WO2019164232A1 - 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체 - Google Patents

전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체 Download PDF

Info

Publication number
WO2019164232A1
WO2019164232A1 PCT/KR2019/002022 KR2019002022W WO2019164232A1 WO 2019164232 A1 WO2019164232 A1 WO 2019164232A1 KR 2019002022 W KR2019002022 W KR 2019002022W WO 2019164232 A1 WO2019164232 A1 WO 2019164232A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
noise
correction map
information
electronic device
Prior art date
Application number
PCT/KR2019/002022
Other languages
English (en)
French (fr)
Inventor
네어테자스
이재성
이태미
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 US16/971,601 priority Critical patent/US11379955B2/en
Priority to CN201980014451.1A priority patent/CN111771226A/zh
Priority to EP19756967.6A priority patent/EP3742388B1/en
Publication of WO2019164232A1 publication Critical patent/WO2019164232A1/ko

Links

Images

Classifications

    • G06T5/70—
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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 by the use of more than one image, e.g. averaging, subtraction
    • G06T5/60—
    • G06T5/80—
    • G06T5/90—
    • G06T5/92—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/70—Circuitry for compensating brightness variation in the scene
    • H04N23/71—Circuitry for evaluating the brightness variation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
    • H04N25/60—Noise processing, e.g. detecting, correcting, reducing or removing noise
    • H04N25/61—Noise processing, e.g. detecting, correcting, reducing or removing noise the noise originating only from the lens unit, e.g. flare, shading, vignetting or "cos4"
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
    • H04N25/60—Noise processing, e.g. detecting, correcting, reducing or removing noise
    • H04N25/67—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to fixed-pattern noise, e.g. non-uniformity of response
    • H04N25/671—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to fixed-pattern noise, e.g. non-uniformity of response for non-uniformity detection or correction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/76—Television signal recording
    • H04N5/907—Television signal recording using static stores, e.g. storage tubes or semiconductor memories
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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]

Definitions

  • the present disclosure relates to an electronic device, an image processing method thereof, and a computer readable recording medium, and more particularly, to an electronic device, an image processing method thereof, and a computer readable recording medium which remove noise using brightness information of an image. It is about.
  • the present disclosure relates to an artificial intelligence (AI) system and its application for simulating functions such as recognition and judgment of the human brain using a machine learning algorithm.
  • AI artificial intelligence
  • Artificial intelligence systems that implement human-level intelligence have been used in various fields.
  • Artificial intelligence systems unlike conventional rule-based smart systems, are machines that learn and judge themselves and become smart. As the artificial intelligence system is used, the recognition rate is improved and the user's taste can be understood more accurately, and the existing rule-based smart system is gradually replaced by the deep learning-based artificial intelligence system.
  • Machine learning e.g. deep learning
  • machine learning e.g., deep learning
  • Machine learning is an algorithm technology that classifies / learns characteristics of input data by itself
  • element technology is a technology that simulates the functions of human brain cognition and judgment by using machine learning algorithms such as deep learning. It consists of technical areas such as understanding, reasoning / prediction, knowledge representation, and motion control.
  • Linguistic understanding is a technology for recognizing and applying / processing human language / characters and includes natural language processing, machine translation, dialogue system, question and answer, speech recognition / synthesis, and the like.
  • Visual understanding is a technology for recognizing and processing objects as human vision, and includes object recognition, object tracking, image search, person recognition, scene understanding, spatial understanding, image enhancement, and the like.
  • Inference prediction is a technique of judging information, logically inferring, and predicting information, and includes knowledge / probability based inference, optimization prediction, preference based planning, and recommendation.
  • Knowledge expression is a technology that automatically processes human experience information into knowledge data, and includes knowledge construction (data generation / classification) and knowledge management (data utilization).
  • Motion control is a technology for controlling autonomous driving of a vehicle and movement of a robot, and includes motion control (navigation, collision, driving), operation control (action control), and the like.
  • the image generated in the dark environment such as evening time or closed space, has a problem that the image quality is reduced, including a lot of noise.
  • the noise of the image is measured and the noise is removed by filtering the intensity of the noise.
  • noise was measured by analyzing the frequency of the image, and thus local features of the image were not considered. For example, there were many situations in which it was unclear whether an edge or noise existed in an image. As a result, a blur region exists by filtering an area other than noise in the corrected image, and a texture of the image is lost, resulting in a problem that image quality is reduced.
  • the conventional technique of removing noise using an artificial intelligence model has used a separate model for each measured intensity of noise.
  • a plurality of models provided for each noise intensity had to be trained, which causes a lot of input data and memory to be consumed for training.
  • the present disclosure is in accordance with the above-described needs, and an object of the present disclosure is to provide an electronic device for removing noise using brightness information of an image, an image processing method thereof, and a computer-readable recording medium.
  • An electronic device includes a memory including at least one command and a processor connected to the memory to control the electronic device, wherein the processor executes the at least one command, Acquire an image, obtain a noise correction map for correcting the noise of the image based on setting information of the camera photographing the image or brightness information of the image, and remove the noise of the image through the noise correction map. do.
  • the processor may acquire a noise correction map such that the noise removal intensity is increased as the brightness is darker based on the brightness information of the image.
  • the brightness information of the image is contrast information for each pixel of the image
  • the processor may acquire a noise correction map such that the noise removal intensity varies for each pixel.
  • the processor may divide the image into a plurality of regions for each brightness, and obtain a noise correction map such that the noise removal intensity varies for each of the divided regions.
  • the setting information of the camera may include at least one of lens information of the camera and ISO information of the camera.
  • the processor may acquire a noise correction map based on the lens information of the camera so that the noise removal intensity is changed according to the degree of vignetting correction.
  • the processor may acquire a noise correction map based on the ISO information so that the higher the ISO value, the higher the noise removal intensity.
  • the processor may obtain the corrected image from which the noise is removed by inputting the noise correction map and the image to a trained artificial intelligence model.
  • the image processing method of the electronic device may include obtaining an image, correcting noise of the image based on setting information of a camera capturing the image or brightness information of the image. Obtaining a noise correction map and removing noise of the image through the noise correction map.
  • the noise correction map may be acquired such that the higher the noise removal intensity is, the darker the region is, based on the brightness information of the image.
  • the brightness information of the image may be contrast information for each pixel of the image, and in the obtaining of the noise correction map, the noise correction map may be acquired so that the noise removal intensity varies for each pixel.
  • the image in the obtaining of the noise correction map, the image may be divided into a plurality of regions for each brightness, and the noise correction map may be obtained so that the noise removal intensity is changed for each of the divided regions.
  • the setting information of the camera may include at least one of lens information of the camera and ISO information of the camera.
  • the obtaining of the noise correction map may obtain a noise correction map to vary the noise removal intensity according to the degree of vignetting correction.
  • the noise correction map may be acquired such that the higher the ISO value, the higher the noise removal intensity is, based on the ISO information.
  • the noise correction map and the image may be input to a trained artificial intelligence model to obtain a corrected image from which the noise is removed.
  • the image processing method includes: acquiring an image and setting information of a camera capturing the image Or obtaining a noise correction map for correcting the noise of the image based on brightness information of the image and removing the noise of the image through the noise correction map.
  • FIG. 1 is a block diagram illustrating a brief configuration of an electronic device according to an embodiment of the present disclosure
  • FIG. 2 is a block diagram illustrating a specific configuration of the electronic device of FIG. 1;
  • 3 to 5 are diagrams for describing a noise correction process according to various embodiments of the present disclosure.
  • FIG. 6 is a block diagram illustrating a configuration of an electronic device for learning and using an artificial intelligence model according to an embodiment of the present disclosure
  • FIGS. 7A and 7B are block diagrams illustrating specific configurations of a learner and an acquirer, according to an exemplary embodiment.
  • FIG. 8 is a diagram for describing a process of obtaining a noise correction map according to one embodiment of the present disclosure
  • FIG. 9 is a view for explaining an embodiment of a noise correction map obtained by reflecting setting information of a camera
  • FIG. 10 is a flowchart illustrating an image correction method according to an embodiment of the present disclosure
  • FIG. 11 is a diagram for comparing an image corrected according to the present disclosure with an existing image.
  • Embodiments of the present disclosure may be variously modified and have various embodiments, and specific embodiments will be illustrated in the drawings and described in detail in the written description. However, this is not intended to limit the scope to the specific embodiment, it should be understood to include all transformations, equivalents, and substitutes included in the spirit and technical scope of the invention. In describing the embodiments, when it is determined that the detailed description of the related known technology may obscure the gist, the detailed description thereof will be omitted.
  • first and second may be used to describe various components, but the components should not be limited by the terms. The terms are only used to distinguish one component from another.
  • the 'module' or 'unit' performs at least one function or operation, and may be implemented in hardware or software or in a combination of hardware and software.
  • a plurality of 'modules' or a plurality of 'units' may be integrated into at least one module except for 'modules' or 'units' that need to be implemented by specific hardware, and may be implemented as at least one processor.
  • FIG. 1 is a block diagram illustrating a brief configuration of an electronic device according to an embodiment of the present disclosure.
  • an electronic device 100 includes a memory 110 and a processor 120.
  • the electronic device 100 may be a device capable of processing an image.
  • the electronic device 100 may be a desktop PC, a notebook, a TV, a smartphone, a tablet PC, a server, a camera, a camcorder, or the like.
  • the electronic device 100 may mean a system itself in which a cloud computing environment is built.
  • the electronic device 100 may be a device capable of artificial intelligence learning.
  • the learned artificial intelligence model in the present disclosure may be constructed in consideration of application fields of the recognition model or computer performance of the device.
  • the artificial intelligence model may be trained to obtain information about an object included in the video by inputting the video data.
  • the trained artificial intelligence model may be, for example, a model based on a neural network.
  • the recognition model may be designed to simulate a human brain structure on a computer and may include a plurality of weighted network nodes that simulate neurons in a human neural network. The plurality of network nodes may form a connection relationship so that neurons simulate the synaptic activity of neurons that send and receive signals through synapses.
  • the artificial intelligence model may be a deep neural network (DNN), but this is only an example, and another artificial intelligence model may be used.
  • DNN deep neural network
  • the electronic device 100 may use an artificial intelligence agent to retrieve information related to the object as described above.
  • the artificial intelligence agent is a dedicated program for providing an AI (Artificial Intelligence) based service (for example, a voice recognition service, a secretary service, a translation service, a search service, etc.), and an existing general purpose processor (for example, CPU) or a separate AI dedicated processor (eg, GPU, etc.).
  • AI Artificial Intelligence
  • a voice recognition service for example, a voice recognition service, a secretary service, a translation service, a search service, etc.
  • an existing general purpose processor for example, CPU
  • a separate AI dedicated processor eg, GPU, etc.
  • the memory 110 may be implemented as a memory of various formats such as a hard disk drive (HDD), a solid state drive (SSD), a DRAM memory, an SRAM memory, an FRAM memory, or a flash memory.
  • HDD hard disk drive
  • SSD solid state drive
  • DRAM dynamic random access memory
  • SRAM static random access memory
  • FRAM Fidel random access memory
  • flash memory any type of non-volatile memory
  • the memory 110 may store various programs and data necessary for the operation of the electronic device 100.
  • at least one command necessary for the operation of the electronic device 100 may be stored in the memory 110.
  • an artificial intelligence model may be stored in the memory 110.
  • the artificial intelligence model may be learned.
  • the artificial intelligence model may remove noise of the input image.
  • the artificial intelligence model may remove the noise of the obtained image by receiving the image and the noise correction map acquired by the processor 120.
  • the image input to the artificial intelligence model may be a noise image acquired based on the high quality original image, and the parameters of the artificial intelligence model may be trained to match the noise removed image with the high quality original image.
  • the processor 120 may control overall operations of the electronic device 100 by executing at least one command stored in the memory 110.
  • the processor 120 may be implemented as a digital signal processor (DSP), a microprocessor, or a time controller (TCON), but is not limited thereto.
  • DSP digital signal processor
  • CPU central processing unit
  • MCU microcontroller unit
  • MPU micro processing unit
  • controller application processor
  • CP communication processor
  • ARM processor ARM processor
  • the processor 140 may be implemented by a System on Chip (SoC), a large scale integration (LSI), or an FPGA (Integrated Processing Algorithm). Field Programmable Gate Array) may be implemented.
  • SoC System on Chip
  • LSI large scale integration
  • FPGA Integrated Processing Algorithm
  • Field Programmable Gate Array may be implemented.
  • the processor 120 may acquire an image and remove noise of the obtained image.
  • the image may be acquired by a camera (not shown) provided in the electronic device 100 or may be received from an external device.
  • the processor 120 may obtain a noise correction map for correcting the noise of the image, and may remove the noise of the image by using the obtained noise correction map.
  • the noise correction map may be obtained based on at least one of setting information of the camera photographing the acquired image and brightness information of the acquired image.
  • the processor 120 may acquire a noise correction map such that the noise removal intensity is increased as the brightness is darker based on the obtained brightness information of the image. This means that even if the conditions other than the brightness of the image are the same, the darker the brightness of the image, the more noise is generated.
  • the noise removing intensity may mean an intensity to which the noise removing effect is applied.
  • the processor 120 may obtain brightness information of an image.
  • the brightness information of the image may refer to the contrast information of the image.
  • the processor 120 may obtain a gray map including contrast information of the acquired image, and obtain a noise correction map using the gray map. In this case, since the contrast information of the image will be different for each image, the processor 120 may generate a noise correction map corresponding to each obtained image.
  • the processor 120 may obtain contrast information for each pixel of the image, and may acquire a noise correction map such that the noise removal intensity is changed for each pixel.
  • the processor 120 may divide the image into a plurality of regions, and acquire a noise correction map such that the noise removal intensity varies for each of the divided regions.
  • the processor 120 may divide the image into a plurality of regions for each brightness.
  • the processor 120 may detect an edge in the image and divide the image into a plurality of regions based on the detected edge.
  • the edge may refer to a boundary in which the difference in contrast is greater than or equal to a preset value in the image.
  • the processor 120 may acquire a noise correction map using the setting information of the camera.
  • the camera is a device for capturing the acquired image
  • the setting information of the camera may include various items associated with brightness information of the acquired image.
  • the setting information of the camera may include at least one of lens information of the camera and ISO information of the camera.
  • the processor 120 may acquire a noise correction map based on the lens information of the camera so that the noise removing intensity varies according to the degree of vignetting correction.
  • the vignetting may refer to a phenomenon in which corners or outer portions of the captured image are darkened or blacked out due to a decrease in the amount of light around the lens. This is a problem of the lens itself, and the generation range and degree may vary for each lens used in the camera.
  • the noise correction map based on the lens information may be the same. An embodiment of correcting vignetting will be described in detail with reference to FIGS. 8 and 9.
  • the processor 120 may obtain a noise correction map based on the ISO information of the camera.
  • ISO refers to the degree of sensitivity of the camera to light. The larger the value, the more it recognizes weak light and is mainly used for shooting in the dark. If the ISO value is large, the shooting time is shortened to obtain a clear image which is not shaken, but there is a problem that the image is roughened due to an increase in noise.
  • the ISO value may be specified by the user, or may be automatically set based on the sensed ambient brightness.
  • the noise correction map may be obtained such that the noise removal intensity is increased.
  • the contrast information of the image, the lens information of the camera, and the ISO information are used to obtain the noise correction map.
  • the information is obtained based on the setting information of the camera as shown in FIGS. 3 and 8.
  • a noise correction map reflecting both the processed map and the gray map of the image may be obtained.
  • various data such as a value sensed by the illuminance sensor, may be reflected, without being limited to the setting information of the camera and the contrast information of the image.
  • the processor 120 may output an image from which noise is removed using an artificial intelligence model stored in the memory 110.
  • the processor 120 may obtain the corrected image from which the noise is removed by inputting the acquired image and the obtained noise correction map to the artificial intelligence model.
  • the artificial intelligence model may be learned in advance.
  • the obtained image may be a noise image generated from a high quality original image.
  • the processor 120 may generate a noise correction map of the noise image, input the noise image and the noise correction map to the artificial intelligence model, and output the corrected image.
  • the processor 120 may train the parameter of the artificial intelligence model by comparing the output correction image and the high-quality original image. Such a training operation may be performed before or during a manufacturing process of the electronic device 100, and the manufactured electronic device 100 may include an artificial intelligence model using trained parameters.
  • FIGS. 4 and 5 Various embodiments including an artificial intelligence model will be described in detail with reference to FIGS. 4 and 5.
  • the noise of the image can be removed without directly measuring the noise of the image, and the effect of removing the noise more efficiently without loss of texture by reflecting both the overall and local characteristics of the image. There is.
  • FIG. 2 is a block diagram illustrating a specific configuration of the electronic device of FIG. 1.
  • the electronic device 100 may include a memory 110, a processor 120, a communicator 130, a display 140, a button 150, a video processor 160, and a camera 170. Can be.
  • the memory 110 and the processor 120 are the same as those shown in FIG. 1, duplicate descriptions are omitted.
  • the processor 120 may include a RAM 121, a ROM 122, a CPU 123, a graphic processing unit (GPU) 124, and a bus 125.
  • the RAM 121, the ROM 122, the CPU 123, the graphics processing unit (GPU) 124, and the like may be connected to each other through the bus 125.
  • the CPU 123 accesses the memory 110 and performs booting using an operating system stored in the memory 110. In addition, various operations are performed using various programs, contents, data, etc. stored in the memory 110.
  • the ROM 122 stores a command set for system booting.
  • the CPU 123 copies the O / S stored in the memory 110 to the RAM 121 according to the command stored in the ROM 122 and executes the O / S.
  • the CPU 123 copies various programs stored in the memory 110 to the RAM 121 and executes the programs copied to the RAM 121 to perform various operations.
  • the GPU 124 displays a UI on the display 140.
  • the GPU 124 may generate a screen including various objects such as an icon, an image, and a text using a calculator (not shown) and a renderer (not shown).
  • the calculator calculates attribute values such as coordinates, shapes, sizes, and colors for displaying the objects according to the layout of the screen.
  • the renderer generates screens of various layouts including objects based on the attribute values calculated by the calculator.
  • the screen (or user interface window) generated by the renderer is provided to the display 140 and displayed on the main display area and the sub display area, respectively.
  • the communication unit 130 is a component that performs communication with various types of external devices according to various types of communication methods.
  • the communication unit 130 may receive an image to be image-processed from an external device.
  • the communication unit 130 may receive setting information of a camera that captured an image.
  • the communication unit 130 may receive at least one of lens information and ISO information of the camera.
  • the communication unit 130 may receive a value sensed by an external illuminance sensor.
  • the communication unit 130 may transmit the image from which the noise is removed to the external device.
  • the communication unit 130 may receive an image through a wired method such as an antenna, a cable, or a port from an external device, or may receive an image through a wireless method such as Wi-Fi or Bluetooth.
  • the electronic device 100 may receive an image selected by a user from among a plurality of images stored in the memory 110 included in the electronic device 100 and process the image.
  • the communication unit 130 may include a Wi-Fi chip, a Bluetooth chip, a wireless communication chip, and an NFC chip.
  • the Wi-Fi chip and the Bluetooth chip communicate with each other by WiFi or Bluetooth.
  • various connection information such as SSID and session key may be transmitted and received first, and then various communication information may be transmitted and received by using the same.
  • the wireless communication chip refers to a chip that performs communication according to various communication standards such as IEEE, Zigbee, 3rd Generation (3G), 3rd Generation Partnership Project (3GPP), Long Term Evoloution (LTE), and the like.
  • the NFC chip refers to a chip operating in a near field communication (NFC) method using a 13.56 MHz band among various RF-ID frequency bands such as 135 kHz, 13.56 MHz, 433 MHz, 860-960 MHz, and 2.45 GHz.
  • NFC near field communication
  • the display 140 may display an image from which noise is removed by the processor 120. In addition, the image may be displayed on the display 140 before the noise is removed according to the design of the software such as an application.
  • the display 140 may be implemented as various types of displays such as a liquid crystal display (LCD), an organic light emitting diode (OLED) display, a plasma display panel (PDP), and the like.
  • the display 140 may also include a driving circuit, a backlight unit, and the like, which may be implemented in the form of an a-si TFT, a low temperature poly silicon (LTPS) TFT, an organic TFT (OTFT), or the like.
  • the display 140 may be implemented as a flexible display.
  • the display 140 may not be provided in the electronic device 100.
  • the button 150 may be various types of buttons, such as a mechanical button, a touch pad, a wheel, and the like, formed on an arbitrary area such as a front portion, a side portion, a back portion, etc. of the main body exterior of the electronic device 100.
  • the video processor 160 is a component for processing video data included in content received through the communication unit 130 or content stored in the memory 110.
  • the video processor 160 may perform various image processing such as decoding, scaling, noise filtering, frame rate conversion, resolution conversion, and the like on the video data.
  • the video data may be noise-removed for each frame by the processor 120.
  • the camera 170 is a component for capturing a still image or a moving image under the control of a user.
  • the camera 170 may include a lens, an image sensor, or the like.
  • the camera 170 may be implemented as a plurality of cameras, such as a front camera and a rear camera. In addition, according to various embodiments, the camera 170 may not be provided in the electronic device 100.
  • various external input ports for connecting to a USB port through which a USB connector may be connected in the electronic device 100, or various external terminals such as a headset, a mouse, and a LAN may be used.
  • it may further include a DMB chip, an audio processor, a microphone, an audio output unit, various sensors, etc. to receive and process a digital multimedia broadcasting (DMB) signal.
  • DMB digital multimedia broadcasting
  • FIGS. 3 to 5 illustrate a noise correction process according to various embodiments of the present disclosure.
  • the solid line block illustrated in FIGS. 3 to 5 refers to an operation performed by at least one processor included in the electronic device, and the dotted line block refers to input data or output data. Shown.
  • the electronic device may first acquire brightness information 302 of the input image 301 from the input image 301.
  • the electronic device may acquire contrast information of the input image 301.
  • the brightness information 302 may be contrast information for each pixel of the image 301 or contrast information for each region divided by brightness.
  • the electronic device may acquire a noise correction map 304 using at least one of the obtained brightness information 302 and setting information 303 of the camera.
  • the setting information 303 of the camera is information about a camera photographing the input image 301, and may include at least one of lens information and ISO information of the camera.
  • the electronic device may acquire the noise correction map 304 based on the brightness information 302.
  • the electronic device may acquire the noise correction map 304 based on the brightness information 302 so that the darker the brightness of the image is, the higher the noise removal intensity is.
  • the electronic device may remove 320 the noise of the input image 301 using the input image 301 and the noise correction map 304, and obtain an output image 305 in which the noise is corrected.
  • the electronic device may obtain the output image 305 using the artificial intelligence model from the input image 301 and the noise correction map 304. Specifically, this will be described in detail with reference to FIGS. 4 and 5.
  • the electronic device may acquire an output image 403 using the input image 401 and the noise correction map 402.
  • the noise correction map 402 is obtained by using the brightness information of the input image 401 as shown in FIG. 3 and the description thereof will be omitted.
  • the electronic device may concatenate (concat) 410 the input image 401 and the noise correction map 402.
  • the electronic device may connect a plurality of images to each other to mosaic a single image.
  • the electronic device may remove the noise by inputting the connected image to the artificial intelligence model 420.
  • the electronic device may extract a feature of the image while passing the connected image through a convolutional layer.
  • the connected image may be composed of a plurality of frames, and the electronic device may extract a feature of each of the plurality of frames.
  • the electronic device may selectively pass a rectified linear unit (ReLU) layer.
  • the ReLU function is designed to solve the problem that the input value affects the result value as it goes through multiple layers, or the effect on the result value is very small. Larger values are treated as representing a linear function. As a result, it is possible to better observe the effect of the input value on the result value, thereby enabling accurate learning.
  • the electronic device may remove noise of the connected image using the noise removing module 421 for removing noise of the image.
  • the noise removing module 421 includes a plurality of convolutional layers, a batch normalization (BN) layer for normalizing the characteristics of the extracted image, a ReLu layer, and the like, and passes the connected image through the plurality of layers. The noise of the image can be removed.
  • BN batch normalization
  • the electronic device may selectively reduce the connected image and input the reduced image to the noise removing module 421, thereby maximizing the noise reduction effect. Specifically, it has been experimentally confirmed that the electronic device may compress or remove unnecessary information by reducing an image, and perform noise removal more appropriately.
  • the plurality of parameters included in the artificial intelligence model 420 may be trained in advance.
  • the electronic device may input a high quality original image of the input image 401 together to the artificial intelligence model 420 in addition to the input image 401 which is a noise image, and the output image 403 from which the noise is removed and the high quality original
  • the parameters of the artificial intelligence model 420 may be trained to match the images.
  • FIG. 4 illustrates that the input image and the noise correction map are joined to each other, the combined image is input to the artificial intelligence model.
  • the bonding process may be performed in the artificial intelligence model.
  • FIG. 4 illustrates that the obtained noise correction map is input to the artificial intelligence model
  • only the input image may be input to the artificial intelligence model, and the artificial intelligence model may generate the noise correction map.
  • the noise correction map is input to the artificial intelligence model together with the input image
  • the noise correction map may be input during the noise removal process. This will be described below with reference to FIG. 5.
  • the electronic device may input the noise correction map 502 generated based on the input image 501 and the input image 501, to the artificial intelligence model 520.
  • the electronic device may obtain an output image 503 with noise corrected.
  • the artificial intelligence model 520 may include a plurality of noise removal modules 521-1, 521-2, and 521-3. Each noise reduction module is the same as that shown in FIG. 4, and thus redundant descriptions thereof will be omitted.
  • the image is reduced before and after the bonding operation of the input image 501 and the noise correction map 502 and the noise removing module as shown in FIG. 4. The enlargement operation may be performed.
  • the electronic device may input a noise correction map between the plurality of noise removing modules 521-1, 521-2, and 521-3. This can maximize the noise reduction effect. Specifically, when an image to which the input image 501 and the noise correction map 502 are connected passes through the convolutional layer, the information of the input image and the noise correction map are combined to obtain new information, and the noise correction map 502 is formed in the middle. By being input again, the electronic device can perform noise correction using clearer information.
  • FIG. 6 is a block diagram illustrating a configuration of an electronic device for learning and using an artificial intelligence model, according to an exemplary embodiment.
  • the processor 600 may include at least one of the learner 610 and the acquirer 620.
  • the processor 600 of FIG. 6 may correspond to the processor 120 of the electronic device 100 of FIGS. 1 and 2 or the processor of a data learning server (not shown).
  • the learner 610 may generate or learn a model for removing noise of an image.
  • the learner 610 may generate an artificial intelligence model for removing noise of an image by using the collected training data.
  • the learner 610 may generate a trained model having noise reduction criteria by using the collected training data.
  • the learning unit 610 may correspond to a training set of an artificial intelligence model.
  • the learner 610 may generate, learn, or update a model for removing noise by using an input image, which is a noise image, and a noise correction map, as input data.
  • the learner 610 may generate, learn, or update a model for removing noise of an image based on brightness information of the image.
  • the learner 610 may learn or update the model so that an input image, which is a noise image, and a high-quality original image corresponding to the input image match.
  • the acquirer 620 may acquire various information by using predetermined data as input data of the trained model.
  • the acquirer 620 may acquire (or recognize, estimate, or deduce) the brightness information of the image or the feature information of the image by using the input image and the noise correction map as input data.
  • the acquirer 620 may acquire information on the noise removal intensity, pixel values of the noise-removed image, etc. using the obtained brightness information and the feature information of the image.
  • At least a part of the learner 610 and at least a part of the acquirer 620 may be implemented as a software module or manufactured in the form of at least one hardware chip and mounted on the electronic device.
  • at least one of the learner 610 and the acquirer 620 may be manufactured in the form of a dedicated hardware chip for artificial intelligence (AI), or an existing general purpose processor (eg, a CPU or an application). It may be manufactured as a part of a processor or a graphics dedicated processor (eg, a GPU) and mounted on the aforementioned various electronic devices.
  • AI artificial intelligence
  • a graphics dedicated processor eg, a GPU
  • the dedicated hardware chip for artificial intelligence is a dedicated processor specialized in probability calculation, and has a higher parallel processing performance than a conventional general processor, so that a computational task in an artificial intelligence field such as machine learning can be processed quickly.
  • the software module may be a computer readable non-transitory readable recording medium. transitory computer readable media).
  • the software module may be provided by an operating system (OS) or by a predetermined application. Alternatively, some of the software modules may be provided by an operating system (OS), and others may be provided by a predetermined application.
  • the learner 610 and the acquirer 620 may be mounted in one electronic device or may be mounted in separate electronic devices, respectively.
  • one of the learner 610 and the acquirer 620 may be included in the electronic device 100, and the other may be included in an external server.
  • the learner 610 and the acquirer 620 may provide the model information constructed by the learner 610 to the acquirer 620 through a wired or wireless connection, or may be input to the learner 610.
  • the data may be provided to the learner 610 as additional learning data.
  • FIG. 7A is a block diagram of a learner 610 and an acquirer 620 according to various embodiments of the present disclosure.
  • the learner 610 may include a training data acquirer 610-1 and a model learner 610-4.
  • the learner 610 may further include at least one of the training data preprocessor 610-2, the training data selector 610-3, and the model evaluator 610-5.
  • the training data acquisition unit 610-1 may acquire training data required for the model.
  • the training data acquisition unit 610-1 may acquire, as learning data, a corrected image and an original image from which noise of the input image is removed using the input image, the noise correction map, and the noise correction map.
  • the training data may be data collected or tested by the learner 610 or the manufacturer of the learner 610.
  • the model learner 610-4 may use the training data to learn how to remove noise based on the input image and the noise correction map or how to correct a difference from the original image. For example, the model learner 610-4 may train the artificial intelligence model through supervised learning using at least some of the training data as a criterion. Alternatively, the model learner 610-4 may learn, for example, using unsupervised learning data by itself, through unsupervised learning that finds a criterion for determining a situation. You can train the model. In addition, the model learner 610-4 may train the artificial intelligence model through, for example, reinforcement learning using feedback on whether the result of the situation determination according to the learning is correct. In addition, the model learner 610-4 may train the artificial intelligence model using, for example, a learning algorithm including an error back-propagation method or a gradient descent method.
  • the model learner 610-4 may store the learned artificial intelligence model.
  • the model learner 610-4 may store the learned artificial intelligence model in the memory 110 of the electronic device 100.
  • the model learner 610-4 may store the learned artificial intelligence model in a memory of a server (eg, an artificial intelligence server) connected to the electronic device 100 through a wired or wireless network.
  • the learning unit 610 may improve the recognition result of the artificial intelligence model or save resources or time required for generating the artificial intelligence model, the training data preprocessor 610-2 and the training data selection unit 610-3. ) May be further included.
  • the training data preprocessor 610-2 may preprocess the acquired data so that the data acquired for learning for noise removal of the image may be used.
  • the training data preprocessor 610-2 may process the acquired data into a preset format so that the model learner 610-4 can use the acquired data for learning to remove noise of the image.
  • the training data selector 610-3 may select data necessary for learning from data acquired by the training data acquisition unit 610-1 or data preprocessed by the training data preprocessor 610-2.
  • the selected training data may be provided to the model learner 610-4.
  • the training data selector 610-3 may select the training data necessary for learning from the acquired or preprocessed data according to a predetermined selection criterion.
  • the training data selector 610-3 may select the training data according to a predetermined selection criterion by learning by the model learner 610-4.
  • the learner 610 may further include a model evaluator 610-5 to improve the recognition result of the artificial intelligence model.
  • the model evaluator 610-5 may input the evaluation data into the artificial intelligence model, and cause the model learner 610-4 to relearn when the recognition result output from the evaluation data does not satisfy a predetermined criterion. have.
  • the evaluation data may be predefined data for evaluating the artificial intelligence model.
  • the model evaluator 610-5 may determine a predetermined criterion when the number or ratio of the evaluation data that is not accurate among the recognition results of the learned artificial intelligence model for the evaluation data exceeds a preset threshold. It can be evaluated as not satisfied.
  • the model evaluator 610-5 evaluates whether each learned artificial intelligence model satisfies a predetermined criterion, and determines a model satisfying the predetermined criterion as the final artificial intelligence. Can be determined as a model. In this case, when there are a plurality of models satisfying a predetermined criterion, the model evaluator 610-5 may determine any one or a predetermined number of models that are preset in the order of the highest evaluation score as the final artificial intelligence model.
  • the acquirer 620 may include an input data acquirer 620-1 and a provider 620-4.
  • the acquirer 620 may further include at least one of an input data preprocessor 620-2, an input data selector 620-3, and a model updater 620-5.
  • the input data acquisition unit 620-1 may acquire brightness information in the input image and obtain a noise correction map for correcting noise of the input image based on brightness information of the input image and setting information of the camera.
  • the provider 620-4 may apply the input data acquired by the input data acquirer 620-1 to an artificial intelligence model trained as an input value to obtain a corrected image from which noise is removed.
  • the providing unit 620-4 may apply a data selected by the input data preprocessor 620-2 or the input data selection unit 620-3, which will be described later, to the artificial intelligence model as an input value, thereby correcting the corrected image from which noise is removed. Can be obtained.
  • the provider 620-4 acquires (or estimates) a noise-removed correction image by applying the input image and the noise correction map acquired by the input data acquisition unit 620-1 to the learned model. can do.
  • the acquirer 620 may include an input data preprocessor 620-2 and an input data selector 620-3 to improve the recognition result of the artificial intelligence model or to save resources or time for providing the recognition result. It may further include.
  • the input data preprocessor 620-2 may preprocess the acquired data so that the obtained data may be used to be input to the first and second models.
  • the input data preprocessor 620-2 may process the acquired data into a predefined format so that the provider 620-4 may use the acquired data to remove noise of the input image.
  • the input data selector 620-3 may select data necessary for determining a situation from among data acquired by the input data acquirer 620-1 or data preprocessed by the input data preprocessor 620-2. The selected data may be provided to the provider 620-4. The input data selector 620-3 may select some or all of the acquired or preprocessed data according to preset selection criteria for determining a situation. In addition, the input data selector 620-3 may select data according to a predetermined selection criterion by learning by the model learner 610-4.
  • the model updater 620-5 may control the artificial intelligence model to be updated based on the evaluation of the recognition result provided by the provider 620-4. For example, the model updater 620-5 provides the model learner 610-4 with the corrected image provided by the provider 620-4 so that the model learner 610-4 makes artificial intelligence. You can request that the model be further trained or updated.
  • FIG. 7B is a diagram illustrating an example in which the electronic device A and the external server S learn and determine data by interworking with each other, according to an exemplary embodiment.
  • the external server S may acquire information about an input image and a noise correction map corresponding to the input image, and learn a criterion for removing noise of the input image. ) May obtain a corrected image from which noise of the input image is removed by using models generated based on the learning result by the server S.
  • the model learner 610-4 of the server S may perform a function of the learner 610 illustrated in FIG. 6.
  • the model learner 610-4 of the server S may learn a criterion (or recognition criterion) for the artificial intelligence model.
  • the providing unit 620-4 of the electronic device A applies the data selected by the input data selecting unit 620-3 to an artificial intelligence model generated by the server S to remove noise of the input image.
  • a corrected image can be obtained.
  • the providing unit 620-4 of the electronic device A receives an artificial intelligence model generated by the server S from the server S, and removes noise of an input image by using the received artificial intelligence model. A corrected image can be obtained.
  • FIG. 8 is a diagram for describing a process of obtaining a noise correction map, according to an exemplary embodiment.
  • the electronic device may obtain a gray map 802 including brightness information of the input image 801 from the input image 801.
  • the brightness information may include contrast information of the image.
  • the electronic device may obtain a gray map of the image based on Equation (1) below.
  • Im (gray) refers to the intensity value of the pixel of the image and may have one of 0 to 255.
  • the electronic device may obtain a vignetting map 803 using lens information among setting information of the camera photographing the input image 801. For example, since the vignetting is generated at the edge of the image, the electronic device may generate the vignetting map 803 based on the position of the pixel included in the image.
  • the electronic device may obtain a distance between the target pixel and the center pixel as shown in Equation (2).
  • (x, y) is the position of the target pixel
  • (cx, cy) is the position of the center pixel
  • the electronic device may acquire the vignetting map 803 using a ratio of the distance and the maximum distance obtained from Equation (2) as shown in Equation (3).
  • the maximum distance is the distance between the pixel farthest from the center pixel and may mean the distance between the center pixel and the pixel at the corner of the image. That is, the electronic device may acquire the vignetting map 803 such that the noise removal intensity increases as the target pixel is far from the center pixel.
  • the electronic device may obtain the noise correction map 804 by overlapping the obtained gray map 802 and the vignetting map 803. In this case, the electronic device may further acquire the noise correction map 804 using ISO information among the setting information of the camera.
  • the electronic device may obtain the noise correction map 804 by overlapping the obtained gray map 802 and the vignetting map 803. In this case, the electronic device may further acquire the noise correction map 804 using ISO information among the setting information of the camera.
  • the electronic device may obtain the noise correction map 804 using Equation (4).
  • Noise Compensation Map 255 * * (0.5 * vig.map + 0.5 * graymap) (4)
  • max (iso) means the maximum ISO value of the camera which captured the input image 801
  • iso means the ISO value when the input image 801 is captured. That is, the electronic device may acquire the noise correction map such that the higher the noise removal intensity is, the higher the ISO value at the time of imaging the input image 801 is.
  • the gray map 802 and the vignetting map 803 are overlapped at the same ratio, but the present invention is not limited thereto.
  • FIG. 9 is a diagram for describing an exemplary embodiment of a noise correction map obtained by reflecting setting information of a camera.
  • the input image 901 input for noise removal may include a vignetting phenomenon, as shown in FIG. 9A.
  • the input image 901 may have dark or black outlines or edges. This may occur when the hood or filter is attached to the front of the lens of the camera to cover the outer part of the lens.
  • vignetting may be generated at the corners of the screen because the image of light passing through the lens is shorter than the diagonal length of the photographing screen due to the lens itself. That is, different vignetting may be generated for each lens of the camera capturing the input image 901 or for each hood or filter mounted.
  • the electronic device may acquire the vignetting map 902 as shown in FIG. 9B by using lens information, hood, or filter information of the camera photographing the input image 901.
  • the vignetting map 902 may be generated in a form for compensating vignetting of the input image 901.
  • the electronic device may generate the vignetting map 902 such that the noise removal intensity of the four corner portions of the input image 901 is increased.
  • FIG. 10 is a flowchart illustrating an image calibrating method according to an exemplary embodiment.
  • the electronic device may acquire an image (S1010).
  • the electronic device may acquire an image by using the provided camera.
  • the electronic device may receive an image captured by an external camera.
  • the electronic device may acquire a noise correction map (S1020).
  • the electronic device may obtain a noise correction map using brightness information of the image and setting information of the camera.
  • the electronic device may acquire a noise correction map using at least one of contrast information of the image, lens information of the camera, and ISO information.
  • the electronic device may remove noise of the image.
  • the electronic device may remove noise of the input image using the noise correction map.
  • the electronic device may input the input image and the noise correction map to the artificial intelligence model to output the corrected image from which the noise is removed.
  • the parameter included in the noise correction map may be learned in advance.
  • the electronic device may train the parameters of the artificial intelligence model by using an input image that is a noise image and a high definition original image corresponding to the input image.
  • the electronic device may train the parameters of the artificial intelligence model to match the corrected image from which the noise of the input image is removed with the high quality original image using the noise correction map of the input image.
  • the electronic device may remove noise of the input image using the trained parameters.
  • FIG. 11 is a diagram for comparing an existing image and an image corrected according to the present disclosure. Specifically, FIG. 11A illustrates an input image without performing correction, and FIG. 11B illustrates an existing technique. Obtained corrected image, and FIG. 11C is a corrected image obtained according to an exemplary embodiment.
  • FIG. 11B is a correction image obtained when only an input image, which is a noise image, is input to an artificial intelligence model for removing noise.
  • the artificial intelligence model is trained to remove Gaussian noise. Although is removed, it is not handled locally in the image, so that noise may not be sufficiently removed in a particularly dark area within the image, and the texture of the image may be lost.
  • FIG. 11C is a correction image obtained when a noise correction map corresponding to an input image is generated and the noise correction map and the input image are input to an artificial intelligence model according to the present disclosure. Compared with b), the noise removal effect is excellent and the texture of the image is preserved.
  • the various embodiments described above may be implemented in a recording medium readable by a computer or a similar device by using software, hardware, or a combination thereof.
  • the embodiments described in the present disclosure may include application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), and field programmable gate arrays (FPGAs). ), Processors, controllers, micro-controllers, microprocessors, and other electrical units for performing other functions.
  • the embodiments described herein may be implemented in the processor 120 itself.
  • embodiments such as the procedures and functions described herein may be implemented as separate software modules. Each of the software modules may perform one or more functions and operations described herein.
  • the image processing method according to various embodiments of the present disclosure described above may be stored in a non-transitory readable medium.
  • Such non-transitory readable media can be mounted and used in a variety of devices.
  • the non-transitory readable medium refers to a medium that stores data semi-permanently and is readable by a device, not a medium storing data for a short time such as a register, a cache, a memory, and the like.
  • programs for performing the above-described various methods may be stored and provided in a non-transitory readable medium such as a CD, a DVD, a hard disk, a Blu-ray disk, a USB, a memory card, or a ROM.
  • a method according to various embodiments of the present disclosure may be included in a computer program product.
  • the computer program product may be traded between the seller and the buyer as a product.
  • the computer program product may be distributed online in the form of a device-readable storage medium (eg compact disc read only memory (CD-ROM)) or through an application store (eg Play StoreTM).
  • a storage medium such as a server of a manufacturer, a server of an application store, or a relay server, or may be temporarily created.

Abstract

본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공 지능(AI) 시스템 및 그 응용에 관련된 것이다. 특히, 본 개시의 전자 장치는 적어도 하나의 명령을 포함하는 메모리 및 메모리와 연결되어 전자 장치를 제어하는 프로세서를 포함하고, 프로세서는, 적어도 하나의 명령을 실행함으로써, 영상을 획득하고, 영상을 촬상한 카메라의 설정 정보 또는 영상의 밝기 정보에 기초하여 영상의 노이즈를 보정하기 위한 노이즈 보정 맵을 획득하고, 노이즈 보정 맵을 통해 영상의 노이즈를 제거한다. 특히, 영상 처리 방법의 적어도 일부는 기계학습, 신경망 또는 딥러닝 알고리즘 중 적어도 하나에 따라 학습된 인공 지능 모델을 이용할 수 있다.

Description

전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체
본 개시는 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체에 대한 것으로, 보다 상세하게는, 영상의 밝기 정보를 이용하여 노이즈를 제거하는 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체에 관한 것이다.
또한, 본 개시는 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관한 것이다.
근래에는 인간 수준의 지능을 구현하는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.
인공 지능 기술은 기계학습(예로, 딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공 지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 오브젝트 인식, 오브젝트 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
한편, 근래에는 디지털 카메라의 대중화로 인해 정지 영상 또는 동영상을 생성하는데 있어서 시간 및 장소의 제약이 감소하였다. 그리고, 영상 기술이 발전함에 따라 전문가가 아닌 일반인들도 고화질의 영상을 쉽게 획득할 수 있게 되었다.
그럼에도 불구하고, 저녁 시간 또는 폐쇄된 공간 등 주변이 어두운 환경에서 생성된 영상은 많은 노이즈를 포함하여 화질이 저감되는 문제가 있었다.
이를 해결하기 위해 기존에는 영상의 노이즈를 측정하고 노이즈의 강도 별로 필터링을 수행하여 노이즈를 제거하였다. 이 경우 영상의 주파수를 분석하여 노이즈를 측정하였는 바, 영상의 국부적인 특징이 고려되지 않았다. 예를 들어, 영상에 존재하는 에지인지 노이즈인지 불분명한 상황이 많았다. 이에 따라 보정 영상 내 노이즈가 아닌 영역을 필터링함으로써 블러 영역이 존재하고, 영상의 텍스쳐가 손실되어 화질이 저감되는 문제가 발생하였다.
또한, 인공 지능 모델을 이용하여 노이즈를 제거하는 종래 기술은 측정된 노이즈의 강도 별로 별개의 모델을 이용해왔다. 이 경우, 노이즈 강도 별로 마련된 복수의 모델이 각각 트레이닝되어야 했고, 이로 인해 트레이닝에 많은 입력 데이터 및 메모리가 소모되는 문제가 있었다.
본 개시는 상술한 필요성에 따른 것으로, 본 개시의 목적은 영상의 밝기 정보를 이용하여 노이즈를 제거하는 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체를 제공함에 있다.
본 개시의 일 실시 예에 따른 전자 장치는, 적어도 하나의 명령을 포함하는 메모리 및 상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서를 포함하고, 상기 프로세서는, 상기 적어도 하나의 명령을 실행함으로써, 영상을 획득하고, 상기 영상을 촬상한 카메라의 설정 정보 또는 상기 영상의 밝기 정보에 기초하여 상기 영상의 노이즈를 보정하기 위한 노이즈 보정 맵을 획득하고, 상기 노이즈 보정 맵을 통해 상기 영상의 노이즈를 제거한다.
이 경우, 상기 프로세서는, 상기 영상의 밝기 정보에 기초하여 밝기가 어두운 영역일수록 노이즈 제거 강도가 높아지도록 노이즈 보정 맵을 획득할 수 있다.
이 경우, 상기 영상의 밝기 정보는, 상기 영상의 픽셀 별 명암 정보이고, 상기 프로세서는, 픽셀 별로 노이즈 제거 강도가 달라지도록 노이즈 보정 맵을 획득할 수 있다.
한편, 상기 프로세서는, 상기 영상을 밝기 별로 복수의 영역으로 분할하고, 상기 분할된 영역 별로 노이즈 제거 강도가 달라지도록 노이즈 보정 맵을 획득할 수 있다.
한편, 상기 카메라의 설정 정보는, 카메라의 렌즈 정보 및 카메라의 ISO 정보 중 적어도 하나를 포함할 수 있다.
이 경우, 상기 프로세서는, 상기 카메라의 렌즈 정보에 기초하여, 비네팅(vignetting) 보정 정도에 따라 노이즈 제거 강도가 달라지도록 노이즈 보정 맵을 획득할 수 있다.
한편, 상기 프로세서는, 상기 ISO 정보에 기초하여, ISO 값이 높을수록 노이즈 제거 강도가 높아지도록 노이즈 보정 맵을 획득할 수 있다.
한편, 상기 프로세서는, 상기 노이즈 보정 맵 및 상기 영상을 학습된 인공 지능 모델에 입력하여 노이즈가 제거된 보정 영상을 획득할 수 있다.
한편, 본 개시의 일 실시 예에 따른 전자 장치의 영상 처리 방법은, 영상을 획득하는 단계, 상기 영상을 촬상한 카메라의 설정 정보 또는 상기 영상의 밝기 정보에 기초하여 상기 영상의 노이즈를 보정하기 위한 노이즈 보정 맵을 획득하는 단계 및 상기 노이즈 보정 맵을 통해 상기 영상의 노이즈를 제거하는 단계를 포함한다.
이 경우, 상기 노이즈 보정 맵을 획득하는 단계는, 상기 영상의 밝기 정보에 기초하여 밝기가 어두운 영역일수록 노이즈 제거 강도가 높아지도록 노이즈 보정 맵을 획득할 수 있다.
이 경우, 상기 영상의 밝기 정보는, 상기 영상의 픽셀 별 명암 정보이고, 상기 노이즈 보정 맵을 획득하는 단계는, 픽셀 별로 노이즈 제거 강도가 달라지도록 노이즈 보정 맵을 획득할 수 있다.
이 경우, 상기 노이즈 보정 맵을 획득하는 단계는, 상기 영상을 밝기 별로 복수의 영역으로 분할하고, 상기 분할된 영역 별로 노이즈 제거 강도가 달라지도록 노이즈 보정 맵을 획득할 수 있다.
한편, 상기 카메라의 설정 정보는, 카메라의 렌즈 정보 및 카메라의 ISO 정보 중 적어도 하나를 포함할 수 있다.
이 경우, 상기 노이즈 보정 맵을 획득하는 단계는, 상기 카메라의 렌즈 정보에 기초하여, 비네팅(vignetting) 보정 정도에 따라 노이즈 제거 강도가 달라지도록 노이즈 보정 맵을 획득할 수 있다.
한편, 상기 노이즈 보정 맵을 획득하는 단계는, 상기 ISO 정보에 기초하여, ISO 값이 높을수록 노이즈 제거 강도가 높아지도록 노이즈 보정 맵을 획득할 수 있다.
한편, 상기 노이즈를 제거하는 단계는, 상기 노이즈 보정 맵 및 상기 영상을 학습된 인공 지능 모델에 입력하여 노이즈가 제거된 보정 영상을 획득할 수 있다.
한편, 본 개시의 일 실시 예에 따른 영상 처리 방법을 실행하기 위한 프로그램을 포함하는 컴퓨터 판독가능 기록 매체에 있어서, 상기 영상 처리 방법은, 영상을 획득하는 단계, 상기 영상을 촬상한 카메라의 설정 정보 또는 상기 영상의 밝기 정보에 기초하여 상기 영상의 노이즈를 보정하기 위한 노이즈 보정 맵을 획득하는 단계 및 상기 노이즈 보정 맵을 통해 상기 영상의 노이즈를 제거하는 단계를 포함한다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 간략한 구성을 설명하기 위한 블럭도,
도 2는 도 1의 전자 장치의 구체적인 구성을 설명하기 위한 블럭도,
도 3 내지 5는 본 개시의 다양한 실시 예에 따른 노이즈 보정 과정을 설명하기 위한 도면,
도 6은 본 개시의 일 실시 예에 따른, 인공 지능 모델을 학습하고 이용하기 위한 전자 장치의 구성을 나타내는 블록도,
도 7a 및 도 7b는 본 개시의 일 실시 예에 따른, 학습부 및 획득부의 구체적인 구성을 나타내는 블록도,
도 8은 본 개시의 일 실시 예에 따른 노이즈 보정 맵을 획득하는 과정을 설명하기 위한 도면,
도 9는 카메라의 설정 정보를 반영하여 획득한 노이즈 보정 맵의 일 실시 예를 설명하기 위한 도면,
도 10은 본 개시의 일 실시 예에 따른 영상 보정 방법을 설명하기 위한 흐름도, 그리고,
도 11은 기존 영상과 본 개시에 따라 보정된 영상을 비교하기 위한 도면이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 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 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 개시의 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 발명된 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시의 실시 예에서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '모듈' 혹은 '부'를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
이하에서는 도면을 참조하여 본 발명에 대해 더욱 상세히 설명하기로 한다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 간략한 구성을 설명하기 위한 블럭도이다.
도 1을 참조하면, 본 개시의 일 실시 예에 따른 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함한다.
전자 장치(100)는 영상을 처리할 수 있는 장치일 수 있다. 예를 들어, 전자 장치(100)는 데스크탑 PC, 노트북, TV, 스마트폰, 태블릿 PC, 서버, 카메라, 캠코더 등일 수 있다. 또는, 전자 장치(100)는 클라우딩 컴퓨팅 환경이 구축된 시스템 자체를 의미할 수도 있다. 또한, 전자 장치(100)는 인공 지능 학습이 가능한 장치일 수도 있다.
본 개시에서의 학습된 인공 지능 모델은 인식 모델의 적용 분야 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 예로, 인공 지능 모델은 동영상 데이터를 입력하여 동영상에 포함된 오브젝트에 대한 정보를 획득하도록 학습될 수 있다. 학습된 인공 지능 모델은, 예로, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 인식 모델은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고 받는 뉴런의 시냅틱(synaptic) 활동을 모의하도록 각각 연결 관계를 형성할 수 있다. 이때, 이때, 인공 지능 모델은 DNN(Deep Neural Network)일 수 있으나, 이는 일 실시 예에 불과할 뿐, 다른 인공 지능 모델이 이용될 수 있다.
또한, 전자 장치(100)는 상술한 바와 같은 오브젝트와 관련된 정보를 검색하기 위하여 인공 지능 에이전트(Artificial intelligence agent)를 이용할 수 있다. 이때, 인공 지능 에이전트는 AI(Artificial Intelligence) 기반의 서비스(예를 들어, 음성 인식 서비스, 비서 서비스, 번역 서비스, 검색 서비스 등)를 제공하기 위한 전용 프로그램으로서, 기존의 범용 프로세서(예를 들어, CPU) 또는 별도의 AI 전용 프로세서(예를 들어, GPU 등)에 의해 실행될 수 있다.
메모리(110)는 HDD(Hard Disk Drive), SSD(Solid State Drive), DRAM 메모리, SRAM 메모리, FRAM 메모리 또는 플래시 메모리 등 다양한 포맷의 메모리로 구현될 수 있다.
구체적으로, 메모리(110)는 전자 장치(100)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 예를 들어, 메모리(110)에는 전자 장치(100)의 동작에 필요한 적어도 하나의 명령이 저장될 수 있다.
그리고, 메모리(110)에는 인공 지능 모델이 저장될 수 있다. 여기서, 인공 지능 모델은 학습된 것일 수 있다. 그리고, 인공 지능 모델은 입력된 영상의 노이즈를 제거할 수 있다. 구체적으로, 인공 지능 모델은 영상 및 프로세서(120)에 의해 획득된 노이즈 보정 맵을 입력받아 획득된 영상의 노이즈를 제거할 수 있다. 여기서, 인공 지능 모델에 입력된 영상은 고화질 원본 영상에 기초하여 획득된 노이즈 영상일 수 있으며, 인공 지능 모델의 파라미터는 노이즈 제거된 영상과 고화질 원본 영상이 일치하도록 트레이닝될 수 있다.
프로세서(120)는 메모리(110)에 저장된 적어도 하나의 명령을 실행함으로써, 전자 장치(100)의 동작을 전반적으로 제어할 수 있다.
일 실시 예에 따라 프로세서(120)는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로 프로세서(microprocessor), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(140)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, FPGA(Field Programmable gate array) 형태로 구현될 수도 있다.
프로세서(120)는 영상을 획득하고, 획득된 영상의 노이즈를 제거할 수 있다. 이때, 영상은 전자 장치(100)에 구비된 카메라(미도시)에 의해 획득되거나, 외부 장치로부터 수신된 것일 수 있다.
구체적으로, 프로세서(120)는 영상의 노이즈를 보정하기 위한 노이즈 보정 맵을 획득하고, 획득된 노이즈 보정 맵을 이용하여 영상의 노이즈를 제거할 수 있다. 이때, 노이즈 보정 맵은 획득된 영상을 촬상한 카메라의 설정 정보 및 획득된 영상의 밝기 정보 중 적어도 하나에 기초하여 획득될 수 있다.
구체적으로, 프로세서(120)는 획득된 영상의 밝기 정보에 기초하여 밝기가 어두운 영역일수록 노이즈 제거 강도가 높아지도록 노이즈 보정 맵을 획득할 수 있다. 이는 영상의 밝기 이외의 조건들이 동일하다고 하더라도 영상의 밝기가 어두울수록 노이즈가 많이 발생하므로, 어두울수록 노이즈 제거 강도가 높아지도록 노이즈 보정 맵을 생성하는 것이다. 여기서, 노이즈 제거 강도라는 것은 노이즈 제거 효과가 적용되는 강도를 의미하는 것일 수 있다.
구체적으로, 프로세서(120)는 영상의 밝기 정보를 획득할 수 있다. 이때, 영상의 밝기 정보는 영상의 명암 정보를 의미할 수 있다. 프로세서(120)는 획득된 영상의 명암 정보가 포함된 그레이 맵(gray map)을 획득하고, 그레이 맵을 이용하여 노이즈 보정 맵을 획득할 수 있다. 이때, 영상의 명암 정보는 영상마다 다를 것이므로, 프로세서(120)는 획득된 영상 마다 대응되는 노이즈 보정 맵을 생성할 수 있다.
일 실시 예로, 프로세서(120)는 영상의 픽셀 별 명암 정보를 획득하고, 픽셀 별로 노이즈 제거 강도가 달라지도록 노이즈 보정 맵을 획득할 수 있다.
다른 실시 예로, 프로세서(120)는 영상을 복수의 영역으로 분할하고, 분할된 영역 별로 노이즈 제거 강도가 달라지도록 노이즈 보정 맵을 획득할 수 있다. 구체적으로, 프로세서(120)는 영상을 밝기 별로 복수의 영역으로 분할할 수 있다. 예를 들어, 프로세서(120)는 영상 내에서 에지(edge)를 검출하고, 검출된 에지를 기준으로 영상을 복수의 영역으로 분할할 수 있다. 여기서, 에지는 영상 내에서 명암의 차이가 기설정된 값 이상인 경계를 의미할 수 있다.
한편, 프로세서(120)는 카메라의 설정 정보를 이용하여 노이즈 보정 맵을 획득할 수 있다. 여기서, 카메라는 획득된 영상을 촬상한 장치로, 카메라의 설정 정보는 획득된 영상의 밝기 정보와 연관된 다양한 항목을 포함할 수 있다. 예를 들어, 카메라의 설정 정보는 카메라의 렌즈 정보 및 카메라의 ISO 정보 중 적어도 하나를 포함할 수 있다.
구체적으로, 프로세서(120)는 카메라의 렌즈 정보에 기초하여, 비네팅(vignetting) 보정 정도에 따라 노이즈 제거 강도가 달라지도록 노이즈 보정 맵을 획득할 수 있다. 여기서, 비네팅이란, 렌즈 주변부의 광량 저하로 촬영된 영상의 모서리나 외곽 부분이 어두워지거나 검게 가려지는 현상을 의미할 수 있다. 이는 렌즈 자체의 문제로, 카메라에 사용된 렌즈마다 발생 범위 및 정도가 달라질 수 있다. 한편, 카메라의 렌즈가 교체되지 않는다면, 렌즈 정보에 기초한 노이즈 보정 맵은 동일할 수 있다. 비네팅을 보정하는 실시 예에 대해서는 이하 도 8 및 9를 참조하여 자세히 설명하기로 한다.
그리고, 프로세서(120)는 카메라의 ISO 정보에 기초하여 노이즈 보정 맵을 획득할 수 있다. 여기서 ISO는 카메라의 빛에 대한 민감성의 정도를 의미하는 것으로, 값이 클수록 약한 빛을 잘 인식하여 어두운 곳에서 촬영하는데 주로 사용된다. ISO 값이 크면, 촬영 시간이 짧아져 흔들리지 않는 선명한 영상을 얻을 수 있으나, 노이즈가 증가하여 영상이 거칠어지는 문제가 있다.
이러한 ISO 값은 사용자가 지정할 수도 있으나, 센싱된 주변 밝기에 기초하여 자동으로 설정될 수도 있다.
즉, 영상을 촬상할 당시의 주변 밝기가 어두우면, 촬상된 영상에 노이즈가 증가하므로 노이즈 제거 강도가 높은 노이즈 보정 맵이 필요하며, 프로세서(120)는 밝기 정보가 반영된 ISO 정보에 기초하여, ISO 값이 높을수록 노이즈 제거 강도가 높아지도록 노이즈 보정 맵을 획득할 수 있다.
이상에서는 노이즈 보정 맵을 획득하는 데 영상의 명암 정보, 카메라의 렌즈 정보 및 ISO 정보를 각각 이용하는 것으로 설명하였으나, 실제 구현시에는 도 3 및 도 8에 도시된 바와 같이 카메라의 설정 정보에 기초하여 획득된 맵과 영상의 그레이 맵을 모두 반영한 노이즈 보정 맵이 획득될 수 있다. 또한, 카메라의 설정 정보 및 영상의 명암 정보에 한정되지 않고 조도 센서에 의해 센싱된 값 등 다양한 데이터가 반영될 수 있다.
한편, 프로세서(120)는 메모리(110)에 저장된 인공 지능 모델을 이용하여 노이즈가 제거된 영상을 출력할 수 있다. 구체적으로, 프로세서(120)는 획득된 영상 및 획득된 노이즈 보정 맵을 인공 지능 모델에 입력하여 노이즈가 제거된 보정 영상을 획득할 수 있다.
한편, 인공 지능 모델은 미리 학습된 것일 수 있다. 구체적으로, 획득된 영상은 고화질 원본 영상으로부터 생성된 노이즈 영상일 수 있다. 이때, 프로세서(120)는 노이즈 영상의 노이즈 보정 맵을 생성하고, 노이즈 영상 및 노이즈 보정 맵을 인공 지능 모델에 입력하여 보정 영상을 출력할 수 있다. 그리고, 프로세서(120)는 출력된 보정 영상 및 고화질 원본 영상을 비교하여 인공 지능 모델의 파마라미터를 트레이닝할 수 있다. 이러한 트레이닝 동작은 전자 장치(100)의 제조 과정 또는 그 전에 수행된 것일 수 있으며, 제조된 전자 장치(100)는 트레이닝된 파라미터를 이용하는 인공 지능 모델을 포함할 수 있다. 인공 지능 모델을 포함하는 다양한 실시 예는 이하 도 4 및 도 5를 참조하여 자세히 설명하기로 한다.
상술한 바와 같이 본 개시에 따르면 영상의 노이즈를 직접 측정하지 않고도 영상의 노이즈를 제거할 수 있으며, 영상의 전체적 특징 및 국부적 특징을 모두 반영함으로써 텍스쳐의 손실 없이 보다 효율적으로 노이즈를 제거할 수 있다는 효과가 있다.
도 2는 도 1의 전자 장치의 구체적인 구성을 설명하기 위한 블럭도이다.
도 2를 참조하면, 전자 장치(100)는 메모리(110), 프로세서(120), 통신부(130), 디스플레이(140), 버튼(150), 비디오 프로세서(160) 및 카메라(170)를 포함할 수 있다. 여기서, 메모리(110) 및 프로세서(120)는 도 1에 도시된 구성과 동일한 바, 중복된 기재는 생략한다.
우선, 프로세서(120)는 RAM(121), ROM(122), CPU(123), GPU(Graphic Processing Unit)(124), 버스(125)를 포함할 수 있다. RAM(121), ROM(122), CPU(123), GPU(Graphic Processing Unit)(124) 등은 버스(125)를 통해 서로 연결될 수 있다.
CPU(123)는 메모리(110)에 액세스하여, 메모리(110))에 저장된 O/S를 이용하여 부팅을 수행한다. 그리고 메모리(110)에 저장된 각종 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행한다.
ROM(122)에는 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴-온 명령이 입력되어 전원이 공급되면, CPU(123)는 ROM(122)에 저장된 명령어에 따라 메모리(110)에 저장된 O/S를 RAM(121)에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, CPU(123)는 메모리(110)에 저장된 각종 프로그램을 RAM(121)에 복사하고, RAM(121)에 복사된 프로그램을 실행시켜 각종 동작을 수행한다.
GPU(124)는 전자 장치(100)의 부팅이 완료되면, 디스플레이(140)에 UI를 디스플레이한다. 구체적으로는, GPU(124)는 연산부(미도시) 및 렌더링부(미도시)를 이용하여 아이콘, 이미지, 텍스트 등과 같은 다양한 객체를 포함하는 화면을 생성할 수 있다. 연산부는 화면의 레이아웃에 따라 각 객체들이 표시될 좌표값, 형태, 크기, 컬러 등과 같은 속성값을 연산한다. 렌더링부는 연산부에서 연산한 속성값에 기초하여 객체를 포함하는 다양한 레이아웃의 화면을 생성한다. 렌더링부에서 생성된 화면(또는 사용자 인터페이스 창)은 디스플레이(140)로 제공되어, 메인 표시 영역 및 서브 표시 영역에 각각 표시된다.
통신부(130)는 다양한 유형의 통신 방식에 따라 다양한 유형의 외부 기기와 통신을 수행하는 구성이다. 구체적으로, 통신부(130)는 외부 장치로부터 영상 처리될 영상을 수신할 수 있다. 그리고, 통신부(130)는 영상을 촬상한 카메라의 설정 정보를 수신할 수 있다. 구체적으로, 통신부(130)는 카메라의 렌즈 정보 및 ISO 정보 중 적어도 하나를 수신할 수 있다. 한편, 통신부(130)는 외부 조도 센서에 의해 센싱된 값을 수신할 수도 있다. 그리고, 통신부(130)는 노이즈가 제거된 영상을 외부 장치로 전송할 수 있다.
구체적으로, 통신부(130)는 외부 장치로부터 안테나, 케이블 또는 포트와 같은 유선 방식을 통하여 영상을 입력받거나, 와이파이(Wi-Fi), 블루투스와 같은 무선 방식을 통하여 영상을 입력받을 수 있다. 한편, 실제 구현시에는, 전자 장치(100)는 전자 장치(100)에 구비된 메모리(110)에 저장된 복수의 영상 중 사용자가 선택한 영상을 입력받아 영상 처리할 수도 있다.
전자 장치(100)가 무선 통신이 가능한 경우, 통신부(130)는 와이파이칩, 블루투스 칩, 무선 통신 칩, NFC 칩을 포함할 수 있다. 구체적으로, 와이파이 칩, 블루투스 칩은 각각 WiFi 방식, 블루투스 방식으로 통신을 수행한다. 와이파이 칩이나 블루투스 칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신 칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evoloution) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다. NFC 칩은 135kHz, 13.56MHz, 433MHz, 860~960MHz, 2.45GHz 등과 같은 다양한 RF-ID 주파수 대역들 중에서 13.56MHz 대역을 사용하는 NFC(Near Field Communication) 방식으로 동작하는 칩을 의미한다.
디스플레이(140)는 프로세서(120)에 의해 노이즈가 제거된 영상을 표시할 수 있다. 또한, 어플리케이션 등 소프트웨어의 설계에 따라 노이즈가 제거되기 전 영상이 디스플레이(140)에 표시될 수도 있다. 디스플레이(140)는 LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes) 디스플레이, PDP(Plasma Display Panel) 등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 디스플레이(140) 내에는 a-si TFT, LTPS(low temperature poly silicon) TFT, OTFT(organic TFT) 등과 같은 형태로 구현될 수 있는 구동 회로, 백라이트 유닛 등도 함께 포함될 수 있다. 또한, 디스플레이(140)은 플렉서블 디스플레이로 구현될 수도 있다.
한편, 다양한 실시 형태에 따라, 전자 장치(100)에 디스플레이(140)는 구비되지 않을 수도 있다.
버튼(150)은 전자 장치(100)의 본체 외관의 전면부나 측면부, 배면부 등의 임의의 영역에 형성된 기계적 버튼, 터치 패드, 휠 등과 같은 다양한 유형의 버튼이 될 수 있다.
비디오 프로세서(160)는 통신부(130)를 통해 수신된 컨텐츠 또는, 메모리(110)에 저장된 컨텐츠에 포함된 비디오 데이터를 처리하기 위한 구성요소이다. 비디오 프로세서(160)에서는 비디오 데이터에 대한 디코딩, 스케일링, 노이즈 필터링, 프레임 레이트 변환, 해상도 변환 등과 같은 다양한 이미지 처리를 수행할 수 있다. 이때, 비디오 데이터는 프로세서(120)에 의해 프레임 별로 노이즈 제거된 것일 수 있다.
카메라(170)는 사용자의 제어에 따라 정지 영상 또는 동영상을 촬상하기 위한 구성이다. 구체적으로, 카메라(170)는 렌즈, 이미지 센서 등을 포함할 수 있다. 그리고, 카메라(170)는 전면 카메라, 후면 카메라와 같이 복수 개로 구현될 수 있다. 그리고, 다양한 실시 형태에 따라, 전자 장치(100)에 카메라(170)는 구비되지 않을 수도 있다.
그 밖에, 도 2에 도시하지는 않았으나, 실시 예에 따라서는, 전자 장치(100) 내에 USB 커넥터가 연결될 수 있는 USB 포트나, 헤드셋, 마우스, LAN 등과 같은 다양한 외부 단자와 연결하기 위한 다양한 외부 입력 포트, DMB(Digital Multimedia Broadcasting) 신호를 수신하여 처리하는 DMB 칩, 오디오 프로세서, 마이크, 오디오 출력부, 다양한 센서 등을 더 포함할 수 있음은 물론이다.
도 3 내지 5는 본 개시의 다양한 실시 예에 따른 노이즈 보정 과정을 설명하기 위한 도면이다. 설명의 편의를 위해, 도 3 내지 도 5에 도시된 실선 블록은 전자 장치에 구비된 적어도 하나의 프로세서에 의해 수행되는 동작을 의미하는 것이고, 점선 블록은 입력 데이터 또는 출력 데이터를 의미하는 것으로 구분하여 도시하였다.
도 3을 참조하면, 우선 전자 장치는 입력 영상(301)로부터 입력 영상(301)의 밝기 정보(302)를 획득할 수 있다. 구체적으로, 전자 장치는 입력 영상(301)의 명암 정보를 획득할 수 있다. 이때, 밝기 정보(302)는 영상(301)의 픽셀 별 명암 정보이거나, 밝기 별로 분할된 영역 별 명암 정보일 수 있다.
그리고, 전자 장치는 획득된 밝기 정보(302) 및 카메라의 설정 정보(303) 중 적어도 하나를 이용하여 노이즈 보정 맵(304)을 획득할 수 있다(310). 이때, 카메라의 설정 정보(303)는 입력 영상(301)을 촬상한 카메라에 대한 정보이며, 카메라의 렌즈 정보 및 ISO 정보 중 적어도 하나를 포함할 수 있다.
전자 장치는 밝기 정보(302)에 기초하여 노이즈 보정 맵(304)을 획득할 수 있다. 구체적으로, 전자 장치는 밝기 정보(302)에 기초하여, 영상의 밝기가 어두울수록 노이즈 제거 강도가 높도록 노이즈 보정 맵(304)를 획득할 수 있다.
전자 장치는 입력 영상(301) 및 노이즈 보정 맵(304)을 이용하여 입력 영상(301)의 노이즈를 제거(320)하고, 노이즈가 보정된 출력 영상(305)를 획득할 수 있다.
이때, 전자 장치는 입력 영상(301) 및 노이즈 보정 맵(304)를 인공 지능 모델을 이용하여 출력 영상(305)을 획득할 수 있다. 구체적으로는 도 4 및 도 5를 참조하여 자세히 설명하기로 한다.
도 4를 참조하면, 전자 장치는 입력 영상(401) 및 노이즈 보정 맵(402)를 이용하여 출력 영상(403)을 획득할 수 있다. 여기서, 노이즈 보정 맵(402)는 도 3과 같이 입력 영상(401)의 밝기 정보를 이용하여 획득된 것으로 중복된 설명은 생략하기로 한다.
우선, 전자 장치는 입력 영상(401)과 노이즈 보정 맵(402)을 접합(concatenate(concat), 410)할 수 있다. 구체적으로, 전자 장치는 복수의 영상을 서로 연결시켜 하나의 영상으로 모자이크할 수 있다.
그리고, 전자 장치는 연결된 영상을 인공 지능 모델(420)에 입력하여 노이즈를 제거할 수 있다. 구체적으로, 전자 장치는 연결된 영상을 컨벌루션 레이어(convolution(conv) layer)를 통과시키면서 영상의 특징을 추출할 수 있다. 이때, 연결된 영상은 복수의 프레임으로 구성될 수 있으며, 전자 장치는 복수의 프레임 각각의 특징을 추출할 수 있다.
그리고, 전자 장치는 선택적으로 ReLU(Rectified Linear Unit) 레이어를 통과시킬 수 있다. ReLU 함수는 다수의 레이어를 거치면서 입력 값이 결과 값에 어떤 영항을 주는지 알 수 없게 되거나, 결과 값에 미치는 영향이 매우 미미해지는 문제를 해결하기 위한 것으로, 0보다 작은 값은 0으로 나타내고, 0보다 큰 값은 1차 함수의 형태로 나타내도록 처리하는 것이다. 이로 인해, 입력 값이 결과 값에 미치는 영향을 보다 잘 관찰할 수 있어 정확한 학습이 가능할 수 있다.
한편, 전자 장치는 영상의 노이즈를 제거하기 위한 노이즈 제거 모듈(421)을 이용하여 연결된 영상의 노이즈르 제거할 수 있다. 구체적으로, 노이즈 제거 모듈(421)은 복수의 컨벌루션 레이어, 추출된 영상의 특징을 정규화하는 배치 정규화(batch normalization(BN))레이어, ReLu 레이어 등을 포함하며, 연결된 영상을 복수의 레이어에 통과시켜 영상의 노이즈를 제거할 수 있다.
한편, 전자 장치는 선택적으로 연결된 영상을 축소하여 노이즈 제거 모듈(421)에 입력시킬 수 있으며, 이로 인해 노이즈 저감 효과가 극대화될 수 있다. 구체적으로, 전자 장치는 영상을 축소함으로 인해 불필요한 정보를 압축 또는 제거할 수 있으며, 노이즈 제거를 보다 적합하게 수행될 수 있음이 실험적으로 확인되었다.
한편, 인공 지능 모델(420)에 포함된 복수의 파라미터는 미리 트레이닝된 것일 수 있다. 구체적으로, 전자 장치는 노이즈 영상인 입력 영상(401) 외에 입력 영상(401)의 고화질 원본 영상을 함께 인공 지능 모델(420)에 입력할 수 있으며, 노이즈가 제거된 출력 영상(403)과 고화질 원본 영상이 일치하도록 인공 지능 모델(420)의 파라미터를 트레이닝할 수 있다.
한편, 도 4에서는 입력 영상과 노이즈 보정 맵을 접합한 후 접합된 영상을 인공 지능 모델에 입력하는 것으로 도시하였으나, 접합 과정은 인공 지능 모델 내에서 수행될 수도 있다.
또한, 도 4에서는 획득된 노이즈 보정 맵을 인공 지능 모델에 입력하는 것으로 도시하였으나, 입력 영상만을 인공 지능 모델에 입력하고, 인공 지능 모델이 노이즈 보정 맵을 생성할 수도 있다.
이상에서는 노이즈 보정 맵이 입력 영상과 함께 인공 지능 모델에 입력되는 실시 예를 기재하였으나, 노이즈 제거 과정 중에 노이즈 보정 맵이 입력될 수도 있다. 이는 이하 도 5를 참조하여 설명하기로 한다.
도 5를 참조하면, 전자 장치는 입력 영상(501) 및 입력 영상(501)에 기초하여 생성된 노이즈 보정 맵(502)를 인공 지능 모델(520)에 입력할 수 있다. 그리고, 전자 장치는 노이즈가 보정된 출력 영상(503)을 획득할 수 있다.
이때, 인공 지능 모델(520)은 복수의 노이즈 제거 모듈(521-1, 521-2, 521-3)을 포함할 수 있다. 각 노이즈 제거 모듈은 도 4에 도시된 것과 동일한 바, 중복된 설명은 생략하기로 한다. 또한, 도 5에 도시되지는 않았으나, 도 5에 도시된 실시 예에서도 도 4에 도시된 바와 같이 입력 영상(501)과 노이즈 보정 맵(502)의 접합 동작 및 노이즈 제거 모듈의 전후로 영상을 축소 및 확대하는 동작이 수행될 수 있다.
그리고, 전자 장치는 복수의 노이즈 제거 모듈(521-1, 521-2, 521-3) 사이에 노이즈 보정 맵을 입력할 수 있다. 이로 인해 노이즈 저감 효과가 극대화될 수 있다. 구체적으로, 입력 영상(501)과 노이즈 보정 맵(502)이 연결된 영상이 컨벌루션 레이어를 통과하면, 입력 영상 및 노이즈 보정 맵의 정보가 합쳐져 새로운 정보가 획득되는데, 중간에 노이즈 보정 맵(502)이 다시 입력됨으로써, 전자 장치는 보다 명확한 정보를 이용하여 노이즈 보정을 수행할 수 있게 된다.
도 6은 본 개시의 일 실시 예에 따른, 인공 지능 모델을 학습하고 이용하기 위한 전자 장치의 구성을 나타내는 블록도이다.
도 6을 참조하면, 프로세서(600)는 학습부(610) 및 획득부(620) 중 적어도 하나를 포함할 수 있다. 도 6의 프로세서(600)는 도 1 및 도 2의 전자 장치(100)의 프로세서(120) 또는 데이터 학습 서버(미도시)의 프로세서에 대응될 수 있다.
학습부(610)는 영상의 노이즈를 제거하기 위한 모델을 생성 또는 학습시킬 수 있다. 학습부(610)는 수집된 학습 데이터를 이용하여 영상의 노이즈를 제거하기 위한 인공 지능 모델을 생성할 수 있다. 학습부(610)는 수집된 학습 데이터를 이용하여 노이즈 제거 기준을 갖는 학습된 모델을 생성할 수 있다. 이러한 학습부(610)는 인공 지능 모델의 트레이닝 셋(training set)에 대응될 수 있다.
일 예로, 학습부(610)는 노이즈 영상인 입력 영상 및 노이즈 보정 맵을 입력 데이터로 사용하여 노이즈를 제거하기 위한 모델을 생성, 학습 또는 갱신시킬 수 있다. 구체적으로, 학습부(610)는 영상의 밝기 정보에 기초하여 영상의 노이즈를 제거하기 위한 모델을 생성, 학습 또는 갱신시킬 수 있다. 또한, 학습부(610)는 노이즈 영상인 입력 영상과 입력 영상에 대응되는 고화질 원본 영상이 일치하도록 모델을 학습 또는 갱신시킬 수 있다.
획득부(620)는 소정의 데이터를 학습된 모델의 입력 데이터로 사용하여, 다양한 정보를 획득할 수 있다.
일 예로, 획득부(620)는 입력 영상 및 노이즈 보정 맵을 입력 데이터로 사용하여 영상의 밝기 정보 또는 영상의 특징 정보를 획득(또는, 인식, 추정, 추론)할 수 있다. 그리고, 획득부(620)는 획득된 밝기 정보 및 영상의 특징 정보를 이용하여 노이즈 제거 강도에 대한 정보, 노이즈 제거된 영상의 픽셀 값 등을 획득할 수 있다.
학습부(610)의 적어도 일부 및 획득부(620)의 적어도 일부는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 학습부(610) 및 획득부(620) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다. 이때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다. 학습부(610) 및 획득부(620)가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
　이 경우, 학습부(610) 및 획득부(620)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 학습부(610) 및 획득부(620) 중 하나는 전자 장치(100)에 포함되고, 나머지 하나는 외부의 서버에 포함될 수 있다. 또한, 학습부(610) 및 획득부(620)는 유선 또는 무선으로 통하여, 학습부(610)가 구축한 모델 정보를 획득부(620)로 제공할 수도 있고, 학습부(610)로 입력된 데이터가 추가 학습 데이터로서 학습부(610)로 제공될 수도 있다.
도 7a는, 다양한 실시 예에 따른 학습부(610) 및 획득부(620)의 블록도이다.
도 7a의 (a)를 참조하면, 일부 실시 예에 따른 학습부(610)는 학습 데이터 획득부(610-1) 및 모델 학습부(610-4)를 포함할 수 있다. 또한, 학습부(610)는 학습 데이터 전처리부(610-2), 학습 데이터 선택부(610-3) 및 모델 평가부(610-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
학습 데이터 획득부(610-1)는 모델에 필요한 학습 데이터를 획득할 수 있다. 본 개시의 실시 예로, 학습 데이터 획득부(610-1)는 입력 영상, 노이즈 보정 맵, 노이즈 보정 맵을 이용하여 입력 영상의 노이즈를 제거한 보정 영상 및 원본 영상 등을 학습 데이터로서 획득할 수 있다. 학습 데이터는 학습부(610) 또는 학습부(610)의 제조사가 수집 또는 테스트한 데이터가 될 수도 있다.
모델 학습부(610-4)는 학습 데이터를 이용하여, 입력 영상 및 노이즈 보정 맵에 기초하여 노이즈를 얼만큼 제거할지, 원본 영상과의 차이를 어떻게 보정할지에 관해 학습시킬 수 있다. 예로, 모델 학습부(610-4)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 인공 지능 모델을 학습시킬 수 있다. 또는, 모델 학습부(610-4)는, 예를 들어, 별다른 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 상황의 판단을 위한 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 인공 지능 모델을 학습시킬 수 있다. 또한, 모델 학습부(610-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 인공 지능 모델을 학습시킬 수 있다. 또한, 모델 학습부(610-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 인공 지능 모델을 학습시킬 수 있다
인공 지능 모델이 학습되면, 모델 학습부(610-4)는 학습된 인공 지능 모델을 저장할 수 있다. 이 경우, 모델 학습부(610-4)는 학습된 인공 지능 모델을 전자 장치(100)의 메모리(110)에 저장할 수 있다. 또는, 모델 학습부(610-4)는 학습된 인공 지능 모델을 전자 장치(100)와 유선 또는 무선 네트워크로 연결되는 서버(예를 들어, 인공 지능 서버)의 메모리에 저장할 수도 있다.
학습부(610)는 인공 지능 모델의 인식 결과를 향상시키거나, 인공 지능 모델의 생성에 필요한 자원 또는 시간을 절약하기 위하여, 학습 데이터 전처리부(610-2) 및 학습 데이터 선택부(610-3)를 더 포함할 수도 있다.
학습 데이터 전처리부(610-2)는 영상의 노이즈 제거를 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 학습 데이터 전처리부(610-2)는 모델 학습부(610-4)가 영상의 노이즈 제거를 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(610-3)는 학습 데이터 획득부(610-1)에서 획득된 데이터 또는 학습 데이터 전처리부(610-2)에서 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(610-4)에 제공될 수 있다. 학습 데이터 선택부(610-3)는 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(610-3)는 모델 학습부(610-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 학습 데이터를 선택할 수도 있다.
학습부(610)는 인공 지능 모델의 인식 결과를 향상시키기 위하여, 모델 평가부(610-5)를 더 포함할 수도 있다.
모델 평가부(610-5)는 인공 지능 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(610-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인공 지능 모델을 평가하기 위한 기 정의된 데이터일 수 있다.
예를 들어, 모델 평가부(610-5)는 평가 데이터에 대한 학습된 인공 지능 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
한편, 학습된 인공 지능 모델이 복수 개가 존재하는 경우, 모델 평가부(610-5)는 각각의 학습된 인공 지능 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 인공 지능 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(610-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 인공 지능 모델로서 결정할 수 있다.
도 7a의 (b)를 참조하면, 일부 실시 예에 따른 획득부(620)는 입력 데이터 획득부(620-1) 및 제공부(620-4)를 포함할 수 있다.
또한, 획득부(620)는 입력 데이터 전처리부(620-2), 입력 데이터 선택부(620-3) 및 모델 갱신부(620-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
입력 데이터 획득부(620-1)는 입력 영상 내의 밝기 정보를 획득하고, 입력 영상의 밝기 정보 및 카메라의 설정 정보에 기초하여 입력 영상의 노이즈를 보정하기 위한 노이즈 보정 맵을 획득할 수 있다. 제공부(620-4)는 입력 데이터 획득부(620-1)에서 획득된 입력 데이터를 입력 값으로 학습된 인공 지능 모델에 적용하여 노이즈가 제거된 보정 영상을 획득할 수 있다. 제공부(620-4)는 후술할 입력 데이터 전처리부(620-2) 또는 입력 데이터 선택부(620-3)에 의해 선택된 데이터를 입력 값으로 인공 지능 모델에 적용하여 노이즈가 제거된 보정 영상을 획득할 수 있다.
일 실시 예로, 제공부(620-4)는 입력 데이터 획득부(620-1)에서 획득한 입력 영상 및 노이즈 보정 맵을 학습된 모델에 적용하여 노이즈가 제거된 보정 영상을 획득(또는, 추정)할 수 있다.
획득부(620)는 인공 지능 모델의 인식 결과를 향상시키거나, 인식 결과의 제공을 위한 자원 또는 시간을 절약하기 위하여, 입력 데이터 전처리부(620-2) 및 입력 데이터 선택부(620-3)를 더 포함할 수도 있다.
입력 데이터 전처리부(620-2)는 제1 및 제2 모델에 입력되기 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 입력 데이터 전처리부(620-2)는 제공부(620-4)가 입력 영상의 노이즈를 제거하기 위해 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 정의된 포맷으로 가공할 수 있다.
입력 데이터 선택부(620-3)는 입력 데이터 획득부(620-1)에서 획득된 데이터 또는 입력 데이터 전처리부(620-2)에서 전처리된 데이터 중에서 상황 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 제공부(620-4)에게 제공될 수 있다. 입력 데이터 선택부(620-3)는 상황 판단을 위한 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 입력 데이터 선택부(620-3)는 모델 학습부(610-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 데이터를 선택할 수도 있다.
모델 갱신부(620-5)는 제공부(620-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 인공 지능 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(620-5)는 제공부(620-4)에 의해 제공되는 보정 영상을 모델 학습부(610-4)에게 제공함으로써, 모델 학습부(610-4)가 인공 지능 모델을 추가 학습 또는 갱신하도록 요청할 수 있다.
도 7b는, 일 실시 예에 따른 전자 장치(A) 및 외부의 서버(S)가 서로 연동함으로써 데이터를 학습하고 판단하는 예시를 나타내는 도면이다.
도 7b를 참조하면, 외부의 서버(S)는 입력 영상 및 입력 영상에 대응되는 노이즈 보정 맵에 대한 정보를 획득하고, 입력 영상의 노이즈를 제거하기 위한 기준을 학습할 수 있으며, 전자 장치(A)는 서버(S)에 의한 학습 결과에 기초하여 생성된 모델들을 이용하여 입력 영상의 노이즈를 제거한 보정 영상을 획득할 수 있다.
이 경우, 서버(S)의 모델 학습부(610-4)는 도 6에 도시된 학습부(610)의 기능을 수행할 수 있다. 서버(S)의 모델 학습부(610-4)는 인공 지능 모델에 대한 판단 기준(혹은, 인식 기준)을 학습할 수 있다.
또한, 전자 장치(A)의 제공부(620-4)는 입력 데이터 선택부(620-3)에 의해 선택된 데이터를 서버(S)에 의해 생성된 인공 지능 모델에 적용하여 입력 영상의 노이즈를 제거한 보정 영상을 획득할 수 있다. 또는, 전자 장치(A)의 제공부(620-4)는 서버(S)에 의해 생성된 인공 지능 모델을 서버(S)로부터 수신하고, 수신된 인공 지능 모델을 이용하여 입력 영상의 노이즈를 제거한 보정 영상을 획득할 수 있다.
도 8은 본 개시의 일 실시 예에 따른 노이즈 보정 맵을 획득하는 과정을 설명하기 위한 도면이다.
도 8을 참조하면, 전자 장치는 입력 영상(test image, 801)로부터 입력 영상(801)의 밝기 정보가 포함된 그레이 맵(gray map, 802)을 획득할 수 있다. 이때, 밝기 정보는 영상의 명암 정보를 포함할 수 있다.
예를 들어, 전자 장치는 아래와 같은 식 (1)에 기초하여 영상의 그레이 맵을 획득할 수 있다.
Figure PCTKR2019002022-appb-I000001
(1)
여기서, Im(gray)는 영상의 픽셀의 명암 값을 의미하는 것으로, 0 내지 255 중 하나의 값을 가질 수 있다.
그리고, 전자 장치는 입력 영상(801)을 촬상한 카메라의 설정 정보 중 렌즈 정보를 이용하여 비네팅 맵(vig. map, 803)을 획득할 수 있다. 예를 들어, 비네팅은 영상의 모서리에 생성되므로, 전자 장치는 영상에 포함된 픽셀의 위치에 기초하여 비네팅 맵(803)을 생성할 수 있다.
구체적으로, 전자 장치는 식 (2)와 같이 대상 픽셀과 중심 픽셀의 거리를 획득할 수 있다.
거리 = (x-cx)2 + (y-cy)2 (2)
여기서, (x,y)는 대상 픽셀의 위치이고, (cx, cy)는 중심 픽셀의 위치이다.
그리고, 전자 장치는 식 (3)과 같이 식 (2)로부터 획득된 거리와 최대 거리의 비율을 이용하여 비네팅 맵(803)을 획득할 수 있다.
Figure PCTKR2019002022-appb-I000002
(3)
여기서, 최대 거리는 중심 픽셀과 가장 먼 거리에 있는 픽셀과의 거리로, 중심 픽셀과 영상의 모서리의 픽셀과의 거리를 의미할 수 있다. 즉, 전자 장치는 대상 픽셀이 중심 픽셀과의 거리가 멀수록 노이즈 제거 강도가 높아지도록 비네팅 맵(803)을 획득할 수 있다.
그리고, 전자 장치는 획득된 그레이 맵(802)과 비네팅 맵(803)을 중첩하여 노이즈 보정 맵(804)을 획득할 수 있다. 이때, 전자 장치는 카메라의 설정 정보 중 ISO 정보를 더 이용하여 노이즈 보정 맵(804)을 획득할 수 있다.
그리고, 전자 장치는 획득된 그레이 맵(802)과 비네팅 맵(803)을 중첩하여 노이즈 보정 맵(804)을 획득할 수 있다. 이때, 전자 장치는 카메라의 설정 정보 중 ISO 정보를 더 이용하여 노이즈 보정 맵(804)을 획득할 수 있다.
일 예시로, 전자 장치는 식 (4)를 이용하여 노이즈 보정 맵(804)을 획득할 수 있다.
노이즈 보정 맵 = 255*
Figure PCTKR2019002022-appb-I000003
*(0.5*vig.map+0.5*graymap) (4)
여기서, max(iso)는 입력 영상(801)을 촬상한 카메라의 최대 ISO 값을 의미하는 것이고, iso는 입력 영상(801)을 촬상할 때의 ISO 값을 의미하는 것이다. 즉, 전자 장치는 입력 영상(801)의 촬상 당시의 ISO 값이 높을수록 노이즈 제거 강도가 높아지도록 노이즈 보정 맵을 획득할 수 있다.
한편, 이상에서는 그레이 맵(802)과 비네팅 맵(803)이 동일한 비율로 중첩되는 것으로 기재하였으나, 이에 한정되지 않는다.
도 9는 카메라의 설정 정보를 반영하여 획득한 노이즈 보정 맵의 일 실시 예를 설명하기 위한 도면이다.
우선, 노이즈 제거를 위해 입력된 입력 영상(901)은 도 9의 (a)에 도시된 바와 같이, 비네팅 현상을 포함할 수 있다. 구체적으로, 입력 영상(901)은 외곽 또는 모서리가 어두워지거나 검게 가려질 수 있다. 이는 카메라의 렌즈 앞부분에 후드나 필터 등이 장착되었을 때 렌즈의 외곽 부분을 가리게 되면서 나타날 수 있다. 또는 렌즈 자체의 문제로 렌즈를 통과한 빛의 상이 촬영 화면의 대각선 길이보다 짧아 화면의 모서리 부분에 비네팅이 생성될 수도 있다. 즉, 입력 영상(901)을 촬상한 카메라의 렌즈마다, 또는 장착된 후드나 필터마다 다른 비네팅이 생성될 수 있다.
이에 전자 장치는 입력 영상(901)을 촬상한 카메라의 렌즈 정보 또는 후드나 필터 정보를 이용하여 도 9의 (b)에 도시된 바와 같은 비네팅 맵(902)을 획득할 수 있다. 도 9의 (b)를 참조하면, 비네팅 맵(902)은 입력 영상(901)의 비네팅을 보상하기 위한 형태로 생성될 수 있다. 구체적으로, 입력 영상(901)의 네 모서리 부분이 어두워 노이즈가 많을 것이므로, 전자 장치는 입력 영상(901)의 네 모서리 부분의 노이즈 제거 강도가 높아지도록 비네팅 맵(902)을 생성할 수 있다.
도 10은 본 개시의 일 실시 예에 따른 영상 보정 방법을 설명하기 위한 흐름도이다.
우선, 전자 장치는 영상을 획득할 수 있다(S1010). 구체적으로, 전자 장치에 카메라가 구비되어 있으면, 전자 장치는 구비된 카메라를 이용하여 영상을 획득할 수 있다. 한편, 전자 장치는 외부 카메라에서 촬상된 영상을 수신할 수도 있다.
그 다음, 전자 장치는 노이즈 보정 맵을 획득할 수 있다(S1020). 구체적으로, 전자 장치는 영상의 밝기 정보 및 카메라의 설정 정보를 이용하여 노이즈 보정 맵을 획득할 수 있다. 예를 들어, 전자 장치는 영상의 명암 정보, 카메라의 렌즈 정보 및 ISO 정보 중 적어도 하나를 이용하여 노이즈 보정 맵을 획득할 수 있다.
그리고, 전자 장치는 영상의 노이즈를 제거할 수 있다(S1030). 구체적으로, 전자 장치는 노이즈 보정 맵을 이용하여 입력 영상의 노이즈를 제거할 수 있다. 이때, 전자 장치는 입력 영상 및 노이즈 보정 맵을 인공 지능 모델에 입력하여 노이즈가 제거된 보정 영상을 출력할 수 있다. 여기서 노이즈 보정 맵에 포함된 파라미터는 미리 학습된 것일 수 있다.
트레이닝 단계에서, 전자 장치는 노이즈 영상인 입력 영상과 입력 영상에 대응되는 고화질 원본 영상을 이용하여 인공 지능 모델의 파라미터를 트레이닝할 수 있다. 구체적으로, 전자 장치는 입력 영상의 노이즈 보정 맵을 이용하여 입력 영상의 노이즈를 제거한 보정 영상과 고화질 원본 영상이 일치하도록 인공 지능 모델의 파라미터를 트레이닝할 수 있다.
트레이닝이 충분히 진행된 후 테스트 단계에서는, 전자 장치는 트레이닝된 파라미터를 이용하여 입력 영상의 노이즈를 제거할 수 있다.
도 11은 기존 영상과 본 개시에 따라 보정된 영상을 비교하기 위한 도면이다.구체적으로, 도 11의 (a)는 보정을 수행하지 않은 입력 영상이고, 도 11의 (b)는 기존 기술에 의해 획득된 보정 영상이고, 도 11의 (c)는 본 개시의 일 실시 예에 따라 획득된 보정 영상이다.
도 11의 (b)는 노이즈 영상인 입력 영상만을 노이즈를 제거하기 위한 인공 지능 모델에 입력한 경우 획득된 보정 영상으로, 인공 지능 모델은 가우시안 노이즈를 제거하기 위해 학습된 것으로, 입력 영상의 전체적으로 노이즈가 제거되긴 했지만, 영상의 국부적으로는 다뤄지지 않으며, 이에 따라 영상 내에서 특히 어두운 영역에서는 노이즈가 충분히 제거되지 않을 수 있으며, 영상의 텍스쳐가 손실될 수 있다.
한편, 도 11의 (c)는 본 개시에 따라 입력 영상에 대응되는 노이즈 보정 맵을 생성하고, 노이즈 보정 맵과 입력 영상을 함께 인공 지능 모델에 입력한 경우 획득되는 보정 영상으로, 도 11의 (b)에 비해 노이즈 제거 효과가 우수하고, 영상의 텍스쳐가 보존되는 효과를 확인할 수 있다.
한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합된 것을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 하드웨어적인 구현에 의하면, 본 개시에서 설명되는 실시 예들은 ASICs(Application Specific Integrated Circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛(unit) 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시 예들이 프로세서(120) 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 영상 처리 방법은 비일시적 판독 가능 매체(non-transitory readable medium) 에 저장될 수 있다. 이러한 비일시적 판독 가능 매체는 다양한 장치에 탑재되어 사용될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 방법을 수행하기 위한 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 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 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
또한, 이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

Claims (15)

  1. 전자 장치에 있어서,
    적어도 하나의 명령을 포함하는 메모리; 및
    상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서;를 포함하고,
    상기 프로세서는,
    상기 적어도 하나의 명령을 실행함으로써, 영상을 획득하고, 상기 영상을 촬상한 카메라의 설정 정보 또는 상기 영상의 밝기 정보에 기초하여 상기 영상의 노이즈를 보정하기 위한 노이즈 보정 맵을 획득하고, 상기 노이즈 보정 맵을 통해 상기 영상의 노이즈를 제거하는 전자 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    상기 영상의 밝기 정보에 기초하여 밝기가 어두운 영역일수록 노이즈 제거 강도가 높아지도록 노이즈 보정 맵을 획득하는 전자 장치.
  3. 제2항에 있어서,
    상기 영상의 밝기 정보는,
    상기 영상의 픽셀 별 명암 정보이고,
    상기 프로세서는,
    픽셀 별로 노이즈 제거 강도가 달라지도록 노이즈 보정 맵을 획득하는 전자 장치.
  4. 제2항에 있어서,
    상기 프로세서는,
    상기 영상을 밝기 별로 복수의 영역으로 분할하고, 상기 분할된 영역 별로 노이즈 제거 강도가 달라지도록 노이즈 보정 맵을 획득하는 전자 장치.
  5. 제1항에 있어서,
    상기 카메라의 설정 정보는,
    카메라의 렌즈 정보 및 카메라의 ISO 정보 중 적어도 하나를 포함하는 전자 장치.
  6. 제5항에 있어서,
    상기 프로세서는,
    상기 카메라의 렌즈 정보에 기초하여, 비네팅(vignetting) 보정 정도에 따라 노이즈 제거 강도가 달라지도록 노이즈 보정 맵을 획득하는 전자 장치.
  7. 제5항에 있어서,
    상기 프로세서는,
    상기 ISO 정보에 기초하여, ISO 값이 높을수록 노이즈 제거 강도가 높아지도록 노이즈 보정 맵을 획득하는 전자 장치.
  8. 제1항에 있어서,
    상기 프로세서는,
    상기 노이즈 보정 맵 및 상기 영상을 학습된 인공 지능 모델에 입력하여 노이즈가 제거된 보정 영상을 획득하는 전자 장치.
  9. 전자 장치의 영상 처리 방법에 있어서,
    영상을 획득하는 단계;
    상기 영상을 촬상한 카메라의 설정 정보 또는 상기 영상의 밝기 정보에 기초하여 상기 영상의 노이즈를 보정하기 위한 노이즈 보정 맵을 획득하는 단계; 및
    상기 노이즈 보정 맵을 통해 상기 영상의 노이즈를 제거하는 단계;를 포함하는 전자 장치의 제어 방법.
  10. 제9항에 있어서,
    상기 노이즈 보정 맵을 획득하는 단계는,
    상기 영상의 밝기 정보에 기초하여 밝기가 어두운 영역일수록 노이즈 제거 강도가 높아지도록 노이즈 보정 맵을 획득하는 방법.
  11. 제10항에 있어서,
    상기 영상의 밝기 정보는,
    상기 영상의 픽셀 별 명암 정보이고,
    상기 노이즈 보정 맵을 획득하는 단계는,
    픽셀 별로 노이즈 제거 강도가 달라지도록 노이즈 보정 맵을 획득하는 방법.
  12. 제11항에 있어서,
    상기 노이즈 보정 맵을 획득하는 단계는,
    상기 영상을 밝기 별로 복수의 영역으로 분할하고, 상기 분할된 영역 별로 노이즈 제거 강도가 달라지도록 노이즈 보정 맵을 획득하는 방법.
  13. 제9항에 있어서,
    상기 카메라의 설정 정보는,
    카메라의 렌즈 정보 및 카메라의 ISO 정보 중 적어도 하나를 포함하는 방법.
  14. 제13항에 있어서,
    상기 노이즈 보정 맵을 획득하는 단계는,
    상기 카메라의 렌즈 정보에 기초하여, 비네팅(vignetting) 보정 정도에 따라 노이즈 제거 강도가 달라지도록 노이즈 보정 맵을 획득하는 방법.
  15. 제13항에 있어서,
    상기 노이즈 보정 맵을 획득하는 단계는,
    상기 ISO 정보에 기초하여, ISO 값이 높을수록 노이즈 제거 강도가 높아지도록 노이즈 보정 맵을 획득하는 방법.
PCT/KR2019/002022 2018-02-20 2019-02-20 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체 WO2019164232A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US16/971,601 US11379955B2 (en) 2018-02-20 2019-02-20 Electronic device, image processing method thereof, and computer-readable recording medium
CN201980014451.1A CN111771226A (zh) 2018-02-20 2019-02-20 电子设备、其图像处理方法及计算机可读记录介质
EP19756967.6A EP3742388B1 (en) 2018-02-20 2019-02-20 Electronic device, image processing method thereof, and computer-readable recording medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180019973A KR102459221B1 (ko) 2018-02-20 2018-02-20 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체
KR10-2018-0019973 2018-02-20

Publications (1)

Publication Number Publication Date
WO2019164232A1 true WO2019164232A1 (ko) 2019-08-29

Family

ID=67687787

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/002022 WO2019164232A1 (ko) 2018-02-20 2019-02-20 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체

Country Status (5)

Country Link
US (1) US11379955B2 (ko)
EP (1) EP3742388B1 (ko)
KR (1) KR102459221B1 (ko)
CN (1) CN111771226A (ko)
WO (1) WO2019164232A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021239029A1 (zh) * 2020-05-27 2021-12-02 索尼半导体解决方案公司 幻影反射补偿方法及设备
WO2023229288A1 (ko) * 2022-05-27 2023-11-30 삼성전자 주식회사 이미지 데이터에 대한 디노이징 처리를 수행하는 방법 및 전자 장치

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881927B (zh) 2019-05-02 2021-12-21 三星电子株式会社 电子装置及其图像处理方法
JP7016835B2 (ja) * 2019-06-06 2022-02-07 キヤノン株式会社 画像処理方法、画像処理装置、画像処理システム、学習済みウエイトの製造方法、および、プログラム
KR20210032247A (ko) * 2019-09-16 2021-03-24 삼성전자주식회사 디스플레이 장치 및 이의 영상 처리 방법
JP2021122106A (ja) * 2020-01-31 2021-08-26 キヤノン株式会社 撮像装置、学習装置、撮像装置の制御方法、学習方法、学習済みモデルおよびプログラム
CN111583142B (zh) * 2020-04-30 2023-11-28 深圳市商汤智能传感科技有限公司 图像降噪方法及装置、电子设备和存储介质
KR102315427B1 (ko) * 2020-05-14 2021-10-20 아주대학교산학협력단 딥러닝 학습을 위한 데이터 처리 방법 및 그 장치
KR102221096B1 (ko) * 2020-09-23 2021-02-26 국방과학연구소 적외선 이미지를 이용한 딥러닝 학습 방법 및 시스템
US20220301113A1 (en) * 2021-03-19 2022-09-22 Micron Technology, Inc. Modular machine learning models for denoising images and systems and methods for using same
CN113286142B (zh) * 2021-05-20 2023-01-24 众芯汉创（北京）科技有限公司 一种基于人工智能的图像成像感光度预测方法及系统
EP4102425A1 (de) * 2021-06-10 2022-12-14 Siemens Aktiengesellschaft Computerimplementierte datenstruktur, verfahren, inspektionsvorrichtung und system zum übermitteln eines modells für maschinelles lernen
WO2023234674A1 (ko) * 2022-05-30 2023-12-07 삼성전자 주식회사 신경망 모델을 이용한 영상 신호 처리 방법 및 이를 수행하기 위한 컴퓨팅 장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100110121A (ko) * 2009-04-02 2010-10-12 삼성전자주식회사 이미지 왜곡 보정 방법
US20130242144A1 (en) * 2006-08-30 2013-09-19 Micron Technology, Inc. Method and apparatus for image noise reduction using noise models
JP2013187645A (ja) * 2012-03-06 2013-09-19 Canon Inc ノイズ低減装置およびノイズ低減方法
KR20170019827A (ko) * 2015-08-12 2017-02-22 삼성전자주식회사 이미지 처리 방법 및 이를 지원하는 전자장치

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06348840A (ja) 1993-06-03 1994-12-22 Konica Corp 画像復元方法
JP2000311243A (ja) 1999-04-28 2000-11-07 Sony Corp 画像色補正方法及び装置
US7639849B2 (en) * 2005-05-17 2009-12-29 Barco N.V. Methods, apparatus, and devices for noise reduction
KR101544741B1 (ko) 2008-07-29 2015-08-17 삼성전자주식회사 촬상 장치, 이의 제어 방법 및 상기 제어 방법을 기록한기록 매체
US8274583B2 (en) * 2009-06-05 2012-09-25 Apple Inc. Radially-based chroma noise reduction for cameras
US8737755B2 (en) * 2009-12-22 2014-05-27 Apple Inc. Method for creating high dynamic range image
US9047666B2 (en) * 2013-03-12 2015-06-02 Futurewei Technologies, Inc. Image registration and focus stacking on mobile platforms
US9432647B2 (en) * 2013-09-09 2016-08-30 Apple Inc. Adaptive auto exposure and dynamic range compensation
US9953246B2 (en) 2014-12-16 2018-04-24 The Regents Of The University Of California Feature-preserving noise removal
JP6489932B2 (ja) * 2015-05-19 2019-03-27 キヤノン株式会社 画像処理装置、撮像装置、画像処理方法およびプログラム
JP6492960B2 (ja) * 2015-05-19 2019-04-03 リコーイメージング株式会社 撮影装置及び撮影方法、画像処理装置及び画像処理方法、並びにプログラム
US9633274B2 (en) 2015-09-15 2017-04-25 Mitsubishi Electric Research Laboratories, Inc. Method and system for denoising images using deep Gaussian conditional random field network
CN111784615A (zh) * 2016-03-25 2020-10-16 北京三星通信技术研究有限公司 多媒体信息处理的方法和装置
US9639935B1 (en) * 2016-05-25 2017-05-02 Gopro, Inc. Apparatus and methods for camera alignment model calibration
US11361729B2 (en) * 2017-09-08 2022-06-14 Apple Inc. Burn-in statistics and burn-in compensation
US10445402B1 (en) * 2017-09-29 2019-10-15 Ambarella, Inc. Fast and energy-efficient region of interest pooling for object detection with convolutional neural network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130242144A1 (en) * 2006-08-30 2013-09-19 Micron Technology, Inc. Method and apparatus for image noise reduction using noise models
KR20100110121A (ko) * 2009-04-02 2010-10-12 삼성전자주식회사 이미지 왜곡 보정 방법
JP2013187645A (ja) * 2012-03-06 2013-09-19 Canon Inc ノイズ低減装置およびノイズ低減方法
KR20170019827A (ko) * 2015-08-12 2017-02-22 삼성전자주식회사 이미지 처리 방법 및 이를 지원하는 전자장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHIN.K.: "The Correction of Lens Distortion Based on Image Division Using Artificial Neural Network", JOURNAL OF THE KOREA SOCIETY OF COMPUTER AND INFORMATION, vol. 14, no. 4, April 2009 (2009-04-01), pages 31 - 38, XP055724230 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021239029A1 (zh) * 2020-05-27 2021-12-02 索尼半导体解决方案公司 幻影反射补偿方法及设备
WO2023229288A1 (ko) * 2022-05-27 2023-11-30 삼성전자 주식회사 이미지 데이터에 대한 디노이징 처리를 수행하는 방법 및 전자 장치

Also Published As

Publication number Publication date
EP3742388A1 (en) 2020-11-25
US11379955B2 (en) 2022-07-05
CN111771226A (zh) 2020-10-13
KR102459221B1 (ko) 2022-10-27
EP3742388A4 (en) 2021-03-10
EP3742388B1 (en) 2023-05-03
KR20190099914A (ko) 2019-08-28
US20200388011A1 (en) 2020-12-10

Similar Documents

Publication Publication Date Title
WO2019164232A1 (ko) 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체
WO2018088806A1 (ko) 영상처리장치 및 영상처리방법
WO2019031714A1 (ko) 객체를 인식하는 방법 및 장치
WO2018117428A1 (en) Method and apparatus for filtering video
WO2020017875A1 (en) Electronic apparatus, method for processing image and computer-readable recording medium
WO2019172546A1 (en) Electronic apparatus and control method thereof
EP3539056A1 (en) Electronic apparatus and operation method thereof
WO2019164239A1 (ko) 전자 장치, 영상 처리 방법 및 컴퓨터 판독가능 기록 매체
WO2021101134A1 (en) Electronic apparatus and control method thereof
WO2019172642A1 (ko) 심장 박동을 측정하기 위한 전자 장치 및 방법
WO2020096255A1 (en) Electronic apparatus and control method thereof
WO2021006482A1 (en) Apparatus and method for generating image
WO2019190171A1 (ko) 전자 장치 및 그 제어 방법
WO2018080204A1 (ko) 영상처리장치, 영상처리방법 및 컴퓨터 판독가능 기록 매체
WO2020045794A1 (ko) 전자 장치 및 그 제어 방법
EP3545685A1 (en) Method and apparatus for filtering video
WO2019160325A1 (en) Electronic device and control method thereof
WO2020130299A1 (en) Electronic apparatus and control method thereof
WO2020166796A1 (ko) 전자 장치 및 그 제어 방법
WO2019231068A1 (en) Electronic device and control method thereof
WO2020149493A1 (ko) 전자 장치 및 이의 제어 방법
EP3738305A1 (en) Electronic device and control method thereof
WO2022085914A1 (ko) 전자 장치 및 전자 장치의 제어 방법
WO2022039494A1 (ko) 단말의 모델을 갱신하는 서버 및 그 동작 방법
WO2022108008A1 (en) Electronic apparatus and controlling method thereof

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19756967

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019756967

Country of ref document: EP

Effective date: 20200819

NENP Non-entry into the national phase

Ref country code: DE