JP4234420B2 - データ解像度を増す方法および装置 - Google Patents
データ解像度を増す方法および装置 Download PDFInfo
- Publication number
- JP4234420B2 JP4234420B2 JP2002508740A JP2002508740A JP4234420B2 JP 4234420 B2 JP4234420 B2 JP 4234420B2 JP 2002508740 A JP2002508740 A JP 2002508740A JP 2002508740 A JP2002508740 A JP 2002508740A JP 4234420 B2 JP4234420 B2 JP 4234420B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- sensitivity
- model
- image
- sensitivity characteristics
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 147
- 230000001965 increasing effect Effects 0.000 title claims description 53
- 230000035945 sensitivity Effects 0.000 claims description 184
- 238000005259 measurement Methods 0.000 claims description 76
- 230000006870 function Effects 0.000 claims description 72
- 238000012549 training Methods 0.000 claims description 67
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 39
- 230000010287 polarization Effects 0.000 claims description 23
- 238000005316 response function Methods 0.000 claims description 10
- 230000015556 catabolic process Effects 0.000 claims 2
- 238000006731 degradation reaction Methods 0.000 claims 2
- 238000009825 accumulation Methods 0.000 claims 1
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 65
- 238000013507 mapping Methods 0.000 description 50
- 238000010586 diagram Methods 0.000 description 28
- 238000003384 imaging method Methods 0.000 description 26
- 230000000875 corresponding effect Effects 0.000 description 19
- 230000003595 spectral effect Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 238000005070 sampling Methods 0.000 description 10
- 230000002123 temporal effect Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 239000003086 colorant Substances 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 239000002131 composite material Substances 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 229920006395 saturated elastomer Polymers 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000001493 electron microscopy Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4015—Image demosaicing, e.g. colour filter arrays [CFA] or Bayer patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/117—Filters, e.g. for pre-processing or post-processing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/80—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
- Color Television Image Signal Generators (AREA)
- Length Measuring Devices By Optical Means (AREA)
Description
【関連出願との相互参照】
本願は、全体における参照によってここに含まれる2000年7月6日に出願されたシリアル番号60/216,395号の「高ダイナミックレンジカラーイメージング用装置および方法」という名称の米国仮特許出願に対する優先権を主張する。
【0002】
【連邦が後援した研究または開発に関する声明】
本発明は、国際科学財団、情報技術調査奨学金番号IIS−00−85864からの米国政府援助によって形成された。したがって、米国政府は、本発明において特定の権利を有してもよい。
【0003】
【発明の背景】
画像処理の共通のゴールは、入力データの所定の組から可能な最高の品質の画像を得ることである。画質は、代表的に、“解像度”で判断され、この解像度は、一般的に、画像を形成したデータの正確さおよび精度を示し、空間解像度(例えば、単位面積あたりまたは画像あたりの画素)、各画素の特徴の正確さおよび精度(輝度および/または色のダイナミックレンジ)および/または(例えば、ビデオ用途に関する)単位時間あたりの画像フレーム数を含むことができる。慣例的な画像処理アルゴリズムは、代表的に、処理されているデータに付帯的な情報および知識を無視するが、それにもかかわらず適切である。結果として、慣例的な画像処理アルゴリズムを使用して発生される画像の解像度は低下する。特に、入力画像が理論上どんな特性も持つことができるとしても、大部分の画像の特性は、画像化されている物理的な物体を支配する物理法則によって制限される。加えて、物体が理論上どんな形状をも持つことができるとしても、他のものより頻繁に繰り返される傾向がある特定の形状が存在する。
【0004】
例えば、理論上画像が輝度インパルス、すなわち無限の輝度の無限に小さい点を含むことができるとしても、このような現象は現実の世界において絶対に生じない。加えて、現実の物体の画像は、しばしば、例えば線、長方形、長円形、平坦な表面、および、滑らかに丸くなった表面のような単純な幾何学的形状で満たされている。実際には、実際の物理的な場面の画像が、根本的に完全にランダムなように分布した完全にランダムな形状の組から成ることはめったにない。まだ、慣例的な画像処理アルゴリズムは、大部分の画像を支配する上述した実際上の制限を大部分無視する。
【0005】
ダイナミックレンジを拡大するある慣例的な方法は、同じ場面の多数の画像を異なった露光量を使用して連続して獲得することである。各々の画像に関する路光量を、イメージング光学系の開口か、画像検出器の露光時間かのいずれかを変化させることによって制御する。高露光画像(すなわち、大きい開口または長い露光時間を使用して獲得された画像)は、明るい場面領域において飽和する傾向があるが、暗い領域においてより正確に獲得される傾向がある。コントラストにおいて、低露光画像(すなわち、小さい開口または短い露光時間を使用して獲得された画像)は、明るい領域においてあまり飽和しない傾向があるが、暗すぎるかもしれず、暗い領域においてノイジーになるかもしれない。これらの高露光画像および低露光画像の相補的性質は、これらを単一の高ダイナミックレンジ画像に結合することを可能にする。このような方法を、獲得された画像を使用して画像化システムの放射応答関数を計算することによってさらに強めることができる。
【0006】
上述した方法は、動く場面より静止画面により好適であり、良好な結果が得られるため、イメージングシステム、シーンオブジェクト、および、物体の放射輝度に関して、異なった露光の元での画像の連続的な獲得中、一定のままであることが好適である。しかしながら、静止場面要求は、いくつかの場合において、多数のイメージングシステムの使用によって改善されてきた。このような方法において、ビームスプリッタを使用し、場面の光学画像の多数の複製を発生する。各々の複製を画像検出器によって検出し、この画像検出器の露光を、光減衰器を使用するか、該検出器の露光時間を特定の値に設定することによってプリセットする。各々の検出器の露光量を、異なった値に設定する。この方法は、高ダイナミックレンジの画像をリアルタイムで発生する利点を有する。リアルタイムイメージングは、シーンオブジェクトおよび/またはイメージングシステムが、前記多数の画像複製の処理に影響を及ぼすことなく、獲得中に動くことを可能にする。欠点は、この方法は、多数の画像検出器と、獲得された画像のすべての位置合わせに関する正確な光学系と、多数の画像の獲得および処理に関する追加のハードウェアとを使用するため、費用がかかることである。
【0007】
高ダイナミックレンジイメージングに使用された他の方法は、特別なCCD設計を用いる。この方法において、各々の検出器セルは、異なったサイズのポテンシャル壁を有する、すなわち、異なった感度を有する2つの感知素子を含む。前記検出器が場面に対して露光されると、2つの測定が各々のセル内で行われ、これらの測定をチップ上で、画像が読み出される前に結合する。しかしながら、この技術は、複雑なCCD画像センサの製造を必要とするため、費用がかかる。加えて、結果として生じる画像の空間解像度は、前記2つの感知素子が、単一の感知素子セルを有する画像検出器において2つの画素が占めるのと同じ空間量を占めるため、半分に低下する。さらに、この技術は、他の処理に関してチップに信号を送る前に、各々の検出器セルにおける2つの感知素子の出力を結合するために、追加のオンチップエレクトロニクスを必要とする。
【0008】
高ダイナミックレンジイメージングに関する“適応性画素”方法も提案されている。このような方法は、各々の画素が、ポテンシャル壁における電荷が完全な容量に累算されるのに必要な時間を測定する計算素子を含む、固体画像センサを用いる。前記壁容量は、すべての画素に関して同じであるため、壁を満たすのに必要な時間は、対応する画素に入射する光の強度に比例する。記録された時間値を読み出し、高ダイナミックレンジ画像に変換する。いくつかの場合において、この方法は、増大したダイナミックレンジを与えることができる。しかしながら、32×32セル装置が実現されているが、高い製造コストを被ることなしにこの技術を高解像度に拡大するのは困難だと思われる。加えて、露光時間は暗い場面の領域において長くなる傾向にあるため、このような技術は、モーションブラーに対して比較的敏感であると思われる。
【0009】
画像データを、画素に関連する偏光データの形式において獲得することもできる。特に、個々の偏光フィルタを検出器アレイにおける各々の画素の前面において配置することが提案されている。例えば、個々の偏光フィルタを、検出器のアレイを覆う個々のカラーフィルタに追加することができる。前記偏光フィルタの下の検出器の出力を使用し、隣接する検出器にぶつかる光の偏光を推定することができる。しかしながら、このような技術は、前記偏光データに関して、画素を取り囲む領域全体を単一の画素として扱うため、空間解像度を犠牲にする。
【0010】
【発明の要約】
したがって、本発明の目的は、画像処理アルゴリズムであって、該アルゴリズムによって処理されるであろう画像の代表的な特徴に関する情報を使用する画像処理アルゴリズムを提供することである。
【0011】
本発明の他の目的は、上述した情報を使用してデータの解像度を上げることができる画像処理アルゴリズムを提供することである。
【0012】
これらおよび他の目的は、本発明の以下の態様によって成し遂げられる。
【0013】
本発明の一態様によれば、解像度を増したデータを発生する方法は、(1)局所的に均質でない測定パターンにおいて配置された複数の感度特性を使用して発生された第1データ組を受けるステップと、(2)モデルを使用し、前記第1データ組を処理し、これによって第2データ組を発生するステップとを含み、前記モデルが学習手順を使用して決定された第1モデルパラメータを有する。
【0014】
本発明の追加の態様によれば、解像度を増したデータを発生する方法は、(1)少なくとも1つの変数の第1値を表す第1データを受けるステップであって、前記少なくとも1つの変数が、少なくとも1次元における第1位置における前記第1値を有する、ステップと、(2)前記少なくとも1つの変数の第2値を表す第2データを受けるステップであって、前記少なくとも1つの変数が、前記少なくとも1次元における第2位置における前記第2値を有する、ステップと、(3)多項式モデルを使用し、前記第1および第2データを処理し、これによって少なくとも第3データを発生するステップとを含み、前記多項式モデルが、(a)前記多項式モデルの前記第1データへの適用を制御する第1多項式係数と、(b)前記多項式モデルの前記第2データへの適用を制御する第2多項式係数とを融資、前記第1および第2多項式係数の少なくとも一方を、学習手順を使用して決定する。
【0015】
本発明の他の態様によれば、測定方法は、(1)第1信号組の少なくとも1回の測定を含む第1測定組を行うステップであって、前記第1信号組が少なくとも1次元における第1領域からの少なくとも1つの信号を含み、前記第1測定組が前記第1信号組に関する第1および第2感度特性を有し、前記第1感度特性が第1特性形式を有し、前記第2感度特性が第2特性形式を有する、ステップと、(2)第2信号組の少なくとも1回の測定を含む第2測定組を行うステップであって、前記第2信号組が少なくとも1次元における第2領域からの少なくとも1つの信号を含み、前記第2測定組が前記第2信号組に関する第1感度特性を有し、前記第2測定組が前記第2信号組に関する第3感度特性をさらに含み、前記第3感度特性が前記第2特性形式を有する、ステップと、(3)第3信号組の少なくとも1回の測定を含む第2測定組を行うステップであって、前記第3信号組が少なくとも1次元における第3領域からの少なくとも1つの信号を含み、前記第3測定組が前記第3信号組に関する第4感度特性を有し、前記第4感度特性が前記第1特性形式を有する、ステップとを含む。
【0016】
本発明の依然として他の態様によれば、測定方法は、(1)第1信号組の少なくとも1回の測定を含む第1測定組を行うステップであって、前記第1信号組が少なくとも1次元における第1領域からの少なくとも1つの信号を含み、前記第1測定組が前記第1信号組に関する第1、第2および第3感度特性を有し、前記第1感度特性が第1特性形式を有し、前記第2感度特性が第2特長形式を有し、前記第3感度特性が第3特長形式を有する、ステップと、(2)第2信号組の少なくとも1回の測定を含む第2測定組を行うステップであって、前記第2測定組が前記第2信号組に関する第1感度特性を有し、前記第2測定組が前記第2信号組に関する第4および第5感度特性をさらに有し、前記第4感度特性が前記第2特性形式を有し、前記第5感度特性が前記第3特長形式を有する、ステップとを含む。
【0017】
本発明のさらなる目的、特徴および利点は、本発明の説明的な実施形態を示す添付図面に関連して行った以下の詳細な説明から明らかになるであろう。
【0018】
図面を通じて、他に述べなければ、同じ参照符を使用し、示した実施形態の同様な特徴、要素、構成要素または部分を示す。さらに、本発明を図面の参照と共に例としての実施形態に関して詳細に説明するが、変更および修正を前記説明した実施形態に、添付した請求項によって規定される本発明の真の範囲および精神から逸脱することなく行うことができる。
【0019】
発明の詳細な説明
多くの画像は、実際のまたは想像の物理的な場面の表現である。画像データは、しばしば、各画素データが、ある場面内の特定の領域または点のある属性、例えば輝度および/またはカラーを表す、画素データの組を具える。しかしながら、輝度およびカラーに加え、画素データは、前記場面の深さ、偏光、温度または何か他の物理的属性を含むことができる。さらに、画像がしばしば空間次元(例えば、垂直位置、水平位置、および/または、深さ位置、例えば、カメラまたは観察者からの距離)の関数としての場面の物理的属性(例えば、輝度)の表現であるとしても、前記属性を時間のような他の次元の関数として表すこともできる。代表的に、利用可能な画像データは、画素の制限された数、および/または、各々の画素の制限されたダイナミックレンジにより、制限された解像度を有する。したがって、画像データが物理的場面を表現する精度は制限される。入来画像データを処理し、これによって、より正確におよび/またはより精密に前記場面を表現する、より高い解像度のデータを発生することが望ましい。
【0020】
このようなデータ解像度向上は、1つ以上の入来データの関数として各々のより高い解像度のデータを発生する。特に、前記入来データのある領域におけるデータを使用し、処理された画像の対応する領域におけるより高い解像度データを発生する。しかしながら、より高い解像度のデータ組は、一般的に、対応するより低い解像度のデータ組より多くの情報を含む。例えば、より多くの画素を有する画像は、画素のすべてが同じダイナミックレンジを有する場合、より少ない画素を有する画像より多くの情報を含む。加えて、特定の数の高ダイナミックレンジ画素の組は、等しい数の低ダイナミックレンジ画素の組より多くの情報を含む。したがって、付帯的な情報が利用可能でない場合、すなわち、前記入来データそれ自身以外に利用可能な情報がない場合、より低い品質のデータからより高い品質のデータを再構成することは不可能であるかもしれない。
【0021】
他方において、上述したように、多くの画像に関して、追加の付帯的情報が利用可能であり、この情報は、大部分の画像において代表的に存在し、発生が期待される、形状およびパターンに関する知識を含む。本発明によれば、このような付帯的情報を、入来データ組と処理されたデータ組との間のマップのパラメータに取り入れる。前記マップ、別名“モデル”は、より高い解像度の処理されたデータを発生するために前記入来データに用いられる関数の組を具える。上述した付帯的情報の取り入れを、1つ以上の代表的な簡単な画像または画像部分を用いて前記モデルのパラメータを最適化する“学習”手順(別名、“トレーニング”手順)を使用して行う。前記モデルパラメータが最適化されたら、次に、最適化されたマップは前記画像の各々の位置において前記データの“正確”らしい値の改善された評価を与えるため、結果として生じたマップを使用し、より高い解像度データをより低い解像度の入来データから発生する。要するに、前記最適化されたマップは、生データの位置間の位置におけるデータの(例えば、画像属性値)向上した品質の推定を計算することを可能にし、これによって画像または画像列の空間または時間解像度の向上を可能にする。すなわち、画素数または画像フレーム数を、割り増しの画素またはフレームの追加によって増すことができる。本発明によれば、前記追加データは、隣接する画素またはフレームに基づいて単純に補間された値である必要はなく、代わりに、代表的な画像の特徴または他のデータに関する学習された知識に基づいて知的予測を構成することができる。本発明の技術が、画像に関するデータの品質を改善するのに特に有用であるとしても、ここでの考察は、この技術を使用することができるデータの形式にどのような制限を伴うことも意味しないことに注意すべである。例えば、本発明の技術を、(a)金融証券の値または他の値の時間列のような1次元データや、(b)平面画像データのような2次元データや、(c)深さ情報を含む画像データ、または2次元画像データの時間列を具えるビデオデータのような3次元データや、(d)深さ情報を含む画像データの時間列を具える3次元ビデオデータのような4次元データや、(e)任意の次元数における他の形式のデータに用いることができる。
【0022】
図1は、本発明による解像度を高めたデータを発生するデータの組の処理の一例を示す。この示した例において、例えば生画像であってもよいデータの第1組102を検出器アレイ104から受ける。第1データ組102は、例えば生画像の画素であってもよい第1データ122および第2データ124を含む。第1データ122は、例えば画像化されている場面の第1部分640の輝度のような少なくとも1つの変数の第1の値を表す。特に、前記場面内の物理的物体126の表面における第1位置640が特定の輝度を有する場合、第1データ122はこの輝度を表す。同様に、第2データ124は、前記場面内の物理的物体126の表面における第2位置642の輝度を表すことができる。モデル106を使用し、第1データ組102を処理し、これによって第2データ組108を発生する。好適には、モデル106は、第1データ122へのモデル106の適用を制御する第1モデルパラメータ116と、第2データ124へのモデル106の適用を制御する第12モデルパラメータ118とを含む。第2データ組108は、第1および第2データ122および124へのモデル106の適用によって発生された第3データ120を含む。
【0023】
本発明の好適実施形態において、マップ106は、第1データ組102におけるデータの多項関数の組を具える。第1および第2データ122および124を、図1に示すアルゴリズムにしたがって処理することができる。この示したアルゴリズムにおいて、前記第1データを受ける(ステップ402)。前記第2データも受ける(ステップ404)。モデル106を使用し、前記第1および第2データを処理し(ステップ406)、これによって第2データ120を発生する(ステップ408)。多項モデルを使用する場合、ステップ406は、好適には、第1多項係数を第1データ122に適用するステップ(ステップ408)と、第2多項係数を第2データ124に適用するステップ(ステップ410)と、ステップ408および410の結果を加算するステップ(ステップ412)とを含む。データへの多項係数の適用は、代表的に、前記係数に前記データの数学的パワーを掛けることを含む。
【0024】
好適には、モデル106は、獲得された画像内の小さい隣接部からの画素測定を受け、前記画素測定を所望の出力画像に変換する局所マッピング機能の組を具える。前記マッピング機能を、高品質データ(例えば、高解像度画像データ)の標本を、前記高品質データから計算された低品質データの標本と比較することによって“学習”する。例えば、目標が、低空間解像度を有する輝度画像を処理し、これによって高空間解像度を有する輝度画像を発生する構造モデルを学習することである場合、前記高解像度画像を意図的に劣化させ(かすませ、またはダウンサンプリングし)、対応する低解像度画像を発生することができる。他の例として、前記モデルを、高ダイナミックレンジ画像(例えば、1画素あたり12ビットを有する画像)を種々の異なった露光レベルに対応する低ダイナミックレンジ画像(例えば、1画素あたり8ビットを有する画像)から計算するように最適化すべき場合、前記高ダイナミックレンジ画像を拡大縮小、切り取り、および再量子化し、これによって、低ダイナミックレンジを有する試験画像の組を発生することができる。すなわち、“ダウングレード”処理ステップを使用し、前記トレーニング手順において使用する測定されたデータの低品質シミュレーションと同期するために、前記高品質画像を劣化させる。好例の高品質画像と低品質画像との間の関係を図8Aおよび8Bにおいて示す。図8Aの例において、低品質データ組802は、高品質データ804の低解像度版である。したがって、これら2つの画像における同じ領域に関して、前記高品質画像における方が前記測定された画像におけるより多くの標本が存在する。図8Bの例において、高品質データ組808は、時間次元(すなわち、時間)を含み、低品質データ組806より高い空間解像度および/または時間解像度を有する。
【0025】
前記学習段階において使用する高品質画像を、実際の場面の画像としても、種々の描画技術を使用して発生された合成画像としても、実画像データおよび合成画像データのある組み合わせとしてもよいことに注意すべきである。実場面の画像を、高品質(例えば、業務用グレード)画像化システムを使用して獲得することができ、前記高品質画像を、低品質画像化システムの特徴および欠点をシミュレートするモデルを使用して劣化させる場合、本発明の解像度向上技術は、より低い品質の画像化システムに高品質システムの性能をエミュレートすることを可能にすることができる。前記アルゴリズムによって使用される構造モデルを好適にはできるだけ一般的にし、したがって、前記訓練手順に選択された画像は、現実世界において遭遇することが期待される場面および特徴の形式の完全な範囲を十分に表すべきである。例えば、都市セッティング、風景、および、屋内空間の画像を好適には含む。加えて、前記選択された画像は、実際に遭遇する照明状態の完全な範囲を表し、屋内照明、曇りの屋外条件、および、晴れの屋外条件を含む。加えて、前記構造モデル最適化処理がスケーリングおよび方向付けの影響を獲得できるようにするために、種々の異なった拡大セッティングおよび回転の下で取得した同じ場面の画像を含むのが、通常は有利である。特定の用途に関連するかもしれない特定の特徴を容易に含むことができるため、合成画像が特に有用であるかもしれない。例えば、合成画像の発生において、種々の方向付けおよびスケーリングにおいてエッジ、線、曲線および/またはより複雑な特徴を描画するのは比較的容易である。加えて、表面テクスチャの特定の形式を、コンピュータ発生画像において容易に合成することができる。
【0026】
前記高品質画像およびこれらに対応する低品質画像が得られたら、1つ以上の構造マッピングモデルを評価することが望ましい。この評価を行う好例の手順を図9に示す。示した例の構造モデル902は、入力データM(x,y)(例えば、実際の測定データ、またはシミュレートされたデータ)を所望の出力値の組H(i,j)に関連付ける一般的な関数である。前記入力および出力データの間の関係を、以下のように表すことができる。
H(i,j)=f(M(1,1),...,M(x,y),...,M(X,Y)) (1)
ここで、XおよびYは、高品質値H(i,j)の対応する隣接部を取り囲む、またはこれに近い入力測定データM(x,y)の隣接部を規定する。構造モデルの評価は、式(1)における関数fのパラメータの評価を本質的に構成する。
【0027】
本例における関数fを一般的な用語において規定したことに注意すべきである。関数fを線形または非線形とすることができる。そのパラメータを、多数の異なった回帰技術のいずれをも使用して任意に評価することができる。これらの回帰方法は、線形または非線形であってもよく、ロバスト統計の技術において一般的に使用されるような、フィッティング中の境外の点の除去のような技術を含むことができる。さらに、関数fは、関数係数が評価すべきモデルのパラメータである基本関数の組み合わせを具えてもよい。
【0028】
加えて、モデル106は、図3に示すようなネットワーク306を具えることができる。図3に示す例において、第1データ組102を、種々のリンク306によって接続された複数のノード302を含むネットワーク306中に受ける。ネットワーク306は、例えば、マルコフネットワーク、ベイジアンネットワーク、および/または、ニューラルネットワークを具えることができ、これらすべては既知である。ネットワーク306は、第1データ組102を処理し、これによって、改善された解像度を有する第2データ組108を発生する。前記関数をベイジアンまたはニューラルネットワークとして実現すべき場合、そのパラメータを、逆伝播アルゴリズムのような種々の既知の方法を使用して評価することができる。さらに、前記モデルは、隠れマルコフモデルを任意に具えることができる。好適実施形態において、所望の高品質値を、前記入力データの多項式関数としてモデル化する。前記モデルの形式に係らず、本発明のアルゴリズムは、係数または他のモデルパラメータの組Cを決定し、最適化しようとする。上述したように、高品質訓練画像(現実、合成、または双方)を使用し、これらの係数を計算する(ステップ904)。前記手順において使用する(大きさ(X,Y)の)隣接部は一般的に小さく、代表的な例は、その値を最終的に計算すべき前記高品質画素の場所を取り囲む低品質画素の5×5ウィンドウであるため、各々の高品質訓練画像は、代表的に、前記係数を見つけるのに有用な多量のデータを与える。
【0029】
構造モデル902を上述したように計算したら、前記データの再構成を行うことができる。この再構成処理は、図9に示すように、前記モデルを低品質データに用いることを含む。前記低品質データは、物理的測定装置から来ることができ、または、効率的な格納および/または伝送の目的のため、前記高品質データから発生され、この高品質データの代わりに使用される“合成”低品質データであってもよい。さらに、前記低品質データを、高品質データから、比較的低品質のセンサのモデル(図9における項目906)を使用することによって合成することができる。
【0030】
各々の出力画像値を、前記再構成処理から得る。
【数1】
【0031】
多くの用途に関して、到来画像信号を、局所不均質測定パターン、すなわち、あるセンサが、隣接するまたは近いセンサと有意に異なる感度を有するパターンを使用して測定することが有利である。“モザイク”とも呼ぶことができるこのようなパターンを、検出器アレイの感度が中心からエッジに向かって徐々に減少する傾向にある“ぼかし”のような効果と区別すべきである。ぼかし効果は、アレイ全体のサイズに匹敵するスケールにおいて生じる。
【0032】
大部分の光強度センサの制限されたダイナミックレンジと、人間の目の高いダイナミックレンジとにより、到来光の強度(すなわち、輝度)に対して異なった感度を有するセンサのパターンを使用することが望ましいかもしれない。このようなパターンは、前記場面の明るく照明された部分および暗く照明された部分の双方の輝度を正確に測定することを可能にする。このような局所不均質測定パターンを図1に示す。パターン110は、到来光の強度に対して高感度を有する第1領域114と、到来光の強度に対して減少した感度を有する第2領域112とを含む。局所不均質測定パターン110を多数回繰り返し、検出器アレイ104において使用するためのより大きい局所不均質測定パターンを形成することができる。結果として生じる画像を、“空間変化露出”(SVE)画像と呼ぶことができる。図1に示す例において、前記場面における物体126の第1部分640から来る光を、測定パターン110の第1部分114が受ける。物体126の表面における第2位置642から来る光は、検出器アレイ110において使用する測定パターンの第2部分112が受ける。好適には、モデル106の第1モデルパラメータ116を、測定パターン110の第1部分114の感度特性(すなわち高感度)に対して調和させると共に最適化し、第2モデルパラメータ118を、測定パターン110の第2領域112の感度特性(すなわち低感度)に対して調和させると共に最適化する。局所不均質測定パターン110を繰り返して検出器アレイ104用のより大きいパターンを形成することができるように、第1および第2モデルパラメータ116および118を、好適には、測定パターン110の第1および第2部分114および112の各々の複製に対して再使用する。第1センサ特性を有する第1センサを使用して標本化された生データは、異なった感度特性を有するセンサを使用して標本化された生データと異なる場面に対して関係を有すると思われるため、このような構成は有利である。したがって、マップ106のパラメータ116および118を決定および最適化する場合、各々の感度特性を、好適にはそれ自身のマップパラメータに割り当てる。
【0033】
図17は、追加の空間不均質輝度感度(すなわち、SVE)パターンを示す。この図においてより明るいとして示す画素は、到来光強度に対するより高い感度を有し、より暗い画素は、より低い感度を有する。示した例において、4つの隣接する画素1711、1712、1713および1714は、異なった感度(e1<e2<e3<e4)を有する。これら4つの画素1711、1712、1713および1714は、反復して前記検出器アレイを覆う2×2隣接画素1705を形成する。4値感度パターンに基づくSVE画像は、2×2隣接画素1705の異なった周期的シフトに対応する4つの異なった形式の局所隣接部強度パターン1722、1724、1726および1728を有する。
【0034】
ある画素が飽和する場合でも、この画素は、飽和しない少なくとも1つの隣接画素を有すると思われるため、SVEパターンは有利である。加えて、SVEパターンにおけるある画素が、きわめて低いまたはゼロの輝度を示すか、低い信号対ノイズ比を有する場合、この画素は、測定可能な輝度を有するおよび/または許容しうる信号対ノイズ比を有する少なくとも1つの隣接画素を有すると思われる。結果として、SVEパターンは、前記場面の高ダイナミックレンジ画像の計算を可能にする。
【0035】
SVE技術は、図17に示すモザイクに決して限定されないことにさらに注意すべきである。輝度感度値の数、したがって、異なった局所パターン形式の数を変化させることができ、前記パターンは周期的である必要はない。ランダムに配置された露出モザイクが有用である場合があるかもしれない。加えて、SVEモザイクを多くの方法において実現することができる。あるアプローチは、異なった光学的透明度を有するセルを具えるマスクで前記検出器アレイを覆うことである。代わりに、または加えて、特に前記検出器がCCDアレイのような固体装置である場合、前記感度パターン(すなわち、前記モザイク)を前記検出器上に直接エッチングすることができる。さらに、前記画素の感度を、(1)異なって構成されたマイクロレンズで各画素を覆う、(2)種々の異なった積分時間を異なった画素に使用する、および/または、(3)各画素を異なった間隙で覆う、のような追加の技術によってプリセットすることができる。上述した方法のすべてを使用し、検出器アレイに空間的に変化する輝度感度パターンを与えることができる。
【0036】
異なった透明度を有するセルのモザイクを有する光学マスクを使用することは、このような方法を、事実上任意の画像化システムへのきわめて簡単な変更を行うことによって実現することができるため、特に便利であるかもしれない。図18A−18Cは、光学マスクを画像化システム中に組み込むいくつかの方法を示す。図18Aにおいて、マスク1802を検出器1804の面に隣接して配置する。マスク1802を、画像化レンズ1806の外側に配置してもよく、この配置は、通常は、検出器面1804にアクセスするのが困難なシステムに好適である。図18Bに示す例において、一次レンズ1810を使用し、場面1808をマスク1802の面上に集束させる。マスク1802から出てくる光線を画像化レンズ1806によって受け、検出器1804の面上に集束させる。拡散器1812を使用し、マスク1802に達する光線の指向性を減少または除去することができ、この場合において、好適には、画像化レンズ1806に拡散器1812の面において集束させる。図18Cは、マスク1802を慣例的な写真機中に容易に組み込む配置を示す。図18Cに示す例において、マスク1802を、フィルム1814が沿って進む面に隣接して固定する。前記SVE技術は、決して可視光に限定されないことに注意すべきである。要するに、任意の電磁放射イメージャまたは任意の他の放射イメージャのダイナミックレンジを、前記SVE方法を使用して拡大することができる。
【0037】
本発明によれば、低ダイナミックレンジSVE画像を、広ダイナミックレンジ画像に、局所多項式マッピング関数を使用してマッピングすることができる。前記SVEアルゴリズムは、画像放射度の空間−露出次元を活用する構造モデルを開発しようとする。
【0038】
前記測定されたデータ(例えば、SVEセンサを使用して獲得されたデータ)をMによって示すとする。高ダイナミックレンジ画像Hを、局所隣接パターンpの4つの形式の各々に関して1つの構造モデル(すなわち、マッピング関数)の組を使用してMから再構成することができる。Mpは、特定の局所パターンpを有するMの隣接部を示すとする。隣接部中心における所望の高ダイナミックレンジ値を、以下のように評価することができる。
【数2】
ここで、Sp(i,j)を、図19に示すように画素(i,j)の隣接部とする。Mp n(x,y)Mp q(k,l)は、(1)隣接部Mp内における点(x,y)における生値のn乗と、(2)隣接部Mp内における点(k,l)における生値のq乗との積を表す。Npは、前記多項式マッピングの次数である。Cpは、局所パターンpの多項式係数を表す。代表的に、垂直方向において画素(i,j)から変位した画素からの情報は、水平方向において変位した画素からの情報より多かれ少なかれ重要でないと思われる。したがって、一般的には、長さと同じくらいの幅である隣接部、例えば、正方形の隣接部を使用するのが好適である。さらに、すべての強度感度特性(例えば、すべての露出レベル)は、好適には、各々の隣接部において同じ回数生じるべきである。任意の偶数回の露出に関して、偶数(奇数でなく)の長さおよび幅を有する隣接部は、この条件を満たす。例えば、図19に示す隣接部Sp(i,j)は、偶数の長さおよび幅を有する正方形隣接部である。前記高ダイナミックレンジ値を、オフグリッド隣接部中心(i+0.5,j+0.5)において計算する。
【0039】
積Mp(x,y)Mp(k,l)は、前記隣接部の2つの画素間の相関を明示的に意味する。しかしながら、多くの場合において、この積の項を使用し、すなわち、相関項を明示的に計算し、含むことは、(空間位置または他の次元において)近い場面の光は自然に相関する傾向があるため、前記技術の精度および効率をあまり増さない。より簡単で、したがって、あまり計算上集中的でない好適なマッピング関数を、
【数3】
によって与える。
【0040】
図19は正方形の4×4隣接部を示しているが、本方法を、任意のサイズおよび形状を有する隣接部に用いることができ、本方法を使用し、オフグリッド位置またはオングリッド位置のいずれに位置する画素の値も計算することができる。
【0041】
各々の局所パターンpに関して、式(4)を図14に示すように行列によって表すことができ、
Bp=ApCp (5)
ここで、行列Apの各行は、局所パターン形式pを有する隣接部Mpの画素値の累乗を含む。Apの各行は、多項式次数Npまでの画素値累乗を含む。Cpは、局所パターンpを有する隣接部における各々の画素に対応する多項式係数を含む列ベクトルである。Bpは、各pに関する所望のオフセンタ隣接部中心値Hpを含む列ベクトルである。
【0042】
異なった局所露出パターンに対応するマッピング値を、重み付き最小二乗法を使用して評価する。このような技術のある例は、重み付き正規方程式
Ap TWp 2ApCp=Ap TWp 2Bp (6)
を解くことであり、ここで、Wpは、隣接部線型方程式の各々を重み付けする対角行列である。最小二乗法用語において、Ap TWp 2Apを“重み付き正規方程式”と呼ぶことができ、Ap TWp 2Bpを“重み付き回帰ベクトル”と呼ぶことができる。
【0043】
前記多項式マッピング関数における係数の数を以下のように計算することができる。u、x、vは前記隣接部のサイズを表し、Npは局所露出パターンpに対応する多項式の次数を表すとする。pをSVE画像における異なった局所パターンの数とする。係数の数|C|は、以下の式によって与えられる。
【数4】
【0044】
例えば、P=4(例えば、4つの異なった画素露出を有するSVE検出器に関して)、p=1...Pに関してNp=2、u=v=6(すなわち、偶数の長さおよび偶数の幅を有する正方形隣接部)の場合、係数の数は292である。
【0045】
本発明によるアルゴリズムを使用し、前記局所多項式マッピング係数を、高ダイナミックレンジセンサを使用して獲得されたいくつかの異なった画像を処理することによって学習(すなわち、最適化)することができる。次に、前記最適化されたマッピング関数を使用し、高ダイナミックレンジ画像を、SVEセンサによって獲得された他の画像から再構成することができる。前記訓練段階において、訓練アルゴリズムは、高ダイナミックレンジ画像を使用し、隣接部パターンの各々の形式(例えば、図17におけるパターン1701−1704)に関する局所多項式マッピング関数の係数を評価する。
【0046】
図20は、本発明による好例の訓練段階のフローチャートである。図20に示す例において、前記訓練を、フィルムカメラによって、または、スライドスキャナによって獲得された12ビット画像2024を使用して行う。前記画像の強度を拡大縮小し、前記センサの全体的な露出における変化をシミュレートする(ステップ2002)。SVE検出器のこれに調和する応答関数2004を前記訓練画像に適用する。次に、露出パターンの各々の形式に関するアルゴリズムを画像隣接部の各々の形式によって訓練する(すなわち、前記モデルパラメータを最適化する)ために、前記拡大縮小された画像を平行にシフトさせる(ステップ2006)。次に、SVEマスク2008を訓練画像2026に適用し、これによって、12ビットSVE画像2012を発生する(ステップ2010)。次に、(ステップ2014において)12ビットSVE画像2012を、このデータを255の最高強度レベルにおいてクリッピングし、次にこの画像をマッピングまたは再量子化することによってダウングレードし(すなわち劣化させ)、これによって8ビット画像M(図20における項目2028)を発生する。上述したダウングレード手順は、低ダイナミックレンジを有するSVEセンサをシミュレートする。図14に示すように、画像Mから、隣接部の組Apを各パターンpに関して抽出する。同様に、列ベクトルBpを訓練画像Hから抽出する。異なった強度感度(例えば、図17におけるe1、e2、e3およびe4)の数における非対称を回避するために、好適には、(奇数より)偶数の長さおよび幅を有する正方形の隣接部を使用する。偶数の長さおよび/または幅を有する隣接部の中心は、図19に示すようにオフグリッド位置である。結果として生じる半画素オフセットを補償するために、前記訓練画像それ自体を半ピクセルだけオフセットする。前記高品質画像の元の標本化が、信号再構成に関するナイキスト基準に従わない場合、前記オフセットは、さらに、前記画像に不明瞭さを導入することができ、これによって、不明瞭なまたは滑らかな画像および場面に関して最適化された係数が生じる。よりシャープな画像および場面に関する最適化を望む場合、最初の高解像度画像は、好適には、シャープな特徴を有するシャープな場面を表すべきであり、ナイキスト基準にしたがって標本化すべきである。しかしながら、シャープな画像の拡張は、代表的に、滑らかなおよび/またはぼけた画像の拡張より正確なモデルを必要とすることに注意すべきである。さらに、シャープな画像ですら、重大な量の滑らかな領域を含む傾向にある。したがって、訓練時において、後に前記アルゴリズムによって拡張される画像のシャープさのレベルを知る方法はなく、前記モデルの精度が、よりシャープな画像を拡張するのに最も重要であり、任意の場合において、シャープな訓練画像は、滑らかおよび/またはぼけた画像の拡張をも可能にする十分な滑らかな領域を含む傾向があるため、好適には訓練にシャープな画像を使用する。
【0047】
前記SVEデータにおける任意の局所パターン形式に属するすべての隣接部を正規化する。この正規化を、最初に、各p型隣接部のデータから、p型のすべての隣接部Apの平均エネルギーμpを引き、次に、このデータをAp(i)のエネルギーで割ることによって行う。数学的に、この正規化ステップを以下のように表すことができる。
【数5】
ここで、Ap(i)のエネルギー(すなわち、分母)は、図14に示す行列Apのi番目の行ベクトルの選択された位置の大きさである。このi番目の行ベクトルの選択された位置は、隣接画素値の1乗を含む位置である。残りのデータBpを同様に正規化する。
【数6】
【0048】
正規化(ステップ2016)後、重み付き最小二乗法(ステップ2018)を使用し、重み付き正規行列Apnorm TWp 2Apnormと、右側の回帰ベクトルApnorm TWp 2Bpnormとを計算する。最小二乗法手順2018において、すべての訓練画像に関して、前記正規行列および回帰ベクトルを、各々付加的に累算する。次に、最小二乗法の結果を計算する(ステップ2022)。前記高ダイナミックレンジ画像のすべてが、多数の露出および多数の平行シフトによる訓練を含む訓練モードに使用されたら、前記多項式マッピング関数の係数Cp(図20における項目2032)を、隣接部パターンpの各々の形式に関して、式(6)を使用して計算する(ステップ2030)。
【0049】
図21に例を示す再構成段階において、再構成アルゴリズムは、前記訓練段階において計算された多項式係数2032を、低ダイナミックレンジ8ビットSVEセンサを使用して獲得されたSVE画像2102に適用する。前記訓練アルゴリズムと同様に、この再構成アルゴリズムは、各々の局所パターンpに対応する隣接部Apの各々を正規化する(ステップ2104)。次に、係数Cp(項目2032)を、前記正規化隣接パターンの各々に用い、これによってBpnorm=ApnormCpを得る(ステップ2106)。次に、Bpnormを、逆正規化(すなわち、非正規化)し、Bpを得る(ステップ2108)。前記SVE技術は前記場面強度の不均質量子化を使用するため、このアルゴリズムは、好適には、前記SVE検出器マスクにおいて使用された別々の露出の数にしたがって、前記逆正規化されたデータを不均質に量子化し(ステップ2110)、これによって、再構成された高ダイナミックレンジ画像2112を得る。
【0050】
本発明によるSVE方法を、広い種類の自然の場面を表す5つの高ダイナミックレンジ(12ビット)訓練画像を使用してテストした。前記マッピング係数を“訓練”(すなわち、最適化)するために、図20のフローチャートに示すように、前記訓練画像の各々をダウングレードし(すなわち、劣化させ)、8ビットSVE画像を得る。前記SVE画像を形成するために、各々の訓練画像を、4つの異なった露出(e1=4e2=16e3=64e4)を使用して獲得し、次に、図17に示すSVEマスク1706にしたがって結合する。再構成に関して、訓練において使用された画像とは異なる6つの12ビットSVE試験画像をダウングレードし、8ビットSVE画像を発生する。結果として生じる係数を、図21に示すフローチャートに従って、前記ダウングレードされた8ビットSVE画像に用いる。図36は、上述した手順とバイキュービック補間手順との結果を比較するヒストグラムグラフである。これら2つのヒストグラムの比較は、本発明の方法がより多い低誤差画素とより少ない高誤差画素とを示すことを示す。
【0051】
前述の例において、局所的に不均質な感度特性は、特定の形式、特に、光強度に関するセンサ出力の依存の形式のものである。しかしながら、本発明によれば、他の感度特性形式を使用し、局所的不均質測定パターンを形成することができる。例えば、前記感度特性は、信号波長(例えば、色)に関する測定感度の依存の形式を有することができる。さらに、前記特性形式を、到来光偏光に関する測定感度の依存の形式とすることができる。
【0052】
いくつかの場合において、構造モデルは、どの画素を拡張するかにかかわらず同じ係数を使用する場合、最適な結果を示さないかもしれないことに注意すべきである。これは、前記場面の多数の属性を同時に標本化する場合、特にありそうである。このような例を図2に示す。示した測定パターンの調査は、グリッド上の異なった画素が異なった局所標本化パターンを持つことができることを示す。例えば、図2に関して、第1画素202および第2の隣接する画素204の隣接部における高品質R、GおよびB値を得るのに本発明によるアルゴリズムを使用しているとする。第1画素202の周囲の露出およびスペクトルフィルタの局所パターンは、隣接画素204の周囲のパターンと異なっていると思われる。したがって、前記モデルが多数のモデル係数を有していなければ、単一の均質構造モデル、すなわち、周囲の隣接画素の感度パターンを無視するパターンを使用して、3つの示したカラーチャンネルのすべてにおけるすべての画素における前記画像の輝度を予測する場合、不正確な結果が生じるかもしれない。“コンパクト”(すなわち、少ない数の係数を有する)および効率的の双方であるモデルを得るために、好適には、種々の局所標本化パターンを使用して獲得されたデータを供給するのに、1つの組の係数を使用しない。より良好な結果を、局所標本化パターンの各々の形式に関してモデル形式の異なった組を使用することによって達成することができる。画像値を、代表的に、単一の繰り返しパターンを使用して標本化するため、代表的に、結果として生じる標本化パターンは少ない。したがって、少ない数の構造モデル(または、モデル構成要素)のみが通常は必要である。興味ある特定の画素を与えると、適切な構造モデルを、この特定の画素の局所隣接部において生じる特定の標本化パターンに用いる。
【0053】
大部分のディジタルカラーセンサは、単一の検出器アレイを使用し、画像を獲得する。前記アレイにおける各々の検出器は、特定の波長範囲、例えば、赤、緑または青における到来光の強度を測定する画素に対応する。すなわち、カラーフィルタを、前記検出器アレイにおいて空間的に交互配置する。このようなカラーモザイクを、空間変化カラー(SVC)モザイクと呼ぶことができる。カラーフィルタの種々のパターンを、センサアレイ上に載せることができる。本発明によるアルゴリズムは、訓練された局所多項式マッピング関数を使用して高品質カラー画像を発生することができる。本発明のカラーモザイク方法を、ここに、単一チップカラーCCDカメラに関して主に説明したが、本発明の方法は、どのような特定のカラーセンサにも決して限定されないことに注意すべきである。
【0054】
単一チップCCDカメラの検出器アレイにおけるカラーフィルタを、種々の方法において配置することができる。各々の画素の周囲の領域を、“隣接部”と呼ぶことができる。すべての隣接部は、“局所パターン”と呼ぶことができるカラーの空間変化パターンを含む。全体的な画像モザイクを、全体的な検出器アレイ上に局所パターンを複製することによって形成することができる。いくつかの場合において、前記局所パターンを、重なるように配置することができる。
【0055】
上記概念を、ディジタルカメラ産業において広く使用される2つの簡単なモザイクを参照して説明することができる。図10に示す第1形式を、一般に列モザイクと呼ぶ。この形式のモザイクは、図10においてR、GおよびBとしてラベル付けされた赤、緑および青チャネルの均一な列ごとの交互配置である。前記モザイクを形成するために、R、GおよびB感度の1×3パターン1004を、全体的な画素アレイ上で繰り返す。図10に示す例のモザイクにおいて、R、GおよびBチャネルの各々の空間解像度は33%である。ここで、図10における隣接部1001、1002および1003を考える。図10において示す好例の列モザイクに関して可能な局所3×3隣接部パターンのみが存在するため、同様のサイズおよび形状の任意の他の隣接部は、局所パターン1001、1002または1003の1つに対応しなければならない。一般に、3カラー列モザイクCCDは、前記隣接部の形状およびサイズにかかわらず、3つの異なった局所隣接部パターンのみを有する。
【0056】
一般にベイヤモザイクと呼ばれるモザイクのより一般的な形式は、異なった色に対する人間の視覚システムの感度を考慮する。人間の目が、赤または青の光に対するよりも緑の光により高感度であることはよく知られている。したがって、ベイヤモザイクは、50%の緑色画素の空間解像度と、25%の赤色および青色画素の空間解像度とを各々設定し、これによって、人間の目にあまり粒状に見えない画像を発生する。このようなモザイクの例を図11に示す。示したモザイクは、画像全体にわたって繰り返される2×2パターン1105を具える。種々の隣接部における局所パターンの異なった形式は、図11に示すように、前記2×2パターンの行および列の異なった周期的シフトに対応する。したがって、ベイヤモザイクCCDにおいて、2×2以上のサイズのすべての隣接部を、4つの異なった可能な局所パターンのうちの1つに属するようにクラス分けする。これら4つのパターン1105−1108を図12に示す。図11において、パターン1101−1104は、ベイヤモザイクCCDにおいて可能な局所パターンの4つの異なった形式を表す3×3隣接部の例である。本発明の好適実施形態において、ベイヤモザイクを使用するが、本技術は、列モザイクパターンまたは任意の他の形式のパターンにも効果的である。
【0057】
いくつかの慣例的なシステムにおいて、補間を使用し、単一チップCCDによって獲得された画像において存在しないR、GおよびB値を計算する。この補間を、各々のカラーチャネルに関して別々に行う。しかしながら、このような方法は、隣接する場面点の色の間の相関を明らかにせず、このような相関は実際の場面において生じる傾向がある。これと相違して、本発明による方法は、実際の場面の相関を、空間次元においてだけでなく、波長および/または時間のような他の次元においても活用する局所関数を展開する。これらのような局所関数を使用し、ベイヤモザイク入力を高品質RGB画像にマッピングする。
【0058】
測定されたSVCデータ(例えば、ベイヤCCDによって獲得されたデータ)をMによって表すとする。所望の高品質RGB画像Hを、前記隣接部の4つのユニークな局所パターンの各々とのカラーチャネルλの各々の可能な組み合わせに関して1つある(代表的に12の)構造モザイク(または、マッピング関数)の組を使用してMから再構成することができる。Mpは、特定の局所パターンpに属するMの隣接部を示すとする。次に、前記隣接部中心における所望のカラー値を、
【数7】
として評価することができ、ここで、Sp(i,j)を画素(i,j)の隣接部とする(図13参照)。Npは、前記多項式マッピングの順序である。Cpは、各々のカラーチャネルλに関する局所パターンpの多項式係数の組を表す。代表的に、垂直方向において画素(i,j)から離れた画素からの情報は、水平方向において画素から離れた情報より多かれ少なかれ重要でないことが予想される。したがって、一般的に、幅が長さと同じくらいの隣接部、例えば、正方形隣接部を使用することが好適である。さらに、すべての波長感度特性(例えば、すべての色)は、好適には、各々の隣接部において同じ回数生じるべきである。任意の偶数の色に関して、または、偶数の画素を有するモザイクパターンに関して、この条件は、(奇数より)偶数長さおよび幅を有する隣接部によって満たされる。R、GおよびB値を、オフグリッド隣接部中心(i+0.5,j+0.5)において計算する。
【0059】
積Mp(x,y)Mp(k,l)は、前記隣接部の2つの画素間の相関を明示的に意味する。しかしながら、多くの場合において、(空間位置または他の次元において)近い場面の光は自然に相関する傾向があるため、前記積の項を使用することは、前記技術の精度および効率をあまり増さない。好適なマッピング関数は、より簡単で、
【数8】
によって与えられる。
【0060】
すなわち、多項式を、低品質SVCデータ内の隣接部の各オングリッド画素に関して計算し、高品質(すなわち、高解像度)カラー値を、対応するオフグリッド中心画素において、前記隣接部におけるすべての画素の多項式を集める(例えば、加える)ことによって発生する。一般に、上述した方法を、任意のサイズおよび形状の隣接部に使用することができ、オフグリッドおよびオングリッド計算に使用することができることに注意すべきである。
【0061】
各々のλおよび各々の局所パターン形式pに関して、式(11)によって規定されたマッピング関数を、図14に示すように、行列によって表すことができる。
Bp(λ)=ApCp(λ) (12)
ここで、行列Apの各行は、局所パターン形式pを有する隣接部Mpの画素値の累乗を含む。Apの各行は、多項式次数Npまでの画素値累乗を含む。Cp(λ)は、カラーλおよび局所パターンpに関する前記隣接部画素の各々の多項式係数を含む列ベクトルである。Bp(λ)は、各々のλおよびpに関する所望のオフグリッド隣接部中心値Hp(λ)を含む列ベクトルである。インデックスλを、簡潔さのために省略することができ、前記マッピング関数の評価を、重み付き最小二乗問題としておくことができる。
Ap TWp 2ApCp=Ap TWp 2Bp (13)
ここで、Wpは、前記隣接部線形式の各々を重み付けする対角行列である。最小二乗法において、Ap TWp 2Apを“重み付き正規行列”と呼ぶことができ、Ap TWp 2Bpを“重み付き回帰ベクトル”と呼ぶことができる。
【0062】
式(11)のマッピング関数における係数の数を以下のように計算することができる。uxvは隣接部サイズを表すとし、Npはパターンpに対応する多項式次数を表すとする。Pは前記SVC画像における異なった局所パターンの数を表すとする。Aはカラーチャネルの数を表すとする。次に、係数の数|C|を以下の式によって与える。
【数9】
例えば、P=4(例えば、ベイヤモザイクCCDに関して)、p=1...Pに関してNp=2、u=v=6(すなわち、偶数の長さおよび幅を有する正方形隣接部)、Λ=3(R、GおよびB)の場合、係数の数は876である。画像再構成に関して、多数の係数は、慣例的な補間技術より高い柔軟性を与える。
【0063】
本発明によるアルゴリズムは、前記局所多項式マッピング関数のパラメータを、いくつかの高品質RGB画像を使用して“学習”(すなわち、最適化)することができる。前記最適化されたマッピング関数は、すべての画素においてただ1つのカラーチャネル測定を与えるベイヤモザイクCCDを使用して獲得された画像からの高品質カラー画像の再構成を可能にする。
【0064】
前記訓練段階において、訓練アルゴリズムは、局所パターンの各形式に関してと、各々のカラーチャネルに関して前記局所多項式マッピング関数の係数を、高品質RGB画像を使用して評価する。図15は、本発明による好例の訓段段階のフローチャートである。示した例における訓練アルゴリズムは、フィルムカメラを使用して獲得され、スライドスキャナを使用してスキャンされた高品質カラー画像1502によって開始する。前記画像を劣化させ、実際のCCDアレイによって獲得された画像をシミュレートするために、訓練画像1506を、代表的なCCDアレイの性能および制限をシミュレートする応答関数1504によって高品質画像1502を処理することによって発生する。次に、例えば、ベイヤモザイク画像であってもよいSVC画像M(図15における項目1514)を、カラーモザイクパターン1510にしたがって高品質画像1502から適切なカラーチャネル値を消去することによってシミュレートする(ステップ1512)シミュレートされたSVC画像M(項目1514)から、前記アルゴリズムは、図14に示すような、各々のパターンpに関する隣接部の組Ap(項目1528)を抽出する。各々の隣接部は、局所パターン形式p(例えば、図11におけるパターン1101−1104を参照)を有する。同様に、各々のカラーチャネルに関して、列ベクトルBp(項目1530)を、訓練画像H(項目1502)から抽出する。前記隣接部における赤色および青色画素が基本ベイヤパターンにおけるのと同じ比率において表示されるのを保証するために、好適には、(奇数より)偶数の長さおよび幅を有する隣接部を使用する。偶数の長さおよび/または幅を有する隣接部の中心は、図13に示すようにオフグリッド位置である。結果として生じる半画素オフセットを補償するために、前記アルゴリズムは、訓練画像1506を半画素だけオフセットする(ステップ1508)。前記高品質画像の元の標本化が、信号再構成に関するナイキスト基準に従わなかった場合、前記半画素オフセットは、さらにぼけを前記訓練画像に導入することができる。このようなぼけは、顕著に滑らかな表面を有するぼけた入力画像および/または場面に関してより良好に最適化されたモデル係数を結果として生じることができる。顕著にシャープで急な特徴を有する場面のシャープな画像に関するモデルを最適化することを望む場合、好適には、ナイキスト基準に適合して標本化され、顕著にシャープで急な特性を有する画像を表す画像で開始する。しかしながらSVEアルゴリズムに関して上述したように、訓練時において、前記アルゴリズムによって後に拡張される前記画像のシャープさのレベルを知る方法がない場合、前記モデルの精度は、よりシャープな画像を拡張することに関して最も重要であり、いかなる場合においても、シャープ訓練画像は、滑らかおよび/またはぼけた画像の拡張をも可能にする十分な滑らかな領域を含むと思われるため、好適には、訓練にシャープ画像を使用する。
【0065】
前記アルゴリズムは、SVEアルゴリズムに関して上述したように、SVCデータにおける各々の隣接部Ap(i)を正規化する(ステップ1516)。正規化後、重み付き最小二乗手順(ステップ1518)を使用し、重み付き正規行列Apnorm TWp 2Apnormと左側回帰ベクトルApnorm TWp 2Bpnormとを計算する。最小二乗手順1518において、各々の訓練画像に関して、前記重み付き正規行列および重み付き回帰ベクトルを、付加的に累算する(ステップ1520)。次に、最小二乗法の結果を計算する(ステップ1518)。前記訓練画像のすべてを処理したら、前記アルゴリズムは式(13)を使用し、隣接部パターンpの各々の形式に関してと、各々のカラーチャネルに関して、前記多項式マッピング関数の係数Cp(項目1526)を決定する(ステップ1524)。
【0066】
例を16に示す再構成段階において、再構成アルゴリズムは、前記訓練段階において計算された多項式係数1526を、ベイヤモザイクCCDを使用して獲得されたSVC画像1602に用いる。すなわち、前記アルゴリズムは、1画素あたり3つのカラーチャネル値を有する高品質画像1610を、1画素あたり1つのカラーチャネル測定値のみを有するSVC画像から計算する。この再構成を、“非モザイク化”と呼ぶことができる。前記訓練段階と同様に、前記再構成段階において、前記SVC画像の各々の隣接部を正規化する(ステップ1604)。次に、係数Cp(項目1526)を、前記正規化された隣接部パターンおよび各々のカラーチャネルに用い、これによって、Bpnorm=ApnormCpを得る(ステップ1606)。次に、Bpnormを逆正規化(すなわち、非正規化)し(ステップ1608)、これによって、再構成された高品質カラー画像1610を得る。
【0067】
本発明によるSVC訓練アルゴリズムを、広い種類の自然の場面を表す30の高品質カラー画像を使用して試験した。図15のフローチャートに示すように、前記訓練画像の各々を、各々の画素から2つのカラーチャネルを除去することによってダウングレードし、これによって、SVC画像を得た。次に、次数2の局所多項式マッピング関数の係数を、重み付き最小二乗手順を使用して計算した。次に、前記訓練ステップにおいて使用した画像とはことなる20の試験画像を、20のシミュレートされた低品質SVC画像を得るためにダウングレードした。図16のフローチャートにしたがって、前記モデル係数を前記シミュレートされた低品質試験画像に用いた。図35のヒストグラムグラフによって示すように、本発明の構造再構成方法は、慣例的なキュービック補間より多い低誤差画素と、より少ない高誤差画素とを発生した。
【0068】
本発明の好適実施形態によれば、局所不均質測定パターンは、異なった形式の感度特性の局所不均質パターンの組み合わせを具えることができる。例えば、図6Aに示すように、測定パターンを、強度感度パターンと波長(例えば、色)感度パターンの組み合わせとすることができる。SVEパターンおよびSVCパターンの組み合わせを構成するこのようなパターンを、空間変化カラーおよび露出(SVEC)パターンと呼ぶことができる。図6Aに示す例において、前記測定パターンは、3つのセンサ領域602、604および606を具える。図5は、図6Aのパターンを使用して信号を測定する手順の一例を示す。第1領域602は、前記場面(図1参照)における物体126の領域640から、1つ以上の信号を含む第1信号組620を受ける(図5におけるステップ202)。
【0069】
第1センサ部分602は、第1信号組620の第1測定組(少なくとも1つの測定を含む)を行う(図5におけるステップ504)。図6Aに示す測定パターンにおいて、第1領域602は、緑色光に対する感度を具える第1感度特性646を有する。加えて、第1センサ領域602は、光強度に対する高感度を具える第2感度特性648を有する。
【0070】
第2検出器組604は、前記場面の第2領域642から第2信号組622を受け、測定する(ステップ506および508)。第2検出器組604も緑色光に感度があり、すなわち、このセンサは、第1検出器組602と同じ第1感度特性646を有する。加えて、第2検出器組604は、第2信号組622に関する第3感度特性を有し、この第3感度特性650は、光強度に対していくぶん低下した感度を具える。第3検出器組606は、第3信号組624を、前記場面の第3領域644から受け、測定する(ステップ510および512)。第3検出器組606は、第3信号組624に関する第4感度特性652を有する。この例において、第4感度特性652は、第1感度特性646と同じ形式、すなわち、選択された波長の組(この場合において、赤色光)に対する感度を有する。さらに、図6Aに示す例において、第3検出器組606は、光強度に対して一層減少した感度を具える第5感度特性654を有する。第5感度特性654は、各々第1および第2検出器組602および604の第2および第3感度特性648および650と同じ形式、すなわち、光強度に対して特定の感度レベルのものである。前記第1、第2および第3信号組を測定したら、本発明による構造モデルを使用し、結果として生じるデータの解像度を増し、これによって、より高い解像度の出力データを発生する(図5におけるステップ514)。
【0071】
本発明による局所不均質測定パターンの追加の実施形態によれば、検出器組を重なったマスクによって形成する必要はなく、代わりに、図6Bに示すように、各々がそれ自身の感度特性を有する多数の検出器によって形成することができる。示した測定パターンにおいて、前記第1検出器組は、信号波長に関して測定感度のある形式の依存性を有する検出器616を具え、すなわち、検出器616は、緑色光に対して高感度である。前記第1検出器組は、信号強度に関して測定出力のある形式の依存性を有する感度特性648を有する検出器618も含み、すなわち、この場合において、検出器618は低下していない強度感度を有する。第2検出器組604は、同様に、カラー感度形式および強度感度形式の感度特性646および650を各々有する2つの検出器632および634を含む。同様に、第3検出器セット606は、カラー感度形式および強度感度形式の感度特性646および654を各々有する検出器636および638も含む。図6Aおよび6Bに示す測定パターンは3つの検出器組のみを含むが、前記測定パターンの一部として使用することができる検出器組の数に制限はない。例えば、図6Cおよび6Dに示すように、本発明による局所不均質測定パターンの好適実施形態において、ベイヤパターンを、強度感度特性の局所不均質パターンと共に使用することができる。図6Cに示す例において、4つの検出器組608、602、610および604は、種々のカラー感度特性662、646、656および646を各々有する。加えて、検出器組608、602、610および604は、種々の強度感度特性664、648、660および650を各々有する。加えて、図6Dに示すように、異なった強度感度特性パターンを使用することができる。例えば、図6Cに示す例において、赤色および青色検出器組608および610は、光強度に対する高い感度に対応する強度感度特性664および660を有する。しかしながら、図6Dに示す例において、赤色および青色検出器組608および610は、光強度に対する低下した感度に対応する強度感度特性666および668を有する。
【0072】
基本SVECパターンを使用し、全体画像SVECパターンを形成することができる。例えば、図22に示す画素のアレイを考える。グレイレベルは画素露出を示し、頭文字R、GおよびBは、種々の画素において測定されたカラーチャネルを示す。このような全体画像SVECモザイクを形成するある方法は、カラー感度および輝度(すなわち、強度)感度を小さい隣接部内に割り当て、初期パターンを形成し、次に、前記初期パターンを前記検出器アレイ全体に渡って繰り返すことによる。図22に示す例において、正方形の4×4初期パターン2201を前記検出器アレイ全体に渡って繰り返す。このような初期パターンを前記検出器アレイじゅうに繰り返すことの利点は、局所パターン2201−2216の異なった形式の数が、初期パターン2201の異なった周期的シフトに対応することである。SVEC画像化において、カラーおよびダイナミックレンジを、空間位置の関数として同時に標本化し、結果として、前記SVECモザイク中の局所パターンは、前記SVCモザイクまたはSVEモザイクのいずれかにおける局所パターンより複雑になる。
【0073】
種々の露出およびカラーを、好適には、特定の用途に応じた特定の所望の特性を有するSVECモザイクを生じるように個々の画素に割り当てる。前記所望の特性を、以下のパラメータによって規定することができる。
1.長さu、幅vおよび/またはアスペクト比a=v/uにしたがって規定された隣接部サイズおよび形状。
2.任意の隣接部におけるR、GおよびB領域の数と、個々のカラー高感度領域の個々の位置。
3.異なった露出(すなわち、強度感度)の数eおよび値と、前記隣接部内の個々の露出感度領域の個々の位置。
4.各々の露出値に割り当てられたR、GおよびB領域の数。
【0074】
例えば、上述したように、大部分の場合において、前記隣接部長さおよび幅を、好適には等しくする(すなわち、a=1)。サイズに関して、より小さい隣接部は、“より小さい”テクスチャを有する、すなわち、輝度が単位距離ごとに急激に変化する画像に関してより良好な結果を与える傾向がある。これは、これらのような画像に関して、より離れた画素間の相関が減衰し、結果として、大きい隣接部は、小さい隣接部より多くの情報を提供しないためである。加えて、上述したように、偶数の要素を有するモザイクに関して、前記隣接部は、好適には、偶数長さおよび偶数幅を有するべきである。
【0075】
露出レベルの数eに関して、より多くの数は、より高いダイナミックレンジを与えることができる。異なった露出レベル間の比に関して、より高い比は、より大きい合計検出可能範囲を与えるが、結果として、検出可能輝度レベルのより粗い間隔を生じる。好適には、前記露出レベルの比を、前記検出可能輝度の合計範囲が、前記場面において存在すると共に興味がある輝度レベルの範囲と一致するように選択すべきである。
【0076】
前記種々の露出レベルを、好適には分散し、前記隣接部のある位置(例えば、右上のコーナ)において大部分の高感度画素が位置し、異なった位置(例えば、左下のコーナ)において大部分の低感度画素が位置するのを回避する。このような好適な配置は、前記隣接部のすべての位置における少なくともいくつかの画素が、隣接するまたは近くの画素が飽和するか、前記信号を検出することができなくても、到来信号を正確に検出する可能性を増す。
【0077】
カラーパターンに関して、多くのシステムにおいて、ベイヤモザイク(図11に示す)は、このようなパターンは人間の目の感度に調和し、大部分のディジタルカメラはこのパターンに従うため、前記検出器アレイにおけるカラー分布に関する好適な選択である。このようなパターンを使用すると、図11に示すように、サイズuxvの各々の局所隣接部内で、R、GおよびBの空間解像度は、各々、25%、50%および25%となる。
|R|=|B|=0.25uv;|G|=0.5uv (15)
【0078】
式(15)および前記ベイヤパターンに基づいて、隣接部長さuおよび隣接部幅vは双方とも偶数であることが容易にわかる。さらに、各々の隣接部内において、異なった露出レベルの各々に関して、各々のカラーは、好適には、前記ベイヤパターンにおいて該カラーが生じるのと同じ回数生じるべきである。したがって、
|R|=|B|=ke;|G|=2ke
4ke=uv (16)
であり、ここで、RおよびBは各々の露出k回と結合し、Gは各々の結合2k回と結合し、k、eおよびuは正の整数である。さらに、前記隣接部のアスペクト比aの項において、
4ke=au2 (17)
となる。
【0079】
前記モデルに必要な係数の数を最小にするために、好適には、上記条件を満たす最小の局所SVECパターンを見つける。露出の一定の数eと一定のアスペクト比aとに関して、前記局所パターンの最小サイズuは、式(17)を満たすkに関する最小整数値に対応する。例えば、e=2およびa=1(すなわち、前記隣接部は正方形)の場合、前記検出器アレイ全体に渡って繰り返す必要がある最小の隣接部は、サイズu=4(k=2に対応する)を有する。同様に、e=4およびa=1に関して、結果として生じるパターンは、u=4およびk=1である。図22に示す好例の画像パターンは、e=4(すなわち、4つの異なったグレイレベル)およびベイヤカラーモザイクを使用する。全体画像パターンを発生するために、4×4正方形隣接部2201を前記アレイ全体にわたって繰り返す。
【0080】
上記結果は、露出感度値の数と、好適な局所隣接部パターンサイズとの間の関係を確立する。加えて、各々の隣接部におけるカラーの空間配置を決定した。上記制約を使用し、種々の露出感度値を、前記局所パターンにおける種々の画素に割り当てることができる。
【0081】
本発明の好適実施形態において、低ダイナミックレンジベイヤモザイクSVEC画像を、最適化された局所多項式マッピング関数を使用し、高ダイナミックレンジカラー画像に割り当てる。前記マッピング関数を、学習された構造モデルから得る。
【0082】
前記測定データ、この例においては、SVECセンサを使用して獲得されたデータを、Mによって表すとする。高ダイナミックレンジカラー画像Hを、構造モデル(すなわち、局所マッピング関数)の組を使用し、Mから再構成することができる。各々のカラーチャネルλに関して、局所マッピング関数を、図22においてパターン2201−2216として示す局所隣接パターンpの16形式の各々に関して最適化する。Mpは、特定の局所パターンpに属するMの隣接部を示すとする。次に、前記隣接部中心における所望の高ダイナミックレンジカラー値を、
【数10】
として評価することができ、ここで、Sp(i,j)は、図23に示すような画素(i,j)の隣接部である。Npは、前記多項式マッピングの次数である。Cpは、各々のカラーチャネルλに関する隣接画素(x,y)の各々におけるパターンpの多項式係数を表す。この好例のインプリメンテーションは、偶数長さおよび偶数幅を有する正方形隣接部を使用する。前記高ダイナミックレンジカラー値を、図23に示すように、オフグリッド隣接部中心(i+0.5,j+0.5)において計算する。本方法を、任意の隣接部サイズおよび形状に使用することができ、オフグリッドおよびオングリッド位置/領域(すなわち、画素)の双方における画像値を計算するのに使用することができることに注意すべきである。比較的簡単なマッピング関数、式(18)をこの好例のインプリメンテーションにおいて使用したが、本アルゴリズムは、SVCおよびSVE状況において上述した式(3)および(10)のようなより一般的なマッピング関数を用いることもできることにも注意すべきである。
【0083】
前記SVCおよびSVE手順と同様に、式(18)を、図14に示すように、各々の局所パターンpに関する行列によって表すことができる。
Bp(λ)=ApCp(λ) (19)
ここでApは、各々の行が、局所パターンpに属する隣接部Mpの画素値の累乗を含む行列である。Apは、多項式次数Npまでの画素値累乗を含む。Cp(λ)は、カラーλおよび局所パターン形式pに関する隣接画素の各々の多項式係数を含む列ベクトルである。Bp(λ)は、各々のλおよびpに関する所望の高ダイナミックレンジオフグリッド隣接部の中心カラー値Hp(λ)を表す列ベクトルである。インデックスλを簡潔さのために省略することができ、前記マッピング関数の評価を、重み付き最小二乗問題としておくことができる。
Ap TWp 2ApCp=Ap TWp 2Bp (20)
ここで、Wpは、前記隣接部線形式の各々を重み付けする対角行列である。
【0084】
前記多項式マッピング関数における係数の数を、以下のように計算することができる。uxvは、前記隣接部サイズおよび形状を表すとし、Npは、局所SVECパターンpに対応する多項式次数を表すとする。Pは、前記SVEC画像における異なった隣接部パターンの数を表す。次に、係数の数|C|を、以下の式によって与える。
【数11】
【0085】
例えば、A=3(例えば、カラーR、GおよびBに関して)、P=16(4つの異なった画素露出およびベイヤカラーモザイクを有するSVEC検出器に関して)、p=1...Pに関してNp=2、u=v=6(すなわち、偶数の長さおよび幅を有する正方形隣接部)の場合、係数のk図は3504である。
【0086】
本発明による画像品質を高めるモデルベース方法を、式(4)、(11)および(18)のマッピング関数間の類似性によって、そして、SVC、SVEおよびSVEC表示法および方法の記述間の類似性によっても証明されるように、画像放射照度の次元の任意の同時標本化に用いることができる。
【0087】
本発明によるSVECアルゴリズムは、高ダイナミックレンジカラーセンサによって獲得されたいくつかの画像を使用して、局所多項式マッピング関数を学習することができる。結果として生じるマッピング関数を使用し、SVECセンサによって獲得された他の画像から、高ダイナミックレンジカラー画像を再構成することができる。前記アルゴリズムの訓練段階において、局所多項式マッピング関数の係数を、隣接部パターンの各々の形式(例えば、図22におけるパターン2201−2216)に関して、高ダイナミックレンジカラー画像を使用して評価する。図24は、本発明による好例のSVEC訓練段階のフローチャートを示す。示した例において、前記訓練を、フィルムカメラによって獲得されスライドスキャナによってスキャンされた12ビットカラー画像2402を使用して行う。個々の画像2402の強度を増減し、前記センサによって獲得された画像の全体的な露出における変化をシミュレートする(ステップ2404)。前記アルゴリズムは、前記増減された画像に、SVEC検出器の応答関数と調和する応答関数2406を用いる。次に、結果として生じる画像を、好適には露出パターンの各形式と画像隣接部の各形式とのすべての可能な組み合わせを使用して前記マッピング関数パラメータを訓練(すなわち、最適化)するために、平行シフトする(ステップ2408)。12ビットSVEC画像を発生するために、SVCマスク2412およびSVEマスクを各々の訓練画像に用いる(ステップ2416および2420)。示した例において、SVCマスク2412を最初に用い(ステップ2414)、これによってSVC中間データ2416を発生する。しかしながら、前記SVEマスクを最初に用いてもよい。各々の12ビットSVEC画像2422を、前記画素データを255の強度レベルにおいてクリッピングし、次に前記データを再量子化し(ステップ2424)、(項目2426として示す)8ビット画像Mを発生することによってダウングレードする。上述した処理は、低ダイナミックレンジSVECセンサをシミュレートする。画像M(項目2426)から、隣接部Apの組を、図14に示すように、各パターンpに関して抽出する。各々のカラーチャネルおよび局所パターンに関して、列ベクトルBpを、訓練画像Hから抽出する。示したインプリメンテーションは、偶数の長さおよび幅を有する正方形隣接部を使用する。SVCおよびSVEアルゴリズムと同様に、SVECアルゴリズムにおいて、前記訓練画像を、1画素の半分だけオフセットする(ステップ2430)。加えて、SVEおよびSVCアルゴリズムに関して上述したように、訓練時において、後に該アルゴリズムによって拡張されるシャープさのレベルを知る方法がない場合、前記モデルの精度は、よりシャープな画像を拡張するのに最も重要であり、いかなる場合においても、シャープな訓練画像は、滑らかなおよび/またはぼけた画像の拡張をも可能にする十分な滑らかな領域を含むと思われるため、好適にはシャープな画像を訓練に使用する。
【0088】
局所SVECパターン形式の1つに属する各隣接部のデータを、SVEおよびSVCアルゴリズムと同様に、式(8)および(9)を使用して正規化する。正規化後、重み付き最小二乗手順2432を使用し、重み付き正規行列Apnorm TWp 2Apnormおよび右側回帰ベクトルApnorm TWp 2Bpnormを計算する。最小二乗手順2432において、各訓練画像に関して、前記正規行列および回帰ベクトルを、各々、付加的に累算する(ステップ2434)。前記訓練アルゴリズムが、各々の画像に関する多数の露出および多数の平行シフトを含む前記高ダイナミックレンジカラー画像のすべてを処理したら、前記最小二乗手順の結果が得られ(ステップ2436)、この結果を使用し、隣接部パターンpの各形式および各カラーチャネルλに関する多項式マッピング関数の係数Cp(項目2440)を、式(20)を使用して計算する(ステップ2438)。
【0089】
一例を図25に示す再構成段階において、前記アルゴリズムは、前記最適化された多項式係数を、低ダイナミックレンジ(例えば、8ビット)ベイヤモザイクSVECセンサを使用して獲得されたSVEC画像2502に用いる。前記訓練手順と同様に、前記再構成アルゴリズムは、前記SVEC画像における各局所パターンpに対応する各隣接部Apを正規化する(ステップ2504)。次に係数Cpを、各カラーチャネルに関する前記正規化された隣接部パターンの各々に用い、これによって、Bpnorm=ApnormCpを得る(ステップ2506)。次に前記アルゴリズムは、Bpnormを逆正規化する(ステップ2508)。前記SVECパターンは場面光の不均質量子化に基づくため、前記逆量子化されたデータを、前記SVEC検出器マスクにおいて使用された異なった露出の数にしたがって不均質量子化し(ステップ2510)、これによって、再構成された高ダイナミックレンジカラー画像2512を発生する。
【0090】
本発明によるSVECアルゴリズムを、4つの異なった露出の下で獲得された10の高ダイナミックレンジカラー(1カラーチャネルあたり12ビット)を使用して試験した。以下を確認した。前記訓練画像は、広い範囲の自然の場面を表す。各12ビット訓練画像の各画素に関して、前記アルゴリズムは2つのカラーチャネルから情報を除去し、これによって、各画素を単一カラー画素に変換した。次に、各場面の4つの露出に対応する12ビットSVC画像を、図22に示すSVEC露出パターンにしたがって結合した。結果として生じる12ビットSVEC画像を、次にダウングレードし、図24のフローチャートに示すように、8ビットSVEC画像を発生した。次に、(次数3の)前記局所多項式マッピング関数の係数を、重み付き最小二乗法を使用して計算した。次に、訓練において使用する画像とは異なる10の試験画像を、例としての8ビットSVEC試験画像を発生するためにダウングレードした。次に、前記訓練手順によって発生された係数を使用するモデルを、図25のフローチャートにしたがって前記8ビットSVEC試験画像に用いた。図34のヒストグラムグラフは、本発明の構造再構成アルゴリズムの結果を、バイキュービック補間手順の結果と比較する。このグラフによって示されるように、前記構造モデルは、より多くの低誤差画素と、より少ない高誤差画素とを示した。
【0091】
上記例は、2つの空間次元(すなわち、垂直および水平次元)において配置された測定パターンを強調したが、本発明による測定パターンを空間次元に限定する必要はない。特に、ビデオ用途において、図6Eおよび6Fに示すように、空間および時間の双方に関して局所的に不均質である測定パターンを使用することが望ましいかもしれない。図6Eにおいて、ビデオフレームを第1時間T1において獲得する。前記ビデオフレームは、場面の2つの領域640および642から発される光の測定を含む。領域640および642を、空間および時間の双方におけるこれらの位置によって規定する。図6Fにおいて、第2ビデオフレームを第2時間T2において受け、この第2ビデオフレームは、場面の2つの異なった位置670および644から受けた光の測定を含む。図6Eおよび6Fにおいて示した例において、位置640および670は、空間において同じ位置を有するが、時間次元において異なる位置を有することに注意すべきである。同様に、位置642および644は、空間次元において同じ位置を有し、時間次元において異なった位置を有する。
【0092】
位置640、642および644の測定を、例えば、図6Aに示す測定パターンを使用して行うことができ、この測定パターンは、(パターン要素602および604によって規定される)垂直空間次元と、(パターン要素604および606)によって規定される)時間次元とにおいて局所的に不均質である。
【0093】
本発明によるアルゴリズムを使用し、図6Eおよび6Fに示す多フレーム画像のようなデータの時間解像度を増すことができる。連続的な画像間の移動物体690の空間平行移動は、前記画像を獲得する周波数(すなわち、フレームレート)に依存する。本発明の構造モデルを使用し、ビデオシーケンスの実際の時間フレームレートをアップグレード(すなわち、増加)することができる。実際には、前記モデルを使用し、元の獲得されたフレーム間に追加のフレームを挿入することができる。時間解像度のアップグレードを行うために、前記構造モデルは、前記画像における輝度値がどれくらい2つのフレーム間で変化すると期待されるかを予測する。
【0094】
実際のまたは合成の高時間解像度データを使用し、前記モデルパラメータを最適化することができる。このような高時間解像度データは、運動における物体の種々の形式の高フレームレートビデオシーケンスに対応する。前記高解像度データを、測定データを合成するために、時間解像度においてダウングレードする。この場合における局所パターンは、画素値の3次元ブロックに対応し、各々のブロックは、空間および時間位置の範囲を有する。図28を参照し、例えば、このようなブロック2814は、図28に示すような3×3空間ウィンドウ(合計36測定値)の4つのビデオフレーム2802、2804、2806および2808を具えることができる。中間フレーム2812における画素値2801は、高解像度画像データを構成する。前記解像度向上アルゴリズムは、高解像度画像データ値2810を、36測定値2814の多項式関数として表す。このような構造モデルを使用し、完全な中間画像フレームを予測する。構造モデルの組は、したがって、多くの中間フレームを予測し、これによって、任意の獲得されたビデオシーケンスの時間解像度を向上させる。
【0095】
加えて、本発明によるアルゴリズムを使用し、異なった露出を使用して獲得された画像のシーケンスの形式における画像データの解像度を増すこともできる。このようなシーケンスを、多くの技術を使用して獲得することができる。例えば、ユーザは、単に、カメラの絞りまたは露出設定を変化することができ、各々の設定を使用して別々の画像を獲得することができる。さらに、前記カメラそれ自体が、迅速な連続における多数の積分時間を使用し、画像のシーケンスを獲得することができる。これらの2つの方法のいずれも、図26に示す形式のシーケンスを示す。示したシーケンス2606は、きわめて明るい場面領域が最も露出されなかった画像2602において飽和なく獲得され、きわめて暗い領域が最も露出された画像2604において良好な明瞭さで獲得されるため、高ダイナミックレンジ画像を発生するのに十分な情報を含むことは容易に明白である。本発明による多項式モデルを使用し、各画素の異なった露出に対応する輝度値から単一の高ダイナミックレンジ値へのマッピングを計算することができる。前記測定データが飽和効果を含むと思われ、前記データを獲得するのに使用されたセンサの放射測定応答関数が所望の高品質画像の応答関数と異なっているかもしれなくても、本発明のアルゴリズムは、出力画像の各画素に関する高ダイナミックレンジ値を発生することができる強力な多項式モデルを最適化することができる。さらに、前記入力および出力画像は、カラー情報を含むこともできる。カラー画像の場合において、前記マッピングを、カラーチャネルの各々に関して別々に行うことができる。代わりに、前記マッピング方法を輝度データのみに使用することができ、この場合において、各画素のカラーを、飽和していない(そして暗すぎない)測定値の1つから選択する。
【0096】
上述した考察は、輝度およびカラーを画素の重要な属性として強調したが、場面から反射される光も偏光状態を示す。この画像化光の偏光状態は、前記場面における鏡面反射(ハイライト)や、反射表面の材料特性のような有用な情報を運ぶ。上述したように、異なった線形偏光角を有する変更フィルタを使用し、画像検出器の画素を覆うことができる。例えば、前記偏光フィルタを、ベイヤモザイクにおける緑色フィルタのすべてに加えることができる。場面位置の偏光状態を、偏光データを使用して隣接画素から計算することができる。
【0097】
本発明によれば、偏光データの解像度を、構造モデルを使用して増すことができる。図30は、画像検出器アレイにおける偏光およびカラーフィルタの好例の配置を示す。獲得された画像は、カラーおよび偏光情報の双方を含む。本発明によるアルゴリズムは、画素の小さい隣接部を使用し、赤色、緑色、青色および偏光状態の高品質値を評価する構造モデルを訓練する。上述したSVECアルゴリズムの場合におけるように、図30に示す偏光パターンにおいて生じる4つの異なった局所パターンが存在する。したがって、構造モデルの4つの組を評価し、各々の組は、赤色、緑色、青色および偏光角データの各々に関して1つの構成要素である、4つのモデル構成要素を含む。前記構造モデルは、偏光測定の空間相関と、カラー測定の空間相関とを取り入れる。加えて、前記モデルは、前記カラーチャネルと変更測定のとの間の相関を取り入れる。
【0098】
カラーに特定の興味がない場合、異なった偏光フィルタを有するモノクローム検出器を使用することができる。このようなシステムにおいて、前記構造モデルは、単純に、前記画像における各点における輝度値および偏光状態を評価する。
【0099】
上記考察は、カラー感度特性の局所不均質パターンと、強度感度特性の局所不均質パターンとの組み合わせを具える測定パターンの使用を強調した。しかしながら、この考察は、組み合わせることができる測定パターンの形式の数におけるなんらかの制限を伴うことを意味しない。例えば、図7に示すように、カラー感度(特性706および708)のパターンと、強度特性(特性710および712)のパターンと、偏光感度(特性714および716)のパターンとを組み合わせることが望ましいかもしれない。さらに、図7に示す例は、各々が単一の検出器を具える検出器組702および704を含むが、検出器組702および704の各々を、図6Bに示す検出器組602、604および606と同様に、多数の検出器から形成することもできる。
【0100】
多数の特性の場合において、生じるパターンの種々の形式を含むために、いくつかの構造モデルを使用する。このような方法は、図31に示す好例のパターンのような場合に適用可能であり、この場合において、前記画像データは、強度およびスペクトル属性の空間および時間的標本化を含む。構造モデルを使用し、空間、強度、スペクトルおよび/または時間解像度が向上した高品質画像データを予測する。
【0101】
さらに、本発明による再構成アルゴリズムは、可視スペクトル内の光のパターンを表現する画像データに限定されないことを理解すべきである。ここに説明した技術は、赤外(IR)画像化、X線画像化、磁気共鳴(MR)画像化、合成アパーチャレーダ(SAR)画像化、粒子ベース画像化(例えば、電子顕微鏡)および音響(例えば、超音波)画像化を含むがこれらに限定されない、任意の電磁放射または任意の他の放射の画像化に適用可能である。
【0102】
本発明による方法を使用し、画像の空間解像度を増すこともできる。獲得された画像を、理論的なより高品質の画像の低解像度バージョンとみなすことができる。構造モデルを使用し、1つ以上の低解像度画像の局所隣接部を、上述したより高品質の画像の画素として考えることができる単一の高解像度値にマッピングすることができる。このような技術の一例を図27に示す。前記画像の画素2702の各々を、測定された輝度値によって表す。前記アルゴリズムは、解像度アップグレードを行い、このアップグレードにおいて、測定画素値の局所隣接部2704を使用し、画素グリッド上にない新たな位置2706に関する最も確からしい値を評価する。このプロセスを、前記画像全体に渡って繰り返し、元の前記測定画像の4倍多くの画素を有する画像を発生する。情報理論は、このような解像度アップグレードを慣例的な技術を使用して行うことはできないことを示唆している。しかしながら、本発明の構造モデルは、付帯的情報を使用し、追加の解像度の達成を可能にする。特に、前記モデル係数は、前記訓練手順によって学習された代表的な場面の知識を取り入れる。
【0103】
上述した例と同様に、前記空間解像度向上アルゴリズムは、高解像度画像の組を使用し、前記訓練手順を行う。前記訓練画像を解像度においてダウングレードする。次に、前記アルゴリズムは、測定値の局所(例えば、3×3または5×5)隣接部を新たな位置の1つにおける高品質データにマッピングするのに好適な多項式構造モデルのパラメータを最適化する。別個の構造モデルを、前記新たな高品質値の各々に関して計算する。この例において、新たな位置2706の各々に1つ、3つの構造モデルを使用する。これらの構造モデルは、共に、任意の所定の測定画像の解像度アップグレードを可能にする。さらに、上記例は、非カラー輝度データの組の空間解像度の向上を含むが、この技術を、2つ以上のカラーチャネルを表すデータに用いることもできる。3つのカラーチャネル、代表的に、R、GおよびBに関して、合計9の構造モデルを好適には使用する。
【0104】
本発明によるアルゴリズムを使用し、画像データのスペクトル解像度を増すこともできる。理論において、場面点は、任意のスペクトル分布関数、すなわち、波長の関数としての任意の反射率を有することができる。しかしながら、実際には、物体表面を形成する自然のおよび人工の物理的プロセスは、表面反射率のスペクトル分布を滑らかにし、良好に動作させる傾向がある。結果として、少数のスペクトル標本、例えば、ナローバンドスペクトルフィルタを使用して行う測定が、広範囲の照明状態の下での現実世界の表面の大規模なクラスの完全なスペクトル分布を正確に予測するのに十分であるかもしれない。図29は、異なったスペクトルフィルタを使用して獲得された好例の場面のいくつかの画像を示す。これらのような画像を、高品質多スペクトル画像を使用して合成することもできる。比較的低いスペクトル解像度を有する現実のまたは合成された画像を使用し、前記測定された(または合成された)ものの間にある波長に関する輝度値を予測することができる構造モデルを展開し、最適化する。このような方法は、慣例的な(R−G−B)カラーカメラを使用して獲得された画像に基づいて、前記場面点のスペクトル分布の評価の決定を可能にする。好適実施形態において、前記再構成に使用した測定データの隣接部2902を、空間およびスペクトル次元の双方において規定する。このような実施形態は、隣接部場面点のスペクトル分布間の相関を利用し、これによって、各々の画像位置におけるスペクトル分布のより高品質な再構成を与える。
【0105】
当業者には、図1−31の方法を、図4、5、9、15、16、20、21、24および25によって規定される好適ソフトウェアの制御の下で動作する種々の標準コンピュータプラットフォームにおいて実現することができることが明らかであろう。いくつかの場合において、慣例的なパーソナルコンピュータにおける周辺カードのような専用コンピュータハードウェアが、上記方法の動作効率を増すことができる。
【0106】
図32および33は、本発明を実行するのに好適な代表的なコンピュータハードウェアを示す。図32を参照し、このコンピュータシステムは、処理セクション3210と、ディスプレイ3220と、キーボード3230と、モデムのような通信周辺装置3240とを含む。本システムは、画像媒体3200を走査する光学スキャナ3250のような他の入力装置も含む。本コンピュータシステムは、代表的に、データおよびアプリケーションソフトウェアを格納する磁気媒体(すなわち、ディスケット)または光学媒体(例えば、CD−ROMまたはDVD)のようなコンピュータ読み出し可能媒体を読み出し、書き込むことができる1つ以上のディスク装置を含む。図示しないが、ディジタルポインタ(例えば、マウス)等のような他の入力装置を含むこともできる。
【0107】
図33は、処理セクション3210をさらに示す機能ブロック図である。処理セクション3210は、一般に、処理ユニット3310と、制御ロジック3320と、メモリユニット3330とを含む。好適には、処理セクション3210は、タイマ3350と、入力/出力ポート3340も含むことができる。処理セクション3210は、前記処理ユニットにおいて使用されるマイクロプロセッサに応じて、コプロセッサ3360を含むこともできる。制御ロジック3320は、処理ユニット3310と共に、メモリユニット3350と入力/出力ポート3340との間の通信を処理するのに必要な制御を与える。タイマ3350は。処理ユニット3310および制御ロジック3320に関するタイミング基準信号を与える。コプロセッサ3360は、暗号アルゴリズムによって必要とされるような実時間における複雑な計算を行う増強された能力を与える。
【0108】
メモリユニット3330は、揮発性および不揮発性メモリや、読み出し専用およびプログラマブルメモリのような異なった形式のメモリを含むことができる。例えば、図33に示すように、メモリユニット3330は、読み出し専用メモリ(ROM)3331と、電気消去可能プログラマブル読み出し専用メモリ(EEPROM)と、ランダムアクセスメモリ(RAM)3333とを含むことができる。異なったコンピュータプロセッサ、メモリ構成、データ構造等を使用し、本発明を実施することができ、本発明は、特定のプラットフォームに限定されない。例えば、処理セクション3210を図32および33においてコンピュータシステムの一部として示したが、処理セクション3210および/またはその構成要素を、ディジタルビデオカメラまたはディジタル静止画カメラのようなイメージャ中に組み込むことができる。
【0109】
図4、5、9、15,16、20、21、24および25によって規定されるソフトウェアを、当業者には明らかなように、広範囲のプログラミング言語において書くことができる。本発明による好適なソフトウェアアルゴリズムを、MathlabTM言語バージョン5.3.1において書いた。好例のSVEC、SVCおよびSVEアルゴリズムに関するコンピュータソースを、添付した付録において与えた。
【0110】
本発明を特定の好適実施形態に関して説明したが、種々の変更、交換および改造を、開示した実施形態に対して、添付した請求項において述べた本発明の精神および範囲から逸脱することなしに行えることを理解すべきである。
【図面の簡単な説明】
【図1】 本発明によるデータ解像度を増す好例の手順を示すブロック図である。
【図2】 本発明による好例の検出器感度パターンを示す図である。
【図3】 本発明によるデータ解像度を増す好例の手順を示すブロック図である。
【図4】 本発明によるデータ解像度を増す追加の好例の手順を示す流れ図である。
【図5】 本発明によるデータ解像度を増す他の好例の手順を示す流れ図である。
【図6】 Aは本発明による好例の検出器感度パターンの使用を示す図であり、Bは本発明による追加の好例の検出器感度パターンの使用を示す図であり、Cは本発明による好例の検出器感度パターンを示す図であり、Dは本発明による他の好例の検出器感度パターンを示す図であり、Eは本発明によるさらに他の好例の検出器感度パターンの使用を示す図であり、Fは本発明による追加の好例の検出器感度パターンの使用を示す図である。
【図7】 本発明による依然として他の好例の検出器感度パターンを示す図である。
【図8】 Aは本発明によるより高い解像度のデータ組を得る入力データの処理を示す図であり、Bは本発明によるより高い解像度のデータ組を得る追加の入力データの処理を示す図である。
【図9】 本発明によるデータ解像度を増す好例の手順を示す流れ図である。
【図10】 本発明による好例の検出器感度パターンを示す図である。
【図11】 本発明による追加の好例の検出器感度パターンを示す図である。
【図12】 本発明による他の好例の検出器感度パターンを示す図である。
【図13】 本発明による好例の多項式マッピング関数によるデータの処理を示すブロック図である。
【図14】 本発明によるデータ解像度を増す好例の手順を示す行列図である。
【図15】 本発明によるデータ解像度を増す追加の好例の手順を示す流れ図である。
【図16】 本発明によるデータ解像度を増す依然として他の好例の手順を示す流れ図である。
【図17】 本発明による好例の検出器感度パターンを示す図である。
【図18】 Aは本発明による検出器感度パターンを使用する好例の方法を示す図であり、Bは本発明による検出器感度パターンを使用する追加の好例の方法を示す図であり、Cは本発明による検出器感度パターンを使用する依然として他の好例の方法を示す図である。
【図19】 本発明による好例の多項式マッピング関数を使用する入力データの処理を示すブロック図である。
【図20】 本発明によるデータ解像度を増す好例の手順を示すブロック図である。
【図21】 本発明によるデータ解像度を増す追加の好例の手順の流れ図である。
【図22】 本発明による好例の検出器感度パターンを示す図である。
【図23】 本発明による好例の多項式マッピング関数の処理を示すブロック図である。
【図24】 本発明によるデータ解像度を増す依然として他の好例の手順を示す流れ図である。
【図25】 本発明によるデータ解像度を増す依然として他の好例の手順を示す流れ図である。
【図26】 本発明による追加の好例の検出器感度パターンを示す図である。
【図27】 本発明によるデータの再構成を示す図である。
【図28】 本発明による追加の好例の検出器感度パターンを示す図である。
【図29】 本発明による依然として他の好例の検出器感度パターンを示す図である。
【図30】 本発明による依然として他の構成の検出器感度パターンを示す図である。
【図31】 本発明による追加の好例の検出器感度パターンを示す図である。
【図32】 本発明によるデータ解像度向上手順を行うコンピュータシステムを示すブロック図である。
【図33】 図32のコンピュータシステムにおいて使用するプロセッサのブロック図である。
【図34】 本発明によるデータ解像度を増す好例の手順の性能のレベルを示すグラフである。
【図35】 本発明によるデータ解像度を増す他の好例の手順の性能のレベルを示すグラフである。
【図36】 本発明によるデータ解像度を増す追加の好例の手順の性能のレベルを示すグラフである。
Claims (30)
- 局所的に不均質な測定パターンにおいて配置された複数の感度特性を使用して発生された第1データ組を受けるステップと、
モデルを使用して前記第1データ組を処理し、これによって第2データ組を発生するステップとを具え、前記モデルが、学習手順を使用して決定された第1モデルパラメータを有することを特徴とする、解像度を増したデータを得る方法において、
前記複数の感度特性が、
複数の強度感度特性と、
複数の波長感度特性とを具えることを特徴とする解像度を増したデータを得る方法。 - 請求項1に記載の解像度を増したデータを得る方法において、前記複数の感度特性が、
複数の時間範囲感度特性と、
複数の偏光感度特性と、
複数の距離感度特性と、
複数の温度感度特性と、
複数の磁気共鳴信号感度特性とのうち1つを具えることを特徴とする解像度を増したデータを得る方法。 - 請求項1に記載の解像度を増したデータを得る方法において、前記複数の感度特性が、
電磁気信号波長と、
音響信号波長との内1つにおける測定感度の依存性を有することを特徴とする解像度を増したデータを得る方法。 - 請求項1に記載の解像度を増したデータを得る方法において、前記複数の感度特性が第1および第2感度特性を具え、第1モデルパラメータが前記第1感度特性に対応し、前記モデルが、前記第2感度特性に対応する第2モデルパラメータをさらに有し、前記第1データ組が第1および第2データ値を具え、前記第1データ値を、前記第1感度特性を使用して測定し、前記第2データ値を、前記第2感度特性を使用して測定し、前記モデルを使用するステップが、少なくとも1つの多項式関数を前記第1および第2データ値に適用し、これによって少なくとも第3データ値を発生するステップを含み、前記第3データ値が前記第2データ組のメンバであり、前記第1モデルパラメータが、前記少なくとも1つの多項式関数の前記第1データ値への適用を制御し、前記第2モデルパラメータが、前記少なくとも1つの多項式関数の前記第2データ値への適用を制御することを特徴とする解像度を増したデータを得る方法。
- 請求項4に記載の解像度を増したデータを得る方法において、前記少なくとも1つの多項式関数が、各々、前記第1および第2モデルパラメータのうち1つを具える少なくとも1つの係数を有することを特徴とする解像度を増したデータを得る方法。
- 請求項5に記載の解像度を増したデータを得る方法において、前記第1および第2データ組が、各々、画像データを具え、前記第1感度特性が強度感度特性を具え、前記第2感度特性が波長感度特性を具えることを特徴とする解像度を増したデータを得る方法。
- 請求項1に記載の解像度を増したデータを得る方法において、前記第1データ組を、カメラの画像センサによって発生された画像データとしたことを特徴とする解像度を増したデータを得る方法。
- 請求項7に記載の解像度を増したデータを得る方法において、前記カメラが、SVEカメラと、SVCカメラと、SVECカメラとのうちの1つを具えることを特徴とする解像度を増したデータを得る方法。
- データ解像度向上において使用するモデルを学習する方法において、
複数の高品質画像を処理する画像処理ステップを含み、前記画像処理ステップが、
シミュレートされた検出器応答関数を前記複数の高品質画像の各々に適用し、これによって訓練データ組を発生するステップと、
局所的に不均質なモザイクパターン関数を前記訓練データに適用し、これによって品質低下データ組を発生するステップと、
前記品質低下組の重み付き正規行列を計算するステップと、
前記重み付き正規行列を行列和に加えるステップと、
前記品質低下データの回帰ベクトルを計算するステップと、
前記回帰ベクトルをベクトル和に加えるステップとを含み、該方法が、
前記行列和を使用し、累算された正規行列を決定するステップと、
前記ベクトル和を使用し、累算された回帰ベクトルを決定するステップと、
最小二乗方程式を解き、解像度を増したデータを発生するモデルの係数行列を決定するステップとを含み、前記最小二乗方程式が第1側および第2側を具え、前記第1側が、前記累算された正規行列と前記係数行列との積を具え、前記第2側が、前記累算された回帰ベクトルを具え、前記係数行列が、多項式関数の係数を具えることを特徴とするデータ解像度向上において使用するモデルを学習する方法。 - 請求項9に記載のデータ解像度向上において使用するモデルを学習する方法において、前記画像処理ステップが、前記重み付き正規行列を計算するステップおよび前記回帰ベクトルを計算するステップの前に、前記品質低下データをダウングレードするステップをさらに含むことを特徴とするデータ解像度向上において使用するモデルを学習する方法。
- 解像度を増したデータを得る装置において、
局所的に不均質な測定パターンにおいて配置された複数の感度特性を使用して第1データ組を発生するデータ発生器と、
前記第1データ組を処理し、第2データ組を発生するモデルプロセッサとを具え、前記モデルプロセッサが、学習手順を使用して決定された第1モデルパラメータを有することを特徴とする解像度を増したデータを得る装置であって、
前記複数の感度特性が、
複数の強度感度特性と、
複数の波長感度特性とを具えることを特徴とする解像度を増したデータを得る装置。 - 請求項11に記載の解像度を増したデータを得る装置において、前記複数の感度特性が、
複数の時間範囲感度特性と、
複数の偏光感度特性と、
複数の距離感度特性と、
複数の温度感度特性と、
複数の磁気共鳴信号感度特性とのうち1つを具えることを特徴とする解像度を増したデータを得る装置。 - 請求項11に記載の解像度を増したデータを得る装置において、前記複数の感度特性が、
電磁気信号波長と、
音響信号波長との内1つにおける測定感度の依存性を有することを特徴とする解像度を増したデータを得る装置。 - 請求項11に記載の解像度を増したデータを得る装置において、前記複数の感度特性が第1および第2感度特性を具え、前記第1モデルパラメータが前記第1感度特性に対応し、前記モデルプロセッサが、前記第2感度特性に対応する第2モデルパラメータをさらに有し、前記第1データ組が第1および第2データ値を含み、前記データ発生器が、前記第1感度特性を使用して前記第1データ値を発生し、前記データ発生器が、前記第2感度特性を使用して前記第2データ値を発生し、前記モデルプロセッサが、少なくとも1つの多項式関数を前記第1および第2データ値に適用し、これによって少なくとも第3データ値を発生し、前記第3データ値が前記第2データ組のメンバであり、前記第1モデルパラメータが、前記第1データ値への前記少なくとも1つの多項式関数の適用を制御し、前記第2パラメータが、前記第2データ値への前記少なくとも1つの多項式関数の適用を制御することを特徴とする解像度を増したデータを得る装置。
- 請求項14に記載の解像度を増したデータを得る装置において、前記少なくとも1つの多項式関数が、各々、前記第1および第2モデルパラメータのうちの1つを含む少なくとも1つの係数を有することを特徴とする解像度を増したデータを得る装置。
- 請求項15に記載の解像度を増したデータを得る装置において、前記第1および第2データ組が、各々、画像データを具え、前記第1感度特性が強度感度特性を具え、前記第2感度特性が波長感度特性を具えることを特徴とする解像度を増したデータを得る装置。
- 請求項11に記載の解像度を増したデータを得る装置において、前記データ発生器がカメラの画像センサを具えることを特徴とする解像度を増したデータを得る装置。
- 請求項17に記載の解像度を増したデータを得る装置において、前記カメラが、SVEカメラと、SVCカメラと、SVECカメラとのうちの1つを具えることを特徴とする解像度を増したデータを得る装置。
- データ解像度向上において使用する学習モデルに関する装置において、
複数の高品質画像を処理する第1プロセッサを具え、前記第1プロセッサが、
シミュレートされた検出器応答関数を前記複数の高品質画像の各々に適用し、これによって訓練データの組を発生する第2プロセッサと、
局所的に不均質なモザイクパターンを前記複数の高品質画像の各々に適用し、これによって品質の低下したデータの組を発生する第3プロセッサと、
前記品質の低下したデータの重み付き正規行列を計算する第4プロセッサと、
前記重み付き正規行列を行列和に加える第5プロセッサと、
前記品質の低下したデータの回帰ベクトルを計算する第6プロセッサと、
前記回帰ベクトルをベクトル和に加える第7プロセッサと、
前記行列和を使用し、累算された正規行列を決定する第8プロセッサと、
前記ベクトル和を使用し、累積された回帰ベクトルを決定する第9プロセッサと、
最小二乗方程式を解き、解像度を増したデータを発生するモデルの係数行列を決定する第10プロセッサとを具え、前記最小二乗方程式が第1の側および第2の側を具え、前記第1の側が、前記累算された正規行列と前記係数行列との積を具え、前記第2の側が、前記累算されたベクトルを具え、前記係数行列が、多項式関数の係数を具えることを特徴とするデータ解像度向上において使用する学習モデルに関する装置。 - 請求項19に記載のデータ解像度向上において使用する学習モデルに関する装置において、前記第1プロセッサが、前記品質が低下したデータをダウングレードする第11プロセッサをさらに具えることを特徴とするデータ解像度向上において使用する学習モデルに関する装置。
- 局所的に不均質な測定パターンにおいて配置された複数の感度特性を使用して発生された第1データ組を受けるステップと、
学習手順を使用して決定される第1モデルパラメータを有するモデルを使用して前記第1データ組を処理し、これによって第2データ組を発生するステップとを行うようにプロセッサに命令するように動作可能な命令の組を有するコンピュータ読み出し可能媒体において、
前記複数の感度特性が、
複数の強度感度特性と、
複数の波長感度特性とを具えることを特徴とするコンピュータ読み出し可能媒体。 - 請求項21に記載のコンピュータ読み出し可能媒体において、前記複数の感度特性が、
複数の時間範囲感度特性と、
複数の偏光感度特性と、
複数の距離感度特性と、
複数の温度感度特性と、
複数の磁気共鳴信号感度特性とのうちの少なくとも1つを具えることを特徴とするコンピュータ読み出し可能媒体。 - 請求項21に記載のコンピュータ読み出し可能媒体において、前記複数の感度特性の少なくとも1つが、
電磁気信号波長と、
音響信号波長とのうち一方における測定感度の依存性を有することを特徴とするコンピュータ読み出し可能媒体。 - 請求項21に記載のコンピュータ読み出し可能媒体において、前記複数の感度特性が第1および第2感度特性を含み、前記第1モデルパラメータが前記第1感度特性に対応し、前記モデルが、前記第2感度特性に対応する第2モデルパラメータをさらに有し、前記第1データ組が第1および第2データ値を含み、前記第1データ値を前記第1感度特性を使用して測定し、前記第2データ値を前記第2感度特性を使用して測定し、前記モデルを使用するステップが、少なくとも1つの多項式関数を前記第1および第2データ値に適用し、これによって少なくとも第3データ値を発生するステップを含み、前記第3データ値が前記第2データ組のメンバであり、前記第1モデルパラメータが、前記第1データ値への前記少なくとも1つの多項式関数の適用を制御し、前記第2モデルパラメータが、前記第2データ値への前記少なくとも1つの多項式関数の適用を制御することを特徴とするコンピュータ読み出し可能媒体。
- 請求項24に記載のコンピュータ読み出し可能媒体において、前記少なくとも1つの多項式関数が、各々、前記第1および第2モデルパラメータのうち一方を含む少なくとも1つの係数を有することを特徴とするコンピュータ読み出し可能媒体。
- 請求項25に記載のコンピュータ読み出し可能媒体において、前記第1および第2データ組が、各々、画像データを含み、前記第1感度特性が強度感度特性を含み、前記第2感度特性が波長感度特性を含むことを特徴とするコンピュータ読み出し可能媒体。
- 請求項21に記載のコンピュータ読み出し可能媒体において、前記第1データ組が、カメラの画像センサによって発生された画像データであることを特徴とするコンピュータ読み出し可能媒体。
- 請求項27に記載のコンピュータ読み出し可能媒体において、前記カメラが、SVEカメラと、SVCカメラと、SVECカメラとのうちの1つを具えることを特徴とするコンピュータ読み出し可能媒体。
- 複数の高品質画像を処理する画像処理ステップであって、
シミュレートされた検出器応答関数を前記複数の高品質画像の各々に適用し、これによって訓練データの組を発生するステップと、
局所的に不均質なモザイクパターンを前記訓練データに適用し、これによって品質が低下したデータの組を発生するステップと、
前記品質が低下したデータの組の重み付き正規行列を計算するステップと、
前記重み付き正規行列を行列和に加えるステップと、
前記品質が低下したデータの組の回帰ベクトルを計算するステップと、
前記回帰ベクトルをベクトル和に加えるステップとを含む、画像処理ステップと、
前記行列和を使用し、累算された正規行列を決定するステップと、
前記ベクトル和を使用し、累算された回帰ベクトルを決定するステップと、
最小二乗方程式を解き、解像度が増したデータを発生するモデルの係数行列を決定するステップであって、前記最小二乗方程式が第1および第2の側を有し、前記第1の側が前記累算された正規行列と前記係数行列との積を含み、前記第2の側が前記累算された回帰ベクトルを含み、前記係数行列が多項式関数の係数を含む、係数行列を決定するステップとを実行するようにプロセッサに命令するように動作可能な命令の組を有するコンピュータ読み出し可能媒体。 - 請求項29に記載のコンピュータ読み出し可能媒体において、前記画像処理ステップが、前記重み付き正規行列を計算するステップと、前記回帰ベクトルを計算するステップとの前に、前記品質が低下したデータをダウングレードするステップをさらに含むことを特徴とするコンピュータ読み出し可能媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US21639500P | 2000-07-06 | 2000-07-06 | |
PCT/US2001/021311 WO2002005208A2 (en) | 2000-07-06 | 2001-07-06 | Method and apparatus for enhancing data resolution |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2004518312A JP2004518312A (ja) | 2004-06-17 |
JP4234420B2 true JP4234420B2 (ja) | 2009-03-04 |
Family
ID=22806896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002508740A Expired - Fee Related JP4234420B2 (ja) | 2000-07-06 | 2001-07-06 | データ解像度を増す方法および装置 |
Country Status (5)
Country | Link |
---|---|
JP (1) | JP4234420B2 (ja) |
KR (1) | KR100850729B1 (ja) |
CN (1) | CN1520580A (ja) |
AU (1) | AU2001271847A1 (ja) |
WO (1) | WO2002005208A2 (ja) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1565878A1 (en) * | 2002-11-19 | 2005-08-24 | Koninklijke Philips Electronics N.V. | A unit for and method of image conversion |
US20050226525A1 (en) | 2004-03-31 | 2005-10-13 | Fujitsu Limited | Image magnification device and image magnification method |
CN101431611A (zh) | 2004-11-30 | 2009-05-13 | 松下电器产业株式会社 | 图像处理方法、图像处理装置、图像处理程序以及图像文件格式 |
CN100425080C (zh) * | 2005-05-25 | 2008-10-08 | 凌阳科技股份有限公司 | 贝尔影像的边缘强化方法与装置暨彩色影像撷取*** |
CN101053249B (zh) * | 2005-09-09 | 2011-02-16 | 松下电器产业株式会社 | 图像处理方法、图像存储方法、图像处理装置及文件格式 |
WO2007054931A2 (en) * | 2005-11-10 | 2007-05-18 | D-Blur Technologies Ltd. | Image enhancement in the mosaic domain |
US7742636B2 (en) * | 2006-01-26 | 2010-06-22 | Nethra Imaging Inc. | Method and apparatus for scaling down a bayer domain image |
CN101803366B (zh) * | 2007-07-25 | 2015-01-14 | 坎德拉微***(S)私人有限公司 | 用于成像***的曝光控制 |
JP4486703B2 (ja) * | 2007-12-07 | 2010-06-23 | パナソニック株式会社 | 撮像装置 |
JP5057389B2 (ja) | 2008-03-31 | 2012-10-24 | 富士フイルム株式会社 | 撮像装置 |
US7964840B2 (en) * | 2008-06-19 | 2011-06-21 | Omnivision Technologies, Inc. | High dynamic range image sensor including polarizer and microlens |
EP2175632A1 (en) | 2008-10-10 | 2010-04-14 | Samsung Electronics Co., Ltd. | Image processing apparatus and method |
JP2010109798A (ja) * | 2008-10-31 | 2010-05-13 | Fujifilm Corp | 撮像装置 |
CN101976435B (zh) * | 2010-10-07 | 2012-10-24 | 西安电子科技大学 | 基于对偶约束的联合学习超分辨方法 |
EP3259920A1 (en) | 2015-02-19 | 2017-12-27 | Magic Pony Technology Limited | Visual processing using temporal and spatial interpolation |
GB201603144D0 (en) | 2016-02-23 | 2016-04-06 | Magic Pony Technology Ltd | Training end-to-end video processes |
WO2016156864A1 (en) | 2015-03-31 | 2016-10-06 | Magic Pony Technology Limited | Training end-to-end video processes |
GB201604672D0 (en) | 2016-03-18 | 2016-05-04 | Magic Pony Technology Ltd | Generative methods of super resolution |
EP3298579B1 (en) | 2016-04-12 | 2021-07-21 | Magic Pony Technology Limited | Visual data processing using energy networks |
GB201607994D0 (en) | 2016-05-06 | 2016-06-22 | Magic Pony Technology Ltd | Encoder pre-analyser |
US10701394B1 (en) | 2016-11-10 | 2020-06-30 | Twitter, Inc. | Real-time video super-resolution with spatio-temporal networks and motion compensation |
CN110770787B (zh) * | 2017-06-16 | 2023-04-07 | 杜比实验室特许公司 | 高效端到端单层逆向显示管理编码 |
US11957515B2 (en) * | 2018-02-27 | 2024-04-16 | Koninklijke Philips N.V. | Ultrasound system with a neural network for producing images from undersampled ultrasound data |
CN109284719A (zh) * | 2018-09-28 | 2019-01-29 | 成都臻识科技发展有限公司 | 一种基于机器学习的初始数据处理方法和*** |
CN109451249A (zh) * | 2018-11-23 | 2019-03-08 | 中国科学院长春光学精密机械与物理研究所 | 一种提高数字域tdi成像动态范围的方法、装置及设备 |
CN113574887A (zh) * | 2019-03-15 | 2021-10-29 | 交互数字Vc控股公司 | 基于低位移秩的深度神经网络压缩 |
CN110189419B (zh) * | 2019-05-27 | 2022-09-16 | 西南交通大学 | 基于广义邻域高差的车载Lidar钢轨点云提取方法 |
WO2020251337A1 (ko) * | 2019-06-13 | 2020-12-17 | 엘지이노텍 주식회사 | 카메라 장치 및 카메라 장치의 이미지 생성 방법 |
KR102242939B1 (ko) * | 2019-06-13 | 2021-04-21 | 엘지이노텍 주식회사 | 카메라 장치 및 카메라 장치의 이미지 생성 방법 |
KR20200142883A (ko) | 2019-06-13 | 2020-12-23 | 엘지이노텍 주식회사 | 카메라 장치 및 카메라 장치의 이미지 생성 방법 |
KR102213765B1 (ko) * | 2019-08-09 | 2021-02-08 | 엘지이노텍 주식회사 | 이미지 센서, 카메라 모듈 및 카메라 모듈을 포함하는 광학 기기 |
KR102428840B1 (ko) * | 2019-10-16 | 2022-08-04 | (주)아인스에스엔씨 | 다중 해상도 기반 모델 간의 천이 과정을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 |
KR20210018381A (ko) * | 2021-02-02 | 2021-02-17 | 엘지이노텍 주식회사 | 이미지 센서, 카메라 모듈 및 카메라 모듈을 포함하는 광학 기기 |
KR102669780B1 (ko) * | 2022-09-15 | 2024-05-28 | 엘아이지넥스원 주식회사 | 표적 탐지 모니터링을 수행하는 온보드 전자 장치 및 방법 |
CN117314795B (zh) * | 2023-11-30 | 2024-02-27 | 成都玖锦科技有限公司 | 一种利用背景数据的sar图像增强方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CH657876A5 (de) * | 1982-04-28 | 1986-09-30 | Rueti Ag Maschf | Reihenfachwebmaschine mit einem webrotor. |
US5475769A (en) * | 1992-07-13 | 1995-12-12 | Polaroid Corporation | Method and apparatus for recovering image data through the use of a color test pattern |
EP0739571A1 (en) * | 1993-02-08 | 1996-10-30 | I Sight, Inc. | Color wide dynamic range camera using a charge coupled device with mosaic filter |
EP0930789B1 (en) * | 1998-01-20 | 2005-03-23 | Hewlett-Packard Company, A Delaware Corporation | Colour image pickup device |
-
2001
- 2001-07-06 KR KR1020037000187A patent/KR100850729B1/ko not_active IP Right Cessation
- 2001-07-06 WO PCT/US2001/021311 patent/WO2002005208A2/en active Application Filing
- 2001-07-06 AU AU2001271847A patent/AU2001271847A1/en not_active Abandoned
- 2001-07-06 CN CNA018151043A patent/CN1520580A/zh active Pending
- 2001-07-06 JP JP2002508740A patent/JP4234420B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2004518312A (ja) | 2004-06-17 |
AU2001271847A1 (en) | 2002-01-21 |
KR20030020357A (ko) | 2003-03-08 |
WO2002005208A2 (en) | 2002-01-17 |
WO2002005208A3 (en) | 2003-06-26 |
CN1520580A (zh) | 2004-08-11 |
KR100850729B1 (ko) | 2008-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4234420B2 (ja) | データ解像度を増す方法および装置 | |
US7149262B1 (en) | Method and apparatus for enhancing data resolution | |
KR101612165B1 (ko) | 초고해상도 이미지 생성 방법 및 이를 구현하기 위한 비선형 디지털 필터 | |
JP5048600B2 (ja) | データ品位を向上する方法及びシステム | |
Gunturk et al. | Demosaicking: color filter array interpolation | |
JP5519460B2 (ja) | 空間的に変動する露出を用いて高ダイナミックレンジ画像化をする装置及び方法 | |
US7373019B2 (en) | System and method for providing multi-sensor super-resolution | |
Khashabi et al. | Joint demosaicing and denoising via learned nonparametric random fields | |
Narasimhan et al. | Enhancing resolution along multiple imaging dimensions using assorted pixels | |
CA2670611C (en) | Panchromatic modulation of multispectral imagery | |
CN102726037B (zh) | 图像处理装置、摄像装置和图像处理方法 | |
US20100061642A1 (en) | Prediction coefficient operation device and method, image data operation device and method, program, and recording medium | |
US20120002874A1 (en) | Apparatus and method for shift invariant differential (sid) image data interpolation in fully populated shift invariant matrix | |
JP2002204389A (ja) | 露出制御方法 | |
JP2007304600A (ja) | 光カットオフ周波数が調節可能な電気光学画像化システムのエンド・ツー・エンド設計 | |
EP1046132B1 (en) | A method and a system for processing images | |
CN111083365A (zh) | 一种最佳焦平面位置快速检测方法及装置 | |
Bi et al. | Haze removal for a single remote sensing image using low-rank and sparse prior | |
JP4130546B2 (ja) | カラーフィルタアレイ画像の再構成装置 | |
Triggs | Empirical filter estimation for subpixel interpolation and matching | |
Paul et al. | Maximum accurate medical image demosaicing using WRGB based Newton Gregory interpolation method | |
US7023576B1 (en) | Method and an apparatus for elimination of color Moiré | |
Rebiere et al. | Color Pixel Reconstruction for a Monolithic RGB-Z CMOS Imager | |
Singh et al. | Detail Enhanced Multi-Exposer Image Fusion Based on Edge Perserving Filters | |
JP6611509B2 (ja) | 画像処理装置、撮像装置および画像処理プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040819 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070910 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070925 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071225 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20080115 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20080610 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080902 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20081016 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20081125 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20081211 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111219 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121219 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121219 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131219 Year of fee payment: 5 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |