JP2022053481A - 信号処理装置、光電変換装置、光電変換システム、信号処理装置の制御方法およびプログラム - Google Patents
信号処理装置、光電変換装置、光電変換システム、信号処理装置の制御方法およびプログラム Download PDFInfo
- Publication number
- JP2022053481A JP2022053481A JP2021113140A JP2021113140A JP2022053481A JP 2022053481 A JP2022053481 A JP 2022053481A JP 2021113140 A JP2021113140 A JP 2021113140A JP 2021113140 A JP2021113140 A JP 2021113140A JP 2022053481 A JP2022053481 A JP 2022053481A
- Authority
- JP
- Japan
- Prior art keywords
- signal processing
- image data
- photoelectric conversion
- data
- unit
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 159
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000010801 machine learning Methods 0.000 claims abstract description 60
- 238000012937 correction Methods 0.000 claims abstract description 58
- 230000000903 blocking effect Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 50
- 238000004458 analytical method Methods 0.000 claims description 16
- 239000000758 substrate Substances 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 30
- 239000010410 layer Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000032683 aging Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Transforming Light Signals Into Electric Signals (AREA)
Abstract
【課題】信号処理装置において、撮像素子から出力される信号に対する補正の精度の向上に有利な技術を提供する。
【解決手段】受光領域および遮光領域を備える光電変換部から出力される画像データを処理する信号処理装置であって、機械学習によって生成された学習済みモデルを用いて前記画像データの補正のための補正用データの生成に用いる制御データを出力する制御データ生成部と、前記画像データのうち前記遮光領域の画像データである遮光画像データと前記制御データとに基づいて前記補正用データを生成し、前記画像データのうち前記受光領域の画像データである受光画像データを前記補正用データに従って、前記学習済みモデルを適用せずに補正する信号処理部と、を含む。
【選択図】図4
【解決手段】受光領域および遮光領域を備える光電変換部から出力される画像データを処理する信号処理装置であって、機械学習によって生成された学習済みモデルを用いて前記画像データの補正のための補正用データの生成に用いる制御データを出力する制御データ生成部と、前記画像データのうち前記遮光領域の画像データである遮光画像データと前記制御データとに基づいて前記補正用データを生成し、前記画像データのうち前記受光領域の画像データである受光画像データを前記補正用データに従って、前記学習済みモデルを適用せずに補正する信号処理部と、を含む。
【選択図】図4
Description
本発明は、信号処理装置、光電変換装置、光電変換システム、信号処理装置の制御方法およびプログラムに関する。
CMOSイメージセンサなどの撮像素子を使用した撮像装置において、画質の向上のために、それぞれの画素で生じる暗電流などに起因するノイズを補正する必要がある。特許文献1には、撮像領域を複数のブロックに分割し、ブロックの大きさと分割位置を撮影条件に応じて変化させ、予め記憶された分割パターンに応じた補正値を用いて、様々な撮影条件に対して適切に補正を行うことが示されている。
画質のより一層の向上のために、撮像素子のそれぞれの画素で生じる暗電流や画素から信号を読み出すための回路に起因するノイズなどをより適切に補正する必要がある。
本発明は、信号処理装置において、撮像素子から出力される信号に対する補正の精度の向上に有利な技術を提供することを目的とする。
上記課題に鑑みて、本発明の実施形態に係る信号処理装置は、受光領域および遮光領域を備える光電変換部から出力される画像データを処理する信号処理装置であって、機械学習によって生成された学習済みモデルを用いて前記画像データの補正のための補正用データの生成に用いる制御データを出力する制御データ生成部と、前記画像データのうち前記遮光領域の画像データである遮光画像データと前記制御データとに基づいて前記補正用データを生成し、前記画像データのうち前記受光領域の画像データである受光画像データを前記補正用データに従って、前記学習済みモデルを適用せずに補正する信号処理部と、を含むことを特徴とする。
本発明によれば、信号処理装置において、撮像素子から出力される信号に対する補正の精度の向上に有利な技術を提供することができる。
以下、添付図面を参照して実施形態を詳しく説明する。なお、以下の実施形態は特許請求の範囲に係る発明を限定するものではない。実施形態には複数の特徴が記載されているが、これらの複数の特徴の全てが発明に必須のものとは限らず、また、複数の特徴は任意に組み合わせられてもよい。さらに、添付図面においては、同一若しくは同様の構成に同一の参照番号を付し、重複した説明は省略する。
第1の実施形態
図1~5を参照して、本開示の第1の実施形態による信号処理装置について説明する。図1は、本実施形態の信号処理装置150を備える光電変換装置100の構成例を示す図である。光電変換装置100は、信号処理装置150と、後述する受光領域および遮光領域を備え、信号処理装置150によって処理される画像データを出力する光電変換部101と、を含む。光電変換装置100は、さらに、垂直走査部103、制御部104、読出回路部105、AD変換部106、メモリ部107、水平走査部108を含みうる。
図1~5を参照して、本開示の第1の実施形態による信号処理装置について説明する。図1は、本実施形態の信号処理装置150を備える光電変換装置100の構成例を示す図である。光電変換装置100は、信号処理装置150と、後述する受光領域および遮光領域を備え、信号処理装置150によって処理される画像データを出力する光電変換部101と、を含む。光電変換装置100は、さらに、垂直走査部103、制御部104、読出回路部105、AD変換部106、メモリ部107、水平走査部108を含みうる。
信号処理装置150は、機械学習部151と信号処理部152とを含む。機械学習部151は、機械学習によって生成された学習済みモデル160と、画像データに基づいて、学習済みモデル160を用いて信号処理部152で画像データを補正するための補正用データを生成する際に用いる制御データを出力する制御データ生成部161と、を含む。信号処理部152は、画像データと制御データ生成部161によって生成された制御データとに基づいて補正用データを生成し、光電変換部101から出力される画像データを補正用データに従って補正する。本実施形態では、信号処理装置150が、光電変換装置100に搭載されている例を示すが、これに限られることはなく、信号処理装置150は、光電変換装置100とは別体であってもよい。
光電変換部101は、画素102を行方向(図1の横方向)にm+1個、列方向(図1の縦方向)にn+1個それぞれ配置した(m+1)×(n+1)画素で構成されている。垂直走査部103は、行選択線110(V(n))によって、行ごとに配されたm+1個の画素102に接続されており、信号を読み出す行を選択する。選択された行では、垂直出力線111(H(m))を介して、選択された行に含まれるm+1個の画素102から出力される信号が、一斉に読出回路部105へ読み出される。読出回路部105は、アンプなどを含み、画素102から出力される信号を増幅してもよい。読出回路部105から出力された信号は、AD変換部106にてアナログ信号からデジタル信号へ変換(AD変換)され、メモリ部107に一時的に保持される。その後、水平走査部108によってアドレス指定されたデジタル信号が、信号処理装置150の信号処理部152へ順次読み出され、信号処理部152にてデジタル信号処理が行われる。制御部104は、例えば、タイミングジェネレータを含み、光電変換装置100の各構成に対する制御信号を生成しうる。また、制御部104は、光電変換装置100の外部との通信によって光電変換装置100の撮像の際の撮像条件などの設定情報を取得し、光電変換装置100に含まれる各構成に条件に応じた制御信号を供給しうる。制御部104は、この設定情報に基づき、垂直走査部103、読出回路部105、AD変換部106、メモリ部107、水平走査部108、信号処理部152に対して制御を行う。
信号処理部152では、光電変換部101のそれぞれの画素102に含まれるスイッチ素子(例えば、MOSトランジスタ)で発生するリセットノイズを低減する処理が実施される。また、光電変換部101から出力される画像データには、画素102に含まれるフォトダイオードから発生する暗電流や、電源インピーダンスや信号遅延などの回路起因の差によって発生するばらつき(FPN:固定パターンノイズ)が含まれうる。本明細書において、このFPNが行ごと、列ごとに、ある法則性を有してばらつく状態をシェーディングと称する。信号処理部152は、リセットノイズの成分を低減した後に、FPN成分やシェーディング成分などを低減し、画像データからノイズ成分が抑制された信号成分を取り出す処理を行う。本明細書において、この信号処理部152が、画像データのノイズ成分を低減する処理をOBクランプ処理と称する。
図2は、本実施形態において、光電変換部101から出力された信号を行ごとに改行した場合の概念図である。光電変換部101は、レンズなどの光学系を通り入射する光を受光する受光領域202および入射する光を光学的に遮光した遮光領域201(オプティカルブラック(OB)領域とも呼ばれうる。)を含む。遮光領域201は、光電変換部101で得られる画像データにおける、所謂、黒レベルの基準を決定するための基準領域である。ここで、遮光領域201のうち、図2に示されるように、画面の上部で全列にわたり画素102を光学的に遮光した領域をVOB領域203と称する。また、受光領域202の左側に位置し、全行にわたり画素102を光学的に遮光した領域をHOB領域204と称する。
OBクランプ処理において行ごと、列ごとのFPN成分を低減するために、信号処理部152は、画像データのうち遮光領域201の画像データである遮光画像データから補正用データを生成する。次いで、信号処理部152は、画像データのうち受光領域202の画像データである受光画像データを補正用データに従って補正する。例えば、信号処理部152は、遮光画像データの信号レベル(信号値)を行ごと、列ごとに平均化して補正用データを生成する。次いで、信号処理部152は、受光画像データのそれぞれの信号レベルから補正用データのそれぞれ対応する信号レベルを減算することによって、画像表示用のデータを生成してもよい。ここで、遮光領域201のうち信号レベルの行ごと、列ごとの平均値を取得する領域は、遮光領域201の任意の領域を設定することができる。この領域をクランプ値生成領域と称する。また、クランプ値生成領域から取得した平均値をクランプ値と称する。
図3(a)~図3(c)は、OBクランプ処理の概念図である。図3(a)は、図2に示した光電変換部101を示し、図3(b)は、OBクランプ処理を実施する前の概念図であり、図3(c)は、OBクランプ処理を実施した後の概念図である。図3(b)は、縦軸に時間、横軸に遮光領域201の信号レベルを表しており、FPN成分のレベルと対応する信号レベルの平均値の例を示したものである。図3(b)では、行ごとにFPN成分が増加していくような概念図を示しており、遮光領域201の全領域をクランプ値生成領域とした場合のクランプ値301が示されている。各行の信号レベルからクランプ値301を減算した結果が、図3(c)に示される。図3(c)では、遮光領域201で得られた信号レベルからクランプ値301を減算したことによって、受光領域202を含め、光電変換部101で得られた画像データからFPN成分やシェーディング成分を抑制した信号成分を取り出せた状態が示されている。つまり、信号処理部152によるOBクランプ処理が、適切に行われた例を示している。
しかしならが、OBクランプ処理において、画像データのうち遮光領域201の遮光画像データの各行の平均値をそのまま減算に使用した場合、画素ごとに異なるランダムノイズなどの影響によって平均値がばらついてしまう可能性がある。このため、OBクランプ処理において、適切にシェーディング成分を低減にできなくなり、OBクランプ処理の精度が低下してしまう可能性がある。
そこで、例えば、行ごとに求めた遮光画像データの平均値に対してLPF(Low Pass Filter)を用いることで、クランプ値に行ばらつきに対する耐性を持たせ、OBクランプ処理の精度を向上させることが考えられる。このため、信号処理部152がOBクランプ処理を実施する際に、信号処理部152にOBクランプ処理を行うための制御データを与える必要がある。信号処理部152は、画像データのうち遮光領域201の画像データである遮光画像データと制御データとに基づいて上述の補正用データを生成する。OBクランプ処理を行う際の制御データは、LPFのフィードバックゲイン(シェーディングに対する追随性)の情報以外にも、遮光画像データのうち、OBクランプ処理に用いるクランプ値生成領域の大きさの情報、クランプ値生成領域の場所の情報、などが挙げられる。信号処理装置150の機械学習部151に配される制御データ生成部161は、学習済みモデル160を用いて、これらの制御データを生成する。信号処理部152は、遮光画像データとこれらの制御データの情報とに基づいて補正用データを生成し、例えば、上述のように受光画像データの信号レベルから補正用データの信号レベルを減算することによって画像表示用のデータを生成しうる。
次に、制御データを生成するためのプロセスについて図4を用いて説明する。まず、S401では、制御データを生成するための画像データが準備される。制御データを生成するための画像データは、これまでの撮像によって取得された画像データであってもよいし、同等の撮像条件で取得された画像データであってもよい。これらの画像データは、信号処理装置150や光電変換装置100の外部から供給されてもよいし、図1に示されるように、信号処理装置150の機械学習部151にメモリ162が配され、メモリ162に記憶されていてもよい。また、制御データを生成するための画像データとして、リアルタイムで取得した画像データのうち遮光領域201のデータである遮光画像データが用いられてもよい。
制御データを生成するための画像データが準備されると、ステップはS402~S404に遷移する。S402では、制御データとして、制御データ生成部161は、遮光画像データのうち補正用データを生成する領域(クランプ値生成領域)の大きさ、即ちクランプ値を生成する際の平均母数を決定する。クランプ値を生成する際の平均母数は、例えば、遮光領域201におけるFPN成分のノイズ量の大きさから判断してもよい。例えば、ノイズ量が大きい場合、大きなばらつきを抑えるためにクランプ値生成領域は大きく設定され、ノイズ量が小さい場合、遮光領域201内に存在するシミやムラの影響を不必要に受けないようにクランプ値生成領域の大きさは小さく設定される。
また、S403では、制御データとして、制御データ生成部161は、遮光画像データのうち補正用データを生成する領域(クランプ値生成領域)の場所を決定する。クランプ値生成領域の場所は、遮光領域201におけるシェーディング形状、さらに、異常な信号値を出力する画素の場所から判断する。異常な信号を出力する画素とは、例えば、上述のシミやムラとなる領域の画素や、キズとなる画素でありうる。シミやムラとは、他の画素よりも相対的に大きな、または、小さな信号レベルを出力する画素の集合によって出現しうる。また、キズとなる画素とは、白キズや黒点のように、常に同じ信号レベルを出力する画素のことでありうる。クランプ値生成領域内にシミやムラが含まれた場合、クランプ値に所望のFPN成分以外の成分を含んでしまい、FPN成分を低減できなくなる可能性があるため、適切なOBクランプ処理ができなくなるおそれがある。このため、遮光領域201の遮光画像データにシミやムラが存在する場合、シミやムラが出現している領域を外してクランプ値生成領域が設定されうる。
さらに、S404では、制御データとして、制御データ生成部161は、シェーディングに対する追従性を決定する。例えば、シェーディングへの追従性は、シェーディング成分の大きさから判別してもよい。例えば、シェーディング量が大きい場合、クランプ値の追従性は大きく設定され、クランプ値が大きなシェーディング量に追従できるよう設定する。シェーディング量が小さい場合、クランプ値が不本意なばらつきの影響を受けないよう追従性は小さく設定される。
S402~S404の各ステップは、どのような順番で実施してもよい。また、例えば、S402~S404の各ステップは、同時に並行して実施されてもよい。また、例えば、S402~S404の全てのステップが実行されなくてもよい。少なくとも1つのステップが実行され、制御データが制御データ生成部161から信号処理部152に出力されることによって、信号処理部152で行われるOBクランプ処理の精度が向上しうる。
制御データ生成部161は、S402~S404で決定した、クランプ値生成領域の大きさの情報、クランプ値生成領域の場所の情報、および、シェーディングに対する追随性の情報のうち少なくとも1つを含む制御データを信号処理部152に出力する。次いで、S405では、信号処理部152は、S402~S404にて決定した制御データと遮光領域201の遮光画像データとに基づいて補正用データを生成し、受光領域202の受光画像データを補正用データに従って補正するOBクランプ処理を実施する。これによって、本実施形態において、撮像条件に合わせたクランプ値を補正用データとして演算し、FPN成分やシェーディング成分を低減可能な適切なOBクランプ処理が可能となる。結果として、良好な画質の画像を得ることが可能となる。
ここで、光電変換装置100の光電変換部101からの画像データは、光電変換部101の製造工程中に生ずるキズやロット内におけるチップの配置場所によって、例え、同じ撮像条件であったとしても、チップごとに異なるFPN成分やムラを有しうる。また、例えば、同ロット内であったとしても、各チップ間で層間膜の厚さが異なり配線容量の大きさがチップ間でばらついてしまう。配線容量の大きさが異なる場合、チップ間でシェーディング量や形状にもばらつきを生じてしまう可能性がある。光電変換部101のチップサイズが、例えば、デジタル一眼カメラで用いるイメージセンサのように大きい場合、このようなばらつきの影響をより大きく受けてしまう。このため、制御データ生成部161が、制御データを生成するための学習済みモデル160を出荷前にチューニングすることは、チップ毎にばらつくFPN成分やムラに適合したOBクランプ処理を実施するために、非常に重要となってくる。
また、同じ光電変換部101においても、撮像を行う際の蓄積時間に依存して発生する暗電流の量、さらにISO設定に依存してFPN成分の増幅率など、FPN成分は撮像条件ごとに変化しうる値である。さらに、出荷時にはなくとも、光電変換部101から出力される画像に、経年変化によるシミやムラなどが発生する可能性がある。これらの影響を踏まえ、その都度、適切なOBクランプ処理ができなければ、FPN成分やシェーディング成分を低減できなくなり、OBクランプ処理の精度が保てないおそれがある。
そこで、本実施形態において、制御データ生成部161は、画像データ(遮光画像データ)を学習済みモデル160に入力し、OBクランプ処理を実施するための制御データを出力させる。つまり、制御データ生成部161は、撮像条件やロットごと、チップごとに異なるシェーディング形状やシミ、ムラを機械学習した学習済みモデルを用いてFPN成分を低減するための制御データを出力させる。
本実施形態において、制御データ生成部161は、学習済みモデル160にクランプ値自体を出力させるのではなく、クランプ値を生成するための制御データを出力させる。また、信号処理部152は、制御データと遮光領域201の遮光画像データとに基づいて補正用データを生成し、受光領域202の受光画像データを補正用データに従って、学習済みモデル160を適用せずに補正するOBクランプ処理を実施する。このようにすることによって、例えば、クランプ値自体をメモリ162に保持する場合と比較して、メモリ162の面積を削減することが可能となる。さらに、クランプ値自体をメモリ162に保持する場合、フレーム毎にメモリ162にアクセスする必要がある。しかし本実施形態において、例えば、撮影条件を変えずに連続撮影する場合など、制御データの変更が必要ない場合は、メモリ162にアクセスする必要がなく、高フレームレートでの撮影が実現可能になる。
さらに、機械学習部151は、画像データを用いた機械学習によって学習済みモデル160を更新する学習部163をさらに含んでいてもよい。光電変換装置100での撮像を繰り返すことによって、学習部163は、例えば、撮像条件に対する取得した画像データの統計的な特徴を捉え、学習済みモデル160を更新してもよい。これによって、学習済みモデル160は、例えば、経年変化によるシミやムラの発生に適応できる。この場合の学習部163による機械学習は、教師なし学習と呼ばれうる。
図5は、本実施形態における機械学習モデルのニューラルネットワークの模式図である。ニューラルネットワークは、複数のノードを有する入力層と、複数のノードを有する中間層と、1個のノードを有する出力層と、を備えうる。入力層の各ノードには、画像データが入力される。中間層の各ノードは、入力層の各ノードに接続される。中間層の各ノードに入力された入力値の各要素は、中間層の各ノードにおける演算に用いられる。中間層の各ノードは、例えば、入力値の各ノードから入力された入力値と、所定の重み付け係数と、所定のバイアス値と、を用いて演算値を算出する。中間層の各ノードは、それぞれ出力層に接続され、算出した演算値を出力層のノードに出力する。出力層のノードは、中間層の各ノードから演算値が入力される。機械学習モデル(中間層)は、入力された画像データから、様々な撮像条件において、FPN成分を低減できるような制御データの導出を行う。これによって導出した制御データに基づいてOBクランプ処理を行えば、撮像条件やチップごとに異なるFPN成分やシェーディング成分だけではなく、経年変化にも適応した精度が高いOBクランプ処理が可能となる。結果として、本実施形態において、良好な画質を有する画像を取得することが可能となる。
第2の実施形態
図6を参照して、本開示の第2の実施形態による信号処理装置について説明する。図6は、本実施形態の信号処理装置150を備える光電変換装置600の構成例を示す図である。図1に示される信号処理装置150の機械学習部151に対して、本実施形態の信号処理装置150は、機械学習部651となっている点が上述の第1の実施形態と異なる。機械学習部651は、機械学習部151と比較して、光電変換装置600の外部から信号を取得するための信号線が追加されている。この機械学習部651の構成以外は、上述の第1の実施形態と同様であってもよいため、上述の第1の実施形態と異なる点について中心に説明し、同様であってもよい点に関しては適宜、説明を省略する。
図6を参照して、本開示の第2の実施形態による信号処理装置について説明する。図6は、本実施形態の信号処理装置150を備える光電変換装置600の構成例を示す図である。図1に示される信号処理装置150の機械学習部151に対して、本実施形態の信号処理装置150は、機械学習部651となっている点が上述の第1の実施形態と異なる。機械学習部651は、機械学習部151と比較して、光電変換装置600の外部から信号を取得するための信号線が追加されている。この機械学習部651の構成以外は、上述の第1の実施形態と同様であってもよいため、上述の第1の実施形態と異なる点について中心に説明し、同様であってもよい点に関しては適宜、説明を省略する。
上述の第1の実施形態では学習済みモデル160を用いて、制御データ生成部161が画像データからチップごとや撮像条件に適合した制御データを導出することで、適切なOBクランプ処理が実施できることを示した。また、第1の実施形態では、学習部163が、教師なし学習を行ってもよいことを説明した。一方、本実施形態では、学習部163が、教師データを用いた機械学習を行うことによって学習済みモデル160を更新する。その上で、上述の第1の実施形態と同様に、制御データ生成部161が、学習済みモデル160を用いてOBクランプ処理において信号処理部152が使用する制御データを生成する。
より具体的には、本実施形態において、信号処理装置150(光電変換装置100)の外部から、画像データからFPN成分やシェーディング成分が除去されたデータが提供される。例えば、ユーザがFPN成分やシェーディング成分が除去されたデータを提供する。学習部163は、信号処理装置150の外部から提供される、画像データからノイズを低減したデータを教師データとして機械学習を行う。
例えば、制御データ生成部161が学習済みモデル160を用いて生成した制御データに基づいて信号処理部152が生成した補正用データと、同じ画像データや同じ撮像条件で得られた画像データからノイズを低減した教師データと、を学習部163は比較する。これによって、学習部163は、チップや撮像条件に適合した制御データを制御データ生成部161が学習済みモデル160を用いて生成できるように機械学習することができる。この比較結果に基づいて、学習部163は、学習済みモデル160を更新する。また、例えば、学習部163は、信号処理装置150の外部から入力される、画像データのノイズを低減可能な制御データ生成部161が出力する制御データに応じたデータを教師データとして機械学習を行ってもよい。
学習部163が実施する機械学習は、例えば、光電変換装置100の出荷前に行ってもよい。また、光電変換装置100を出荷した後に、例えば、光電変換装置100の起動時や終了時、また、バッテリを充電している間などに学習部163が機械学習を行ってもよい。さらに、ユーザや後述する光電変換システムの要求を受けて、随時、学習部163が機械学習を行っていってもよい。
また、上述の第1の実施形態、および、本実施形態において、学習部163は、機械学習部651に配されているが、これに限られることはない。例えば、学習部163は、信号処理部152に配されていてもよいし、機械学習部151および信号処理部152とは、別に配されていてもよい。
本実施形態において、教師データを用いて機械学習を行う。これによって、適宜、更新される学習済みモデル160を用いて制御データ生成部161が生成した制御データに基づいてOBクランプ処理を行えば、撮像条件やチップごとに異なるFPN成分やシェーディング成分の低減を精度よく実施することができる。さらに、経年変化にも適応した精度が高いOBクランプ処理が可能となる。結果として、本実施形態において、良好な画質を有する画像を取得することが可能となる。
第3の実施形態
図7を参照して、本開示の第3の実施形態による信号処理装置について説明する。図7は、本実施形態の信号処理装置150を備える光電変換装置700の構成例を示す図である。図1に示される信号処理装置150の機械学習部151に対して、本実施形態の信号処理装置150は、機械学習部751となっている点が上述の第1の実施形態と異なる。機械学習部751は、機械学習部151と比較して、信号処理部152から信号を取得するための信号線が追加されている。また、機械学習部751は、解析部750をさらに含む。この機械学習部751の構成以外は、上述の第1の実施形態と同様であってもよいため、上述の第1の実施形態と異なる点について中心に説明し、同様であってもよい点に関しては適宜、説明を省略する。
図7を参照して、本開示の第3の実施形態による信号処理装置について説明する。図7は、本実施形態の信号処理装置150を備える光電変換装置700の構成例を示す図である。図1に示される信号処理装置150の機械学習部151に対して、本実施形態の信号処理装置150は、機械学習部751となっている点が上述の第1の実施形態と異なる。機械学習部751は、機械学習部151と比較して、信号処理部152から信号を取得するための信号線が追加されている。また、機械学習部751は、解析部750をさらに含む。この機械学習部751の構成以外は、上述の第1の実施形態と同様であってもよいため、上述の第1の実施形態と異なる点について中心に説明し、同様であってもよい点に関しては適宜、説明を省略する。
上述の第2の実施形態では信号処理装置150(光電変換装置100)の外部から受け取ったデータを教師データとして、学習部163は機械学習を行い、学習済みモデル160の更新を行うことを説明した。本実施形態では、制御データ生成部161が生成した制御データを用いて、信号処理部152がOBクランプ処理を行い、その結果を教師データにして学習を行う。より具体的には、制御データ生成部161が生成した制御データに基づいて信号処理部152が生成した補正用データのノイズの低減の程度を、解析部750が解析する。解析部750が、信号処理部152が生成した補正用データを解析し、OBクランプ処理の精度の良否(補正用データのノイズの低減の程度)を判定した結果を教師データとしてフィードバックし、学習部163が機械学習を行う。すなわち、本実施形態では、上述の第2の実施形態とは異なり、信号処理装置150の内部で、教師データが生成される。図7に示される、信号処理部152から機械学習部751への信号線は、信号処理部152によってOBクランプ処理が実施された補正画像データを解析部750に転送するために配されている。
本実施形態における学習部163による機械学習は、強化学習と呼ばれうる。機械学習が、信号処理部152が受光画像データを補正用データに従って補正し、補正画像データを生成するごとに行われてもよい。教師データの数が増えることによって、OBクランプ処理の精度がより高くなる可能性がある。
解析部750が実施する、OBクランプ処理によるFPN成分の除去の程度を解析する方法の一例を以下に示す。入力された画像データに対し、解析部750は、遮光領域201の遮光画像データにおける任意の領域を設定する。ここで、この領域をFPN形状計算領域と称する。次いで、解析部750は、FPN形状計算領域の行ごと、列ごとの信号レベルの平均値を求め、平均値に対し、近似曲線を算出する。この近似曲線が、FPN形状を示す関数となる。ここで、FPN成分が完全に除去できた理想状態を近似曲線の傾きがゼロの状態とする。解析部750が算出した近似曲線と、理想状態の近似曲線の傾きをゼロとした関数と、の相関を求めることによって、FPN成分の低減の程度を判定することが可能となる。解析部750が解析したノイズの低減の程度は、学習部163に入力され教師データとして活用される。
本実施形態において、学習部163および解析部750は、機械学習部751に配されているが、これに限られることはない。例えば、学習部163および解析部750は、信号処理部152に配されていてもよいし、それぞれ機械学習部151および信号処理部152とは、別に配されていてもよい。また、学習部163と解析部750とが一体の構成となっていてもよい。ユーザが、様々な撮像条件で光電変換装置100を使用することで、幅広い教師データが得られ、より短期間での学習精度向上が見込まれる。
本実施形態において、信号処理装置150内において教師データを生成し機械学習を行う。これによって、適宜、更新される学習済みモデル160を用いて制御データ生成部161が生成した制御データに基づいてOBクランプ処理を行えば、撮像条件やチップごとに異なるFPN成分やシェーディング成分の低減を精度よく実施することができる。さらに、経年変化にも適応した精度が高いOBクランプ処理が可能となる。結果として、本実施形態において、良好な画質を有する画像を取得することが可能となる。
第4の実施形態
図8、9を参照して、本開示の第4の実施形態による信号処理装置について説明する。図8は、本実施形態の信号処理装置150を備える光電変換装置800の構成例を示す図である。図1に示される信号処理装置150の機械学習部151に対して、本実施形態の信号処理装置150は、機械学習部851となっている点が上述の第1の実施形態と異なる。機械学習部851は、機械学習部151と比較して、抽出部850をさらに含む。この機械学習部851の構成以外は、上述の第1の実施形態と同様であってもよいため、上述の第1の実施形態と異なる点について中心に説明し、同様であってもよい点に関しては適宜、説明を省略する。
図8、9を参照して、本開示の第4の実施形態による信号処理装置について説明する。図8は、本実施形態の信号処理装置150を備える光電変換装置800の構成例を示す図である。図1に示される信号処理装置150の機械学習部151に対して、本実施形態の信号処理装置150は、機械学習部851となっている点が上述の第1の実施形態と異なる。機械学習部851は、機械学習部151と比較して、抽出部850をさらに含む。この機械学習部851の構成以外は、上述の第1の実施形態と同様であってもよいため、上述の第1の実施形態と異なる点について中心に説明し、同様であってもよい点に関しては適宜、説明を省略する。
上述の第1の実施形態では、学習済みモデル160のニューラルネットワークの入力層の各ノードに画像データを入力することを説明した。本実施形態では、機械学習部851に抽出部850が配され、画像データから制御データの精度を向上させるための特徴量を抽出し、この抽出された特徴量を学習済みモデル160のニューラルネットワークの入力層の各ノードに入力する。上述の各実施形態のように画像データを学習済みモデル160のニューラルネットワークに入力するのではなく、画像データから抽出した特徴量の情報をニューラルネットワークに入力する。これによって、学習済みモデル160を用いて制御データ生成部161が信号処理部152に出力する制御データの精度が向上し、OBクランプ処理の精度が向上しうる。ここでは、学習済みモデル160に特徴量だけが入力されるとして説明するが、学習済みモデル160のニューラルネットワークに画像データと当該画像データの特徴量との両方が入力されてもよい。
図9は、本実施形態における、制御データを生成するためのプロセスである。図4に示されるプロセスと比較して、画像データの特徴量を抽出するためのS901のステップが追加されている。これ以外のステップは、図4に示されるステップと同様であってもよいため、説明を適宜、省略する。
S401で画像データの準備がなされると、ステップはS901に遷移し、抽出部850は、画像データから制御データの精度を向上させるための特徴量を抽出する。特徴量は、例えば、クランプ値生成領域の大きさを判断するための、遮光領域201の遮光画像データにおけるFPNのノイズの量であってもよい。また、例えば、特徴量は、クランプ値生成領域の場所を判断するための、遮光領域201の遮光画像データにおけるシェーディングの形状であってもよい。さらに、例えば、特徴量は、シェーディングへの追従性を判断するための、遮光領域201の遮光画像データにおけるシェーディング成分の大きさであってもよい。また、上述のように、シミやムラ、キズがある場合、クランプ値の精度が低下してしまう可能性がある。また、クランプ値生成領域内に段差がある場合にも、同様にクランプ値の精度が低下してしまう可能性がある。ここで、本実施形態における「段差」とは、ある行、または、ある列を境界に、信号値がオフセットを持った状態のことでありうる。したがって、特徴量は、例えば、遮光領域201の遮光画像データにおいて異常な信号値を出力する画素102の情報であってもよい。抽出部850は、特徴量として、これらのうち少なくとも1つの情報を学習済みモデル160に入力する。
ここで、遮光領域201の遮光画像データにおけるFPNのノイズ量を導出する方法の一例を示す。撮像条件を揃えて取得した複数の画像データを用意する。これらの画像データの各画素値を時間方向に平均化処理を行う。この平均化処理によって、ランダムノイズ成分を除去することが可能となる。時間方向に平均化された画像データに対して遮光画像データの中で任意の領域を設定し、この領域内における標準偏差を算出する。この標準偏差が、遮光領域201の遮光画像データにおけるFPNのノイズ量となる。
遮光領域201の遮光画像データにおけるシェーディングの形状やシェーディング成分の大きさを導出する方法は、上述の第3の実施形態で解析部750が行う解析と同等である。したがって、ここでは説明を省略する。
次いで、遮光領域201の遮光画像データにおけるシミやムラ、キズ、また、上述の段差など異常な信号値を出力する画素102の場所を導出する方法の一例を示す。遮光領域201の遮光画像データを任意の領域に分割する。この分割された領域のそれぞれに対し、領域内の信号レベルの平均値を取得する。その中で、ひとつ領域を選択し、選択された領域の信号レベルの平均値を用いて各領域の信号レベルの平均値を規格化する。その際に、平均値が他の領域に対してずれている領域が、シミやムラ、キズ、段差の原因となる画素102が配されている領域であると判定できる。また、例えば、出荷時に既知のシミやムラ、キズ、段差など異常な信号値を出力する画素102の情報は、メモリ162などに記憶されていてもよい。ここで、メモリ162に記憶される異常な信号値を出力する画素102の情報は、異常な信号値を出力する画素102の位置情報でもよいし、異常な信号値を出力する画素102の信号値のレベルでもよい。また、出荷後も、抽出部850などで抽出された異常な信号値を出力する画素102の情報が、メモリ162に記憶されてもよい。これによって、特徴量を抽出する際の抽出部850における計算量が抑制されうる。
抽出部850が特徴量を抽出すると、この特徴量を学習済みモデル160に入力する。次いで、S402~S404において、制御データ生成部161は、特徴量が入力された学習済みモデル160を用いて、信号処理部152がOBクランプ処理を行う際に使用する制御データを信号処理部152に出力する。画像データから導出したこれらの情報を基に、OBクランプ処理に必要な各設定値を決定する。次いで、S405において、信号処理部152は、S402~S404にて決定した制御データと遮光領域201の遮光画像データとに基づいて補正用データを生成し、受光領域202の受光画像データを補正データに従って補正するOBクランプ処理を実施する。
本実施形態において、学習部163および抽出部850は、機械学習部851に配されているが、これに限られることはない。例えば、学習部163および抽出部850は、信号処理部152に配されていてもよいし、それぞれ機械学習部151および信号処理部152とは、別に配されていてもよい。
本実施形態では、画像データから抽出した特徴量を学習済みモデル160のニューラルネットワークに入力することによって、制御データ生成部161が制御データを生成する精度を向上させる。これによって、信号処理部152による、より適切なOBクランプ処理が可能となる。つまり、本実施形態においても、撮像条件やチップごとに異なるFPN成分やシェーディング成分の低減を精度よく実施することができる。さらに、経年変化にも適応した精度が高いOBクランプ処理が可能となる。結果として、本実施形態において、良好な画質を有する画像を取得することが可能となる。
ここまで説明した第1の実施形態から第4の実施形態は、それぞれ組み合わされていてもよい。例えば、信号処理装置150の外部から入力されるデータを教師データとして用いて学習済みモデル160が更新され、更新された学習済みモデル160に画像データの特徴量が入力されてもよい。また、例えば、信号処理装置150の外部から入力されるデータと、信号処理部152でOBクランプ処理を行った結果を解析したデータと、をそれぞれ教師データとして、学習済みモデル160が更新されてもよい。さらに、例えば、信号処理装置150の外部から入力されるデータと、信号処理部152でOBクランプ処理を行った結果を解析したデータと、をそれぞれ教師データとして、学習済みモデル160が更新され、更新された学習済みモデル160に画像データの特徴量が入力されてもよい。
このように、上述の各実施形態を組み合わせることによって、撮像条件やチップごとなどによって異なるFPN成分やシェーディング成分、経年変化に対して、より高い精度で適応した学習済みモデル160が得られる。これによって、高い精度のOBクランプ処理を実施可能な信号処理装置150が実現できる。また、本開示の信号処理装置150が組み込まれた光電変換装置100、600、700、800において、画質が高い画像を得ることが可能となる。
その他の実施形態
上述の各実施形態で説明したOBクランプ処理を実施する信号処理装置150は、上述のように光電変換装置100の内部に設けられていてもよい。しかしながら、これに限られることはない。例えば、信号処理装置150は、光電変換装置100や光電変換部101とは別に配されていてもよい。信号処理装置150は、光電変換装置100とは別に配される、プロセッサ(例えば、CPUやMPU)を含むパソコンなどのコンピュータであってもよい。また、例えば、信号処理装置150は、上述の機能を実現するASICのような回路であってもよい。
上述の各実施形態で説明したOBクランプ処理を実施する信号処理装置150は、上述のように光電変換装置100の内部に設けられていてもよい。しかしながら、これに限られることはない。例えば、信号処理装置150は、光電変換装置100や光電変換部101とは別に配されていてもよい。信号処理装置150は、光電変換装置100とは別に配される、プロセッサ(例えば、CPUやMPU)を含むパソコンなどのコンピュータであってもよい。また、例えば、信号処理装置150は、上述の機能を実現するASICのような回路であってもよい。
図10は、図1に示される光電変換装置100の各ブロックを半導体などの基板に配置した場合の配置例を示す図である。光電変換装置100は、シリコンなどの半導体を用いた基板1001と基板1002とを含んでいてもよい。基板1001に、信号処理装置150や垂直走査部103、制御部104、読出回路部105、AD変換部106、メモリ部107、水平走査部108などの各構成が配される。基板1002に、受光領域202および遮光領域201を備える画素102がアレイ状に並ぶ光電変換部101が配される。図10に示されるように、基板1001と基板1002との少なくとも一部が、積層されていてもよい。この構成によって、光電変換部101を含むアナログ部と、信号処理装置150を含むロジック部と、において、光電変換装置100を製造する際に、それぞれ適したプロセスを選択できるようになる。それぞれの構成に適切な製造プロセスを用いることによって、光電変換装置100に含まれる各構成において、良好な特性を得ることができるようになりうる。結果として、画質が向上した光電変換装置100が得られる。
図11は、上述の信号処理装置150が組み込まれた光電変換装置100、600、700、800の一例として撮像装置1100の構成を示している。撮像装置1100は、信号生成部1101、信号補正部1102、CPU1103、外部入力部1104、光学系1105、映像表示部1106、記録部1107、駆動系1108を含む。
信号補正部1102は、上述の信号処理装置150でありうる。また、信号生成部1101は、上述の画素102を含む光電変換部101、垂直走査部103、制御部104、読出回路部105、AD変換部106、メモリ部107、水平走査部108などの各構成を含みうる。したがって、信号生成部1101と信号補正部1102とを含む構成は、上述の光電変換装置100、600、700、800でありうる。この構成において、信号生成部1101は、信号生成部1101単独で光電変換装置とも呼ばれうる。つまり、信号処理装置150は、上述したように、光電変換装置とは別に配されていてもよい。
信号生成部1101の光電変換部101に光を入射させるための光学系1105よって入射した光に応じて、信号生成部1101は、光電変換を行いアナログの画像信号を生成し、AD変換することによって、画像データを出力する。出力された画像データは、映像表示部1106、記録部1107に出力、保存できるように信号補正部1102によって補正処理が行われる。補正処理の後の表示画像データを用いて映像表示部1106は、画像表示を行う。また、記録部1107は、表示画像データを保存する。CPU1103は、上述した、撮像装置1100における各構成の制御を行う。駆動系1108は、例えば、光学系1105のピントや絞りを動作させるために配される。外部入力部1104は、撮像の条件やシャッタの操作など、ユーザが入力・操作を行う各種ボタンなどでありうる。映像表示部1106としてタッチパネルが配され、映像表示部1106が、外部入力部1104(の一部)として機能してもよい。
撮像装置1100は、図11に示される構成の他に、例えば、温度計など、信号生成部1101で得られる画像などの他の環境の情報を得るための構成を備えていてもよい。例えば、信号処理装置150は、温度情報などの信号生成部1101(光電変換装置)では得られない情報も使用して機械学習を行い、学習済みモデル160を構築してもよい。撮像装置1100が使用される環境の様々な環境パラメータを用いることによって、撮影条件により適切に対応したOBクランプ処理を実施することが可能になりうる。結果として、撮像装置1100で得られる画像の画質が向上しうる。
図12は、複数の光電変換装置100、600、700、800と、光電変換装置100、600、700、800の外部のサーバ1201(例えば、クラウドサーバ)と通信するための通信部1202と、を備える光電変換システム1200の構成例を示す図である。通信部1202は、光電変換装置100、600、700、800が通信を行うための無線LANやBluetooth(登録商標)などの機能を有することによって実現されてもよい。また、通信部1202は、ユーザが光電変換装置100、600、700、800で取得可能な各種のデータをサーバ1201にアップロードまたはダウンロードするインターネットなどによって実現されてもよい。通信部1202は、光電変換装置100、600、700、800と、光電変換装置100、600、700、800の外部に配されたサーバ1201と、の間のデータの授受が行えれば、いかなる形態であってもよい。
例えば、光電変換装置100、600、700、800の信号処理装置150の学習済みモデル160が、サーバ1201を介して、複数の光電変換装置100、600、700、800間で共有されてもよい。例えば、光電変換装置100、600、700、800が、通信部1202を介してサーバ1201に接続しているときに、信号処理装置150の学習部163は、機械学習を行い、学習済みモデル160を更新してもよい。
また、例えば、上述のように光電変換装置が信号処理装置150を備えず、サーバ1201に信号処理装置150が配されていてもよい。つまり、サーバ1201上に、機械学習によって生成された学習済みモデル160が配されていてもよい。
光電変換システム1200が、このような構成を備えることで、複数の光電変換装置(例えば、光電変換装置100、600、700、800)からの情報を使って学習済みモデル160の更新を行うことが可能となる。つまり、多くの幅広い撮像条件で撮像を行うユーザによって使用される光電変換装置が、光電変換システム1200のサーバ1201に接続される。これによって、例えば、短期間に多くの教師データを取得することが可能となる。結果として、OBクランプ処理の精度がより一層向上し、それぞれの光電変換装置で撮像された画像のより一層の高画質化が可能となる。
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア(プログラム)を、ネットワークまたは各種の記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータにおける1つ以上のプロセッサ(例えば、CPUやMPU。)がプログラムを読み出して実行する処理である。また、1つ以上の機能を実現する回路(例えば、ASIC。)によっても実現可能である。
発明は上記実施形態に制限されるものではなく、発明の精神及び範囲から離脱することなく、様々な変更及び変形が可能である。従って、発明の範囲を公にするために請求項を添付する。
150:信号処理装置、152:信号処理部、160:学習済みモデル、161:制御データ生成部、201:遮光領域、202:受光領域
Claims (17)
- 受光領域および遮光領域を備える光電変換部から出力される画像データを処理する信号処理装置であって、
機械学習によって生成された学習済みモデルを用いて前記画像データの補正のための補正用データの生成に用いる制御データを出力する制御データ生成部と、
前記画像データのうち前記遮光領域の画像データである遮光画像データと前記制御データとに基づいて前記補正用データを生成し、前記画像データのうち前記受光領域の画像データである受光画像データを前記補正用データに従って、前記学習済みモデルを適用せずに補正する信号処理部と、
を含むことを特徴とする信号処理装置。 - 前記学習済みモデルに、前記画像データが入力されることを特徴とする請求項1に記載の信号処理装置。
- 前記画像データから前記制御データの精度を向上させるための特徴量を抽出する抽出部をさらに含み、
前記学習済みモデルに、前記特徴量が入力されることを特徴とする請求項1または2に記載の信号処理装置。 - 前記特徴量が、前記遮光画像データにおける固定パターンノイズの量、前記遮光画像データにおけるシェーディングの形状、前記遮光画像データにおけるシェーディング成分の大きさ、前記遮光画像データにおいて異常な信号値を出力する画素の情報のうち少なくとも1つを含むことを特徴とする請求項3に記載の信号処理装置。
- 前記画像データを用いた機械学習によって前記学習済みモデルを更新する学習部をさらに含むことを特徴とする請求項1乃至4の何れか1項に記載の信号処理装置。
- 前記学習部が、前記信号処理装置の外部から提供される、前記画像データからノイズを低減したデータを教師データとして機械学習を行うことによって、前記学習済みモデルを更新することを特徴とする請求項5に記載の信号処理装置。
- 前記学習部が、前記信号処理装置の外部から提供される、前記画像データのノイズを低減可能な前記制御データに応じたデータを教師データとして機械学習を行うことによって、前記学習済みモデルを更新することを特徴とする請求項5または6に記載の信号処理装置。
- 前記制御データに基づいて生成された前記補正用データのノイズの低減の程度を解析する解析部をさらに含み、
前記学習部が、前記解析部が解析した前記補正用データのノイズの低減の程度を教師データとして機械学習を行うことによって、前記学習済みモデルを更新することを特徴とする請求項5乃至7の何れか1項に記載の信号処理装置。 - 前記機械学習が、前記信号処理部が前記補正用データを生成するごとに行われることを特徴とする請求項8に記載の信号処理装置。
- 前記制御データが、前記遮光画像データのうち前記補正用データを生成する領域の大きさの情報、前記遮光画像データのうち前記補正用データを生成する領域の場所の情報、および、前記補正用データを生成する際のシェーディングに対する追随性の情報のうち少なくとも1つを含む請求項1乃至9の何れか1項に記載の信号処理装置。
- 請求項1乃至10の何れか1項に記載の信号処理装置と、
受光領域および遮光領域を備え、前記信号処理装置によって処理される画像データを出力する光電変換部と、
を備えることを特徴とする光電変換装置。 - 前記光電変換装置は、第1基板と第2基板とを含み、
前記第1基板に前記信号処理装置が配され、前記第2基板に前記光電変換部が配されることを特徴とする請求項11に記載の光電変換装置。 - 前記第1基板と前記第2基板との少なくとも一部が、積層されていることを特徴とする請求項12に記載の光電変換装置。
- 請求項11乃至13の何れか1項に記載の光電変換装置と、
前記光電変換装置の外部のサーバと通信するための通信部と、
を備える光電変換システムであって、
前記学習済みモデルが、前記光電変換装置とは別の光電変換装置の学習済みモデルと前記サーバを介して共有されることを特徴とする光電変換システム。 - 請求項1乃至10の何れか1項に記載の信号処理装置と、
受光領域および遮光領域を備え、前記信号処理装置によって処理される画像データを出力する光電変換部をそれぞれが備える複数の光電変換装置と、
前記信号処理装置と前記複数の光電変換装置との間の通信を行う通信部と、
を含む光電変換システム。 - 受光領域および遮光領域を備える光電変換部から出力される画像データを処理する信号処理装置の制御方法であって、
機械学習によって生成された学習済みモデルを用いて前記画像データの補正に用いる制御データを出力する工程と、
前記画像データのうち前記遮光領域の画像データである遮光画像データと前記制御データとに基づいて補正用データを生成する工程と、
前記画像データのうち前記受光領域の画像データである受光画像データを前記補正用データに従って補正する工程と、
を含むことを特徴とする信号処理装置の制御方法。 - 請求項16に記載の信号処理装置の制御方法の各工程をコンピュータに実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/481,550 US11582414B2 (en) | 2020-09-24 | 2021-09-22 | Signal processing apparatus, photoelectric conversion apparatus, photoelectric conversion system, control method of signal processing apparatus, and non-transitory computer-readable storage medium |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020160011 | 2020-09-24 | ||
JP2020160011 | 2020-09-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022053481A true JP2022053481A (ja) | 2022-04-05 |
Family
ID=80963000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021113140A Pending JP2022053481A (ja) | 2020-09-24 | 2021-07-07 | 信号処理装置、光電変換装置、光電変換システム、信号処理装置の制御方法およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022053481A (ja) |
-
2021
- 2021-07-07 JP JP2021113140A patent/JP2022053481A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200351464A1 (en) | Image sensor | |
JP5852324B2 (ja) | 撮像装置及びその制御方法、プログラム | |
US9832402B2 (en) | Row and column noise correction with defective pixel processing | |
US9065988B2 (en) | Image pickup apparatus including image pickup element having image pickup pixel and focus detection pixel and signal processing method | |
CN102870404B (zh) | 摄像设备及其暗电流校正方法 | |
JP5959834B2 (ja) | 撮像装置 | |
JP4396425B2 (ja) | 固体撮像装置及び信号処理方法 | |
JP2013009190A (ja) | 撮像装置及びその駆動方法 | |
JP6779038B2 (ja) | 撮像素子及びその制御方法、撮像装置及びその制御方法 | |
JP5207926B2 (ja) | 撮像装置及びその制御方法 | |
US20100245590A1 (en) | Camera sensor system self-calibration | |
JP5489739B2 (ja) | 信号処理装置、撮像装置、及び信号処理方法 | |
US12028630B2 (en) | Signal processing apparatus, photoelectric conversion apparatus, image capturing system, and control method of signal processing apparatus | |
JP2022053481A (ja) | 信号処理装置、光電変換装置、光電変換システム、信号処理装置の制御方法およびプログラム | |
US11582414B2 (en) | Signal processing apparatus, photoelectric conversion apparatus, photoelectric conversion system, control method of signal processing apparatus, and non-transitory computer-readable storage medium | |
JP5222029B2 (ja) | 撮像装置、撮像システム、および、撮像装置の制御方法 | |
JP7134786B2 (ja) | 撮像装置および制御方法 | |
JP2018160740A (ja) | 信号処理回路、撮像装置及び信号処理方法 | |
JP2017142484A (ja) | 撮像装置及びその制御方法、プログラム、記憶媒体 | |
JP2013102288A (ja) | 撮像装置及び撮像装置の制御方法 | |
JP5720213B2 (ja) | 撮像装置 | |
JP2017076875A (ja) | 撮像装置及び撮像装置の補正方法 | |
JP5129650B2 (ja) | 撮像装置 | |
US11399146B2 (en) | Method for correcting defects and in particular for reducing noise in an image provided by an image sensor | |
JP7490939B2 (ja) | 撮像装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240701 |