 샤프닝 파라미터를 조절하는 단계를 포함할 수 있다.
단계(1440)는 임계치보다 큰 픽셀 거리를 갖는 매칭 쌍들의 적어도 일부를 개선 대상들로 추출하는 단계를 포함할 수 있다.
단계(1450)는 개선 대상들로부터 임시 복원 영상들의 제1 임시 복원 영상의 제1 픽셀과 제2 임시 복원 영상의 제2 픽셀을 포함하는 제1 개선 대상을 선택하는 단계, 제1 캘리브레이션 파라미터에 기초하여 제1 픽셀의 비왜곡화 및 현실 세계로의 역투사를 수행하여 제1 픽셀의 현실 세계의 대응 픽셀을 결정하는 단계, 제2 캘리브레이션 파라미터에 기초하여 대응 픽셀의 제2 임시 복원 영상으로의 재투사 및 왜곡화를 수행하여 제2 임시 복원 영상의 임시 픽셀을 결정하는 단계, 임시 픽셀의 제2 임시 복원 영상 내 위치에 따른 지역 탐색을 수행하여 제2 임시 복원 영상의 새로운 제2 픽셀을 결정하는 단계, 및 제1 픽셀의 매칭 대상을 새로운 제2 픽셀로 업데이트하는 단계를 포함할 수 있다.
단계(1460)는 임시 복원 영상들의 레퍼런스 영상의 각 픽셀과 개선된 매칭 정보에 따른 임시 복원 영상들의 나머지 영상의 매칭 픽셀 간의 가중 합에 기초하여 출력 영상을 생성하는 단계를 포함할 수 있다. 레퍼런스 영상의 제1 픽셀과 나머지 영상의 제2 픽셀 간의 가중 합은 제1 픽셀의 강도와 제2 픽셀의 강도 간의 차이에 따른 제1 가중치, 제1 픽셀과 제2 픽셀 간의 픽셀 거리에 따른 제2 가중치, 및 제1 픽셀 및 제2 픽셀이 로 데이터에 해당하는지 여부에 따른 제3 가중치 중 적어도 하나에 기초하여 결정될 수 있다.
그 밖에, 도 1 내지 도 13의 설명이 도 14의 영상 처리 방법에 적용될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 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.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (20)

  1. 어레이 렌즈를 통해 생성된 입력 어레이 영상의 서로 다른 뷰에 대응하는 서브 영상들을 수신하는 단계;
    상기 서브 영상들 각각의 이웃 픽셀들 간의 그래디언트를 이용하여 상기 서브 영상들에 따른 임시 복원 영상들을 생성하는 단계;
    뉴럴 네트워크 모델을 이용하여 상기 서브 영상들의 픽셀들의 상기 서브 영상들 간의 뷰 차이에 따른 매칭 정보를 포함하는 옵티컬 플로우를 결정하는 단계;
    상기 매칭 정보에 따른 상기 서브 영상들의 상기 픽셀들의 매칭 쌍들의 픽셀 거리에 기초하여 상기 매칭 쌍들 중 개선 대상들을 추출하는 단계;
    상기 개선 대상들의 픽셀 위치에 따른 지역의 지역 탐색에 기초하여 상기 개선 대상들에 속하는 대상 픽셀들의 적어도 일부를 교체하여 상기 매칭 정보를 개선하는 단계; 및
    상기 개선된 매칭 정보에 기초하여 상기 임시 복원 영상들을 병합하여 단일 뷰의 출력 영상을 생성하는 단계
    를 포함하는 영상 처리 방법.
  2. 제1항에 있어서,
    상기 입력 어레이 영상의 각 서브 영상은 2*2의 CFA(color filter array)에 따른 제1 채널 신호-제2 채널 신호-제2 채널 신호-제3 채널 신호의 2*2 어레이 형태의 영상 데이터를 반복적으로 포함하고,
    상기 임시 복원 영상들을 생성하는 단계는
    상기 서브 영상들의 상기 제1 채널 신호, 상기 제2 채널 신호, 및 상기 제3 채널 신호 중 상기 제2 채널 신호가 우세한 픽셀들에 기초하여 관심 영역을 설정하는 단계; 및
    상기 서브 영상들의 이웃 픽셀들 간의 상기 그래디언트에 기초하여, 상기 관심 영역에 속하는 픽셀들에는 작은 그래디언트 방향의 보간을 적용하고, 상기 관심 영역에 속하지 않는 픽셀들에는 큰 그래드언트 방향의 보간을 적용하여, 디모자이크를 수행하는 단계
    를 포함하는, 영상 처리 방법.
  3. 제2항에 있어서,
    상기 관심 영역을 설정하는 단계는
    상기 서브 영상들 중 제1 서브 영상의 제1 픽셀 주변의 상기 제2 채널 신호를 이용한 보간 결과에 따른 제1 그래디언트 값 및 상기 제1 픽셀 주변의 상기 제1 채널 신호 및 상기 제3 채널 신호에 따른 제2 그래디언트 값을 결정하는 단계; 및
    상기 제1 그래디언트 값과 상기 제2 그래디언트 값 간의 차이가 임계치보다 작은 경우 상기 제1 픽셀에 기초하여 상기 관심 영역을 설정하는 단계
    를 포함하는, 영상 처리 방법.
  4. 제2항에 있어서,
    상기 디모자이크를 수행하는 단계는
    상기 관심 영역의 제1 픽셀의 수직 방향 및 수평 방향 중 더 큰 그래디언트를 나타내는 어느 한 방향으로 보간을 수행하는 단계; 및
    상기 관심 영역 밖의 제2 픽셀의 상기 수직 방향 및 상기 수평 방향 중 더 작은 그래디언트를 나타내는 어느 한 방향으로 보간을 수행하는 단계
    를 포함하는, 영상 처리 방법.
  5. 제1항에 있어서,
    상기 임시 복원 영상들을 생성하는 단계는
    상기 서브 영상들 각각의 이웃 픽셀들 간의 상기 그래디언트에 기초한 에지 정보를 이용하여 상기 서브 영상들의 로 데이터의 디모자이킹을 수행하여 컬러 데이터를 생성하는 단계; 및
    상기 에지 정보를 이용하여 업샘플링을 수행하여 상기 서브 영상들에 따른 상기 임시 복원 영상들을 생성하는 단계
    를 포함하는, 영상 처리 방법.
  6. 제5항에 있어서,
    상기 임시 복원 영상들을 생성하는 단계는
    상기 에지 정보를 이용하여 샤프닝 필터를 결정하는 단계;
    샤프닝 파라미터에 기초하여 상기 샤프닝 필터를 상기 임시 복원 영상들에 적용하는 단계; 및
    샤프닝 결과와 목표 영상 간의 차이에 기초하여 상기 샤프닝 파라미터를 조절하는 단계
    를 더 포함하는, 영상 처리 방법.
  7. 제1항에 있어서,
    상기 개선 대상들을 추출하는 단계는
    임계치보다 큰 픽셀 거리를 갖는 상기 매칭 쌍들의 적어도 일부를 상기 개선 대상들로 추출하는 단계를 포함하는,
    영상 처리 방법.
  8. 제1항에 있어서,
    상기 매칭 정보를 개선하는 단계는
    상기 개선 대상들로부터 상기 임시 복원 영상들의 제1 임시 복원 영상의 제1 픽셀과 제2 임시 복원 영상의 제2 픽셀을 포함하는 제1 개선 대상을 선택하는 단계;
    제1 캘리브레이션 파라미터에 기초하여 상기 제1 픽셀의 비왜곡화 및 현실 세계로의 역투사를 수행하여 상기 제1 픽셀의 상기 현실 세계의 대응 픽셀을 결정하는 단계;
    제2 캘리브레이션 파라미터에 기초하여 상기 대응 픽셀의 상기 제2 임시 복원 영상으로의 재투사 및 왜곡화를 수행하여 상기 제2 임시 복원 영상의 임시 픽셀을 결정하는 단계;
    상기 임시 픽셀의 상기 제2 임시 복원 영상 내 위치에 따른 지역 탐색을 수행하여 상기 제2 임시 복원 영상의 새로운 제2 픽셀을 결정하는 단계; 및
    상기 제1 픽셀의 매칭 대상을 상기 새로운 제2 픽셀로 업데이트하는 단계
    를 포함하는, 영상 처리 방법.
  9. 제1항에 있어서,
    상기 출력 영상을 생성하는 단계는
    상기 임시 복원 영상들의 레퍼런스 영상의 각 픽셀과 상기 개선된 매칭 정보에 따른 상기 임시 복원 영상들의 나머지 영상의 매칭 픽셀 간의 가중 합에 기초하여 상기 출력 영상을 생성하는 단계를 포함하는,
    영상 처리 방법.
  10. 제9항에 있어서,
    상기 레퍼런스 영상의 제1 픽셀과 상기 나머지 영상의 제2 픽셀 간의 가중 합은
    상기 제1 픽셀의 강도와 상기 제2 픽셀의 강도 간의 차이에 따른 제1 가중치, 상기 제1 픽셀과 상기 제2 픽셀 간의 픽셀 거리에 따른 제2 가중치, 및 상기 제1 픽셀 및 상기 제2 픽셀이 로 데이터에 해당하는지 여부에 따른 제3 가중치 중 적어도 하나에 기초하여 결정되는,
    영상 처리 방법.
  11. 하드웨어와 결합되어 제1항 내지 제10항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
  12. 프로세서; 및
    상기 프로세서에서 실행가능한 명령어들을 포함하는 메모리
    를 포함하고,
    상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는
    어레이 렌즈를 통해 생성된 입력 어레이 영상의 서로 다른 뷰에 대응하는 서브 영상들을 수신하고,
    상기 서브 영상들 각각의 이웃 픽셀들 간의 그래디언트를 이용하여 상기 서브 영상들에 따른 임시 복원 영상들을 생성하고,
    뉴럴 네트워크 모델을 이용하여 상기 서브 영상들의 픽셀들의 상기 서브 영상들 간의 뷰 차이에 따른 매칭 정보를 포함하는 옵티컬 플로우를 결정하고,
    상기 매칭 정보에 따른 상기 서브 영상들의 상기 픽셀들의 매칭 쌍들의 픽셀 거리에 기초하여 상기 매칭 쌍들 중 개선 대상들을 추출하고,
    상기 개선 대상들의 픽셀 위치에 따른 지역의 지역 탐색에 기초하여 상기 개선 대상들에 속하는 대상 픽셀들의 적어도 일부를 교체하여 상기 매칭 정보를 개선하고,
    상기 개선된 매칭 정보에 기초하여 상기 임시 복원 영상들을 병합하여 단일 뷰의 출력 영상을 생성하는,
    영상 처리 장치.
  13. 제12항에 있어서,
    상기 입력 어레이 영상의 각 서브 영상은 2*2의 CFA(color filter array)에 따른 제1 채널 신호-제2 채널 신호-제2 채널 신호-제3 채널 신호의 2*2 어레이 형태의 영상 데이터를 반복적으로 포함하고,
    상기 프로세서는, 상기 임시 복원 영상들을 생성하기 위해,
    상기 서브 영상들의 상기 제1 채널 신호, 상기 제2 채널 신호, 및 상기 제3 채널 신호 중 상기 제2 채널 신호가 우세한 픽셀들에 기초하여 관심 영역을 설정하고,
    상기 서브 영상들의 이웃 픽셀들 간의 상기 그래디언트에 기초하여, 상기 관심 영역에 속하는 픽셀들에는 작은 그래디언트 방향의 보간을 적용하고, 상기 관심 영역에 속하지 않는 픽셀들에는 큰 그래드언트 방향의 보간을 적용하여, 디모자이크를 수행하는,
    영상 처리 장치.
  14. 제13항에 있어서,
    상기 프로세서는, 상기 디모자이크를 수행하기 위해,
    상기 관심 영역의 제1 픽셀의 수직 방향 및 수평 방향 중 더 큰 그래디언트를 나타내는 어느 한 방향으로 보간을 수행하고,
    상기 관심 영역 밖의 제2 픽셀의 상기 수직 방향 및 상기 수평 방향 중 더 작은 그래디언트를 나타내는 어느 한 방향으로 보간을 수행하는,
    영상 처리 장치.
  15. 제12항에 있어서,
    상기 프로세서는, 상기 개선 대상들을 추출하기 위해,
    임계치보다 큰 픽셀 거리를 갖는 상기 매칭 쌍들의 적어도 일부를 상기 개선 대상들로 추출하는,
    영상 처리 장치.
  16. 제12항에 있어서,
    상기 프로세서는, 상기 매칭 정보를 개선하기 위해,
    상기 개선 대상들로부터 상기 임시 복원 영상들의 제1 임시 복원 영상의 제1 픽셀과 제2 임시 복원 영상의 제2 픽셀을 포함하는 제1 개선 대상을 선택하고,
    제1 캘리브레이션 파라미터에 기초하여 상기 제1 픽셀의 비왜곡화 및 현실 세계로의 역투사를 수행하여 상기 제1 픽셀의 상기 현실 세계의 대응 픽셀을 결정하고,
    제2 캘리브레이션 파라미터에 기초하여 상기 대응 픽셀의 상기 제2 임시 복원 영상으로의 재투사 및 왜곡화를 수행하여 상기 제2 임시 복원 영상의 임시 픽셀을 결정하고,
    상기 임시 픽셀의 상기 제2 임시 복원 영상 내 위치에 따른 지역 탐색을 수행하여 상기 제2 임시 복원 영상의 새로운 제2 픽셀을 결정하고,
    상기 제1 픽셀의 매칭 대상을 상기 새로운 제2 픽셀로 업데이트하는,
    영상 처리 장치.
  17. 제12항에 있어서,
    상기 프로세서는, 상기 출력 영상을 생성하기 위해,
    상기 임시 복원 영상들의 레퍼런스 영상의 각 픽셀과 상기 개선된 매칭 정보에 따른 상기 임시 복원 영상들의 나머지 영상의 매칭 픽셀 간의 가중 합에 기초하여 상기 출력 영상을 생성하는,
    영상 처리 장치.
  18. 제17항에 있어서,
    상기 레퍼런스 영상의 제1 픽셀과 상기 나머지 영상의 제2 픽셀 간의 가중 합은
    상기 제1 픽셀의 강도와 상기 제2 픽셀의 강도 간의 차이에 따른 제1 가중치, 상기 제1 픽셀과 상기 제2 픽셀 간의 픽셀 거리에 따른 제2 가중치, 및 상기 제1 픽셀 및 상기 제2 픽셀이 로 데이터에 해당하는지 여부에 따른 제3 가중치 중 적어도 하나에 기초하여 결정되는,
    영상 처리 장치.
  19. 어레이 렌즈를 통해 서로 다른 뷰에 대응하는 서브 영상들을 포함하는 입력 어레이 영상을 생성하는 이미징 장치; 및
    상기 서브 영상들 각각의 이웃 픽셀들 간의 그래디언트를 이용하여 상기 서브 영상들에 따른 임시 복원 영상들을 생성하고,
    뉴럴 네트워크 모델을 이용하여 상기 서브 영상들의 픽셀들의 상기 서브 영상들 간의 뷰 차이에 따른 매칭 정보를 포함하는 옵티컬 플로우를 결정하고,
    상기 매칭 정보에 따른 상기 서브 영상들의 상기 픽셀들의 매칭 쌍들의 픽셀 거리에 기초하여 상기 매칭 쌍들 중 개선 대상들을 추출하고,
    상기 개선 대상들의 픽셀 위치에 따른 지역의 지역 탐색에 기초하여 상기 개선 대상들에 속하는 대상 픽셀들의 적어도 일부를 교체하여 상기 매칭 정보를 개선하고,
    상기 개선된 매칭 정보에 기초하여 상기 임시 복원 영상들을 병합하여 단일 뷰의 출력 영상을 생성하는, 프로세서
    를 포함하는, 전자 장치.
  20. 제19항에 있어서,
    상기 입력 어레이 영상의 각 서브 영상은 2*2의 CFA(color filter array)에 따른 제1 채널 신호-제2 채널 신호-제2 채널 신호-제3 채널 신호의 2*2 어레이 형태의 영상 데이터를 반복적으로 포함하고,
    상기 프로세서는, 상기 임시 복원 영상들을 생성하기 위해,
    상기 서브 영상들의 상기 제1 채널 신호, 상기 제2 채널 신호, 및 상기 제3 채널 신호 중 상기 제2 채널 신호가 우세한 픽셀들에 기초하여 관심 영역을 설정하고,
    상기 서브 영상들의 이웃 픽셀들 간의 상기 그래디언트에 기초하여, 상기 관심 영역에 속하는 픽셀들에는 작은 그래디언트 방향의 보간을 적용하고, 상기 관심 영역에 속하지 않는 픽셀들에는 큰 그래드언트 방향의 보간을 적용하여, 디모자이크를 수행하는,
    전자 장치.
KR1020220120004A 2022-09-22 2022-09-22 어레이 영상 처리 방법 및 장치 KR20240041000A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020220120004A KR20240041000A (ko) 2022-09-22 2022-09-22 어레이 영상 처리 방법 및 장치
CN202310922053.8A CN117764820A (zh) 2022-09-22 2023-07-25 图像处理方法和图像处理设备
US18/236,635 US20240112440A1 (en) 2022-09-22 2023-08-22 Method and apparatus for processing array image
EP23196232.5A EP4343678A1 (en) 2022-09-22 2023-09-08 Method and apparatus for processing array image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220120004A KR20240041000A (ko) 2022-09-22 2022-09-22 어레이 영상 처리 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20240041000A true KR20240041000A (ko) 2024-03-29

Family

ID=88016598

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220120004A KR20240041000A (ko) 2022-09-22 2022-09-22 어레이 영상 처리 방법 및 장치

Country Status (4)

Country Link
US (1) US20240112440A1 (ko)
EP (1) EP4343678A1 (ko)
KR (1) KR20240041000A (ko)
CN (1) CN117764820A (ko)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008086037A2 (en) * 2007-01-10 2008-07-17 Flextronics International Usa Inc. Color filter array interpolation
US20140055632A1 (en) * 2012-08-23 2014-02-27 Pelican Imaging Corporation Feature based high resolution motion estimation from low resolution images captured using an array source
KR20220121533A (ko) * 2021-02-25 2022-09-01 삼성전자주식회사 어레이 카메라를 통해 획득된 영상을 복원하는 영상 복원 방법 및 영상 복원 장치

Also Published As

Publication number Publication date
US20240112440A1 (en) 2024-04-04
EP4343678A1 (en) 2024-03-27
CN117764820A (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
US11790481B2 (en) Systems and methods for fusing images
JP6561216B2 (ja) 光学フローを使用した中間ビューの生成
EP4109392A1 (en) Image processing method and image processing device
US9842386B2 (en) Image filtering based on image gradients
CN102025959B (zh) 从低清晰度视频产生高清晰度视频的系统与方法
US8594451B2 (en) Edge mapping incorporating panchromatic pixels
WO2016074620A1 (en) Parallax tolerant video stitching with spatial-temporal localized warping and seam finding
US20110096987A1 (en) Noise reduced color image using panchromatic image
WO2022170824A1 (zh) 图像拼接的处理方法、装置、电子系统和设备、可读介质
US10157446B2 (en) Systems and methods for processing images of objects using interpolation between keyframes
US20190370933A1 (en) Image Processing Method and Apparatus
CN109767388A (zh) 基于超像素提升图像拼接质量的方法、移动终端、相机
US9959636B2 (en) Systems and methods for processing images of objects using global lighting estimates
KR102083721B1 (ko) 딥 러닝을 이용한 양안기반 초해상 이미징 방법 및 그 장치
US10181183B2 (en) Systems and methods for processing images of objects using coarse intrinsic colour estimates
US10055826B2 (en) Systems and methods for processing images of objects using coarse surface normal estimates
CN114429191A (zh) 基于深度学习的电子防抖方法、系统及存储介质
CN112446830A (zh) 一种图像色边的处理方法、装置、存储介质及电子设备
JP5914046B2 (ja) 画像処理装置および画像処理方法
CN106780402A (zh) 基于Bayer格式的图像动态范围扩展方法及装置
KR20240041000A (ko) 어레이 영상 처리 방법 및 장치
CN117897723A (zh) 用于学习局部图像增强的色调曲线的系统和方法
CN106296580A (zh) 一种图像拼接的方法及装置
KR20240056292A (ko) 어레이 영상 처리 방법 및 장치
CN111008555B (zh) 一种无人机图像弱小目标增强提取方法