JPH07160796A - Signal processor by neural network - Google Patents
Signal processor by neural networkInfo
- Publication number
- JPH07160796A JPH07160796A JP5339433A JP33943393A JPH07160796A JP H07160796 A JPH07160796 A JP H07160796A JP 5339433 A JP5339433 A JP 5339433A JP 33943393 A JP33943393 A JP 33943393A JP H07160796 A JPH07160796 A JP H07160796A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- signal
- learning
- processing
- signal processing
- 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
Landscapes
- Filters That Use Time-Delay Elements (AREA)
Abstract
Description
【0001】[0001]
【産業上の利用分野】本発明は、ニューラルネットによ
る信号処理装置(例えば、画像エンハンス・画像ノイズ
低減装置)に係り、特に、既存の信号処理装置よりは簡
易な構成で、しかも、現実的なニューラルネットの構築
が可能な、ニューラルネットを利用した信号処理装置に
関するものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a signal processing device (for example, an image enhancing / image noise reducing device) based on a neural network, and more particularly, it has a simpler structure than that of an existing signal processing device, and it is practical. The present invention relates to a signal processing device using a neural network, capable of constructing a neural network.
【0002】[0002]
【従来の技術】従来より、アナログ回路の線形フィルタ
や非線形フィルタを利用した画像エンハンス装置や画像
ノイズ低減装置がある。エンハンス処理では、画像の輪
郭を強調するために、フィルタで高域成分を強調してい
た。ノイズ低減処理では、フィルタで高域成分を除去し
てノイズを減少させていた。このように、アナログ回路
を利用した画像処理回路では、処理特性にあったフィル
タ装置を設計して、装置を製作調整する必要がある。2. Description of the Related Art Conventionally, there are image enhancing devices and image noise reducing devices that use a linear filter or a non-linear filter of an analog circuit. In the enhancement process, a high frequency component is emphasized by a filter in order to emphasize the contour of the image. In the noise reduction process, the high frequency component is removed by a filter to reduce noise. As described above, in an image processing circuit using an analog circuit, it is necessary to design a filter device suitable for processing characteristics and manufacture and adjust the device.
【0003】また、デジタル回路によるデジタルデータ
の演算によって、画像処理するデジタル画像処理装置も
ある。例えば、図5に示すように、時間的に前後した9
箇所の画像データを基にして、エンハンス処理やノイズ
低減処理をしていた。点Yは処理対象の点で、周辺の点
X1 〜X8 はそれぞれ所定の画素期間、水平ライン期間
前後した信号である。ここで、点Yの輝度データ(レベ
ル)をy、周辺の点X1 〜X8 の輝度データ(レベル)
の総和をSとして、偏差mをm=9y−Sとする。この
とき、点Yの輝度データ(レベル)をS/9として、周
辺の点X1 〜X8の輝度データ(レベル)の平均とすれ
ば、ノイズ低減処理となる。また、点Yの輝度データ
(レベル)をy+ 0.3mとして、周辺の点に応じて強調
すれば、エンハンス処理となる。さらに、偏差mの大き
さが一定値以下のときは、点Yの輝度データ(レベル)
をS/9とし、偏差mの大きさが一定値以上のときは、
点Yの輝度データ(レベル)をy+ 0.3mすれば、ノイ
ズ低減処理とエンハンス処理とを行う装置ともなる。デ
ジタル計算による画像処理装置では、処理特性にあった
アルゴリズムを構築して、そのアルゴリズムを実行する
ための大規模なデジタル信号処理装置が必要である。There is also a digital image processing apparatus for performing image processing by calculating digital data by a digital circuit. For example, as shown in FIG.
Enhancement processing and noise reduction processing were performed based on the image data of the location. Point Y is a point to be processed, and peripheral points X1 to X8 are signals before and after a predetermined pixel period and horizontal line period, respectively. Here, the brightness data (level) of the point Y is y, and the brightness data (level) of the surrounding points X1 to X8.
And the deviation m is m = 9y−S. At this time, if the luminance data (level) of the point Y is set to S / 9 and the luminance data (level) of the surrounding points X1 to X8 is averaged, noise reduction processing is performed. If the luminance data (level) of the point Y is set to y + 0.3 m and emphasis is made according to the surrounding points, the enhancement processing is performed. Further, when the magnitude of the deviation m is less than a certain value, the luminance data (level) of the point Y
Is S / 9, and when the magnitude of the deviation m is a certain value or more,
If the luminance data (level) at the point Y is set to y + 0.3 m, it also serves as a device for performing noise reduction processing and enhancement processing. An image processing apparatus based on digital calculation requires a large-scale digital signal processing apparatus for constructing an algorithm suitable for processing characteristics and executing the algorithm.
【0004】このように、既存の信号処理装置(前述し
たアナログ回路のフィルタやデジタル画像処理装置)で
は、図3(A)及び(B)に示すように、伝送系で信号
劣化が生じた場合、製作・調整した信号処理装置装置で
劣化後の信号を処理して出力して対応していた。これに
対して、最近では、ニューラルネットを利用した信号処
理装置の開発が試みられている。ニューラルネットを利
用すれば、学習処理が必要となる反面、前述した既存の
信号処理装置のように、複雑な処理手順(アルゴリズ
ム)の解析やそれを実現するための装置の製作・調整が
不要である。As described above, in the existing signal processing apparatus (the filter of the analog circuit or the digital image processing apparatus described above), as shown in FIGS. 3A and 3B, when signal deterioration occurs in the transmission system. The signal processing device manufactured and adjusted processed the deteriorated signal and output it. On the other hand, recently, development of a signal processing device using a neural network has been attempted. If a neural network is used, learning processing is required, but unlike the existing signal processing device described above, analysis of complicated processing procedures (algorithms) and manufacturing / adjustment of devices for realizing it are unnecessary. is there.
【0005】図4に示すように、ニューラルネットを利
用した信号処理装置では、伝送前(劣化前)の原信号と
伝送された劣化後の信号とから、学習処理をしてニュー
ラルネットがあらかじめ構築される。伝送前(劣化前)
の原信号を教師信号とし、伝送された劣化後の信号を学
習に用いる信号とし、学習に用いる信号をニューラルネ
ットに入力したときのニューラルネットの出力と教師信
号との差が小さくなるように、ユニット間の重みが求め
られ、ニューラルネットが構築される。そして、学習処
理がなされて構築されたニューラルネットに劣化した信
号を入力すると、劣化前の原信号に近似した信号が出力
されることになる。As shown in FIG. 4, in a signal processing device using a neural network, a neural network is preliminarily constructed by performing a learning process from an original signal before transmission (before deterioration) and a transmitted signal after deterioration. To be done. Before transmission (before deterioration)
The original signal of is a teacher signal, the transmitted signal after deterioration is used as a signal for learning, and when the signal used for learning is input to the neural network, the difference between the output of the neural network and the teacher signal becomes small, The weight between the units is calculated, and the neural net is constructed. Then, when a deteriorated signal is input to the neural network constructed by the learning process, a signal similar to the original signal before deterioration is output.
【0006】また、ニューラルネットによって画像信号
を処理する場合では、伝送前(劣化前)の原信号として
は自然画、テストパターンなどの画像信号データが用い
られる。そして、伝送された劣化後の信号としては、例
えば、VTR(ビデオテープレコーダ)への記録再生に
伴う画像劣化に対処する信号処理装置(エンハンスや画
像ノイズ低減)の場合では、VTRで実際に記録再生さ
れ、劣化した画像(画像信号データ)が用いらている。When the image signal is processed by the neural network, image signal data such as a natural image and a test pattern is used as the original signal before transmission (before deterioration). Then, as the transmitted signal after deterioration, for example, in the case of a signal processing device (enhancement or image noise reduction) that copes with image deterioration due to recording / reproduction on a VTR (video tape recorder), it is actually recorded by the VTR. An image that has been reproduced and deteriorated (image signal data) is used.
【0007】[0007]
【発明が解決しようとする課題】しかしながら、従来の
ニューラルネットによる信号処理装置では、ニューラル
ネットをある程度大きくしないと(後述する図2に示す
3層のニューラルネットにより画像信号を処理する場合
では、中間層のユニット数を大きくしないと)、学習が
うまくできず重みの計算処理が発散してしまったり、学
習のための回数が非常に大きな回数となって、現実的な
ニューラルネットを構築することができないことがあっ
た。However, in the conventional signal processing apparatus using the neural network, the neural network must be enlarged to some extent (in the case of processing an image signal by the three-layer neural network shown in FIG. If you do not increase the number of units in the layer), the learning process does not work well and the weight calculation process diverges, or the number of times for learning becomes very large, and it is possible to construct a realistic neural network. There were things I couldn't do.
【0008】また、自然画などの画像信号データで学習
させると、特定の画像については(構築されたニューラ
ルネットの)処理効果が良いが、学習の対象に偏りが生
じるので処理効果が極端に悪くなることがあった。さら
に、自然画などの画像信号データで学習させると、学習
されずに重みの計算処理が発散してしまったり、学習の
ための回数が非常に大きな回数となることもあった。Further, when learning is performed using image signal data such as a natural image, the processing effect (of the constructed neural network) is good for a specific image, but the processing effect is extremely poor because the learning target is biased. There was a chance Further, when learning is performed using image signal data such as a natural image, the weight calculation process may diverge without being learned, and the number of times of learning may be extremely large.
【0009】そこで、本発明は、従来のニューラルネッ
トのように、高精度・大規模なニューラルネットの構築
をやめて、必要な精度のみを具備した小規模で、学習効
率に優れたなニューラルネットを構築して、信号処理を
試みたものである。Therefore, the present invention stops construction of a high-precision and large-scale neural network like a conventional neural network, and provides a small-scale neural network having only required accuracy and excellent learning efficiency. It was constructed and tried for signal processing.
【0010】[0010]
【課題を解決するための手段】本発明は上記課題を解決
するために、例えば図1及び図2に示すように、劣化後
の信号を劣化前の信号に処理する(例えば、ノイズ低減
処理とエンハンス処理する)ニューラルネット(1)を
利用した信号処理装置において、前記ニューラルネット
の構築の対象を、劣化後の信号を劣化前の信号に処理す
る既存の信号処理装置自体(例えば、ノイズ低減処理と
エンハンス処理とを行う、デジタル計算による画像処理
装置)とすると共に、前記ニューラルネットの学習の対
象を、ランダムのデータを前記既存の信号処理装置で処
理したデータとしたことを特徴とするニューラルネット
による信号処理装置を提供するものである。In order to solve the above problems, the present invention processes a signal after deterioration into a signal before deterioration (for example, noise reduction processing and In a signal processing apparatus using a neural network (1) for enhancing processing, an existing signal processing apparatus itself (for example, noise reduction processing) that processes a signal after deterioration into a signal before deterioration, in a signal processing apparatus using the neural network (1). And an image processing device by digital calculation for enhancing processing), and a learning target of the neural network is random data processed by the existing signal processing device. To provide a signal processing device according to the present invention.
【0011】[0011]
【作用】上記のように構成されたニューラルネットによ
る信号処理装置によれば、ニューラルネットの構築の対
象が、信号の劣化が生じる直接的な系の逆特性ではな
く、構築の対象が既存の信号処理装置(の系)に限定さ
れる。さらに、ニューラルネットの学習の対象が、自然
画やテストパターンなどの偏ったデータに限定されず、
高範囲なものとなる。According to the signal processing device by the neural network configured as described above, the target of construction of the neural network is not the direct inverse characteristic of the system in which signal deterioration occurs, but the target of construction is the existing signal. It is limited to the processor (system). Furthermore, the target of learning of the neural network is not limited to biased data such as natural images and test patterns,
It will be a high range.
【0012】[0012]
【実施例】以下に、本発明になるニューラルネットによ
る信号処理装置の一実施例を添付図面に基づいて詳述す
る。前述したように、本発明になるニューラルネットに
よる信号処理装置のは、従来のニューラルネットのよう
に、高精度・大規模なニューラルネットの構築をやめ
て、必要な精度のみを具備した小規模で、学習効率に優
れたなニューラルネットを構築して、信号処理を試みた
ものであり、以下のような特徴を有する。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS An embodiment of a signal processing device using a neural network according to the present invention will be described in detail below with reference to the accompanying drawings. As described above, the signal processing device by the neural network according to the present invention, like the conventional neural network, stops the construction of a high-precision and large-scale neural network, and has a small scale equipped with only the required accuracy. This is an attempt to perform signal processing by constructing a neural network with excellent learning efficiency and has the following features.
【0013】第1にニューラルネット構築の対象を、信
号の劣化が生じる直接的な系の逆特性ではなく、すなわ
ち図4に示したように信号の劣化が生じる系の前後の信
号を教師信号・学習に用いる信号とすることなく、既存
の信号処理装置で実行される処理自体を学習の対象とす
るものであり、すなわち図1に示すように従来の装置で
実行処理された前後の信号を教師信号・学習に用いる信
号とする。第2に、ニューラルネットの学習の対象(学
習材料)を、実在する(例えば、自然画やテストパター
ン)のデータではなく、機械的に発生させたランダムデ
ータとする。First, the target of the neural network construction is not the direct inverse characteristic of the system in which signal deterioration occurs, that is, the signals before and after the system in which signal deterioration occurs as shown in FIG. The object of learning is not the signal used for learning but the processing itself executed by the existing signal processing apparatus, that is, the signals before and after the processing executed by the conventional apparatus as shown in FIG. Signal Used as a signal for learning. Second, the learning target (learning material) of the neural network is not random data that actually exists (for example, a natural image or a test pattern) but mechanically generated random data.
【0014】ここで、エンハンス処理とノイズ低減処理
とをなす装置を例として、本ニューラルネットによる信
号処理装置を具体的に説明する。本装置は、前述した図
5に示すように、時間的に前後した9箇所の画像データ
を基にして、エンハンス処理やノイズ低減処理をするも
のである。最初に、ニューラルネットによる信号処理装
置の構成について説明する。図2に示すように、入力さ
れた画像データ(例えば、輝度信号データ)は、1水平
ライン期間の遅延量を有する遅延素子2と、1画素期間
の遅延量を有する遅延素子3とで遅延されて、図5に示
した位置(時間)間隔で、対象とする画素Yとこの対象
とする画素Yに対して時間的・空間的に異なる周辺画素
X1 〜X8 、総計9箇所の画像データとしてニューラル
ネット1に入力するように構成されている。Here, the signal processing apparatus based on the present neural network will be specifically described by taking an apparatus that performs the enhancement processing and the noise reduction processing as an example. As shown in FIG. 5 described above, the present apparatus performs the enhancement processing and the noise reduction processing based on the image data of nine places that are temporally before and after. First, the configuration of a signal processing device using a neural network will be described. As shown in FIG. 2, the input image data (for example, luminance signal data) is delayed by the delay element 2 having a delay amount of one horizontal line period and the delay element 3 having a delay amount of one pixel period. Then, at the position (time) interval shown in FIG. 5, the target pixel Y and the peripheral pixels X1 to X8 which are temporally and spatially different from the target pixel Y are neural images as image data at a total of nine locations. It is configured to input to the net 1.
【0015】ニューラルネット1は、例えばバックプロ
パゲーションを学習方法とする層状(例えば、入力層,
中間層,出力層の3層)の周知のニューラルネットであ
り、可変の重みで結ばれた多数のユニット(ニューロ
ン、大きな白丸で示す)の結合体である。ユニットは非
線形の入出力特性を有する変換系であり、ユニットには
前層からの出力値に独立した重み(小さな黒丸で示す)
が乗算して得られた前層からの総和が入力され、この総
和が非線形変換されて後層に出力されている。入力層は
9個のユニット、中間層は4個のユニット、出力層は1
個のユニットで構成されている。The neural network 1 has a layered structure (for example, an input layer, a backpropagation learning method).
It is a well-known neural network of three layers (intermediate layer and output layer), and is a combination of a large number of units (neurons, shown by large white circles) connected with variable weights. The unit is a conversion system with non-linear input / output characteristics, and the unit has a weight independent of the output value from the previous layer (indicated by a small black circle)
The sum total from the front layer obtained by multiplying by is input, and the sum is nonlinearly converted and output to the rear layer. Input layer is 9 units, middle layer is 4 units, output layer is 1 unit
It is composed of individual units.
【0016】そして、ニューラルネット1の学習では、
図1に示すように、既存の信号処理装置(例えば、前述
したノイズ低減処理とエンハンス処理とを行う、デジタ
ル計算による画像処理装置)で実行される処理自体(ア
ルゴリズム)を構築の対象としている。すなわち従来の
装置で実行処理された前後の信号を学習に用いる信号・
教師信号とする。In learning of the neural network 1,
As shown in FIG. 1, the process itself (algorithm) executed in an existing signal processing device (for example, an image processing device by digital calculation that performs the noise reduction process and the enhancement process described above) is targeted for construction. In other words, the signals used before and after learning are processed by the conventional device.
Use as a teacher signal.
【0017】前述したように、既存のデジタル計算によ
る画像処理装置では、次のようなアルゴリズム処理でノ
イズ低減処理とエンハンス処理をしている。処理対象の
点Yの輝度データ(レベル)をy、周辺の点X1 〜X8
の輝度データ(レベル)の総和をS、偏差mをm=9y
−Sとして、偏差mの大きさが一定値以下のときは、点
Yの輝度データ(レベル)をS/9とし、偏差mの大き
さが一定値以上のときは、点Yの輝度データ(レベル)
をy+ 0.3mとする。As described above, the existing digital image processing apparatus performs noise reduction processing and enhancement processing by the following algorithm processing. The brightness data (level) of the processing target point Y is y, and the surrounding points X1 to X8.
Of the brightness data (level) of S, the deviation m is m = 9y
As -S, the brightness data (level) of the point Y is set to S / 9 when the magnitude of the deviation m is equal to or less than a fixed value, and the brightness data (level) of the point Y is set to (S) when the magnitude of the deviation m is equal to or more than the fixed value. level)
Is y + 0.3m.
【0018】そこで、ニューラルネット1の学習は、処
理対象の点Yと周辺の点X1 〜X8の輝度データ(レベ
ル)を学習に用いる信号とし、この時の教師信号として
は、上記アルゴリズムで計算された値としている。ニュ
ーラルネット1の出力値と、教師信号との差が小さくな
るように、バックプロパゲーションを学習方法としてユ
ニット間の重みが可変されて、学習がなされる。Therefore, in the learning of the neural network 1, the luminance data (level) of the point Y to be processed and the peripheral points X1 to X8 is used as a signal for learning, and the teacher signal at this time is calculated by the above algorithm. Value. Backpropagation is used as a learning method so that the weight between units is varied and learning is performed so that the difference between the output value of the neural network 1 and the teacher signal becomes small.
【0019】このとき、ニューラルネットの学習の対象
(学習材料)である輝度データ(処理対象の点Yと周辺
の点X1 〜X8 の輝度データ)は、従来のように、実在
する(例えば、自然画やテストパターン)のデータでは
なく、機械的に発生させたランダムデータからなる画像
データが入力される。このランダムデータを学習に用い
る信号とし、このランダムデータをもとに上記アルゴリ
ズムで計算された値が教師信号とされる。At this time, the brightness data (the brightness data of the processing target point Y and the peripheral points X1 to X8) which is the learning target (learning material) of the neural network actually exists (for example, naturally). Image data consisting of mechanically generated random data is input instead of image data or test pattern data. This random data is used as a signal used for learning, and the value calculated by the above algorithm based on this random data is used as the teacher signal.
【0020】なお、ランダムデータからなる画像データ
(学習に用いる信号)の生成、既存の装置で実行される
処理と同様なアルゴリズムに基づく教師信号の算出、バ
ックプロパゲーションによる重みの可変収束処理など
は、ワークステーション(図示せず)上で計算処理され
るものである。Note that generation of image data (signals used for learning) consisting of random data, calculation of a teacher signal based on an algorithm similar to the processing executed by an existing device, variable convergence processing of weights by backpropagation, etc. , Is processed on a workstation (not shown).
【0021】表1は、従来のニューラルネットによる信
号処理装置と、本発明になるニューラルネットによる信
号処理装置とによる、学習過程及び画像処理結果を比較
したものである。従来例1,2において、ニューラルネ
ット構築の対象は、信号の劣化が生じる直接的な系の逆
特性(すなわち信号の劣化が生じる系の前後の信号を教
師信号・学習に用いる信号としている)であり、ニュー
ラルネット学習の対象は、自然画のデータである。従来
例1は中間層のユニット数が8で、比較的大規模なニュ
ーラルネットである。従来例2は中間層のユニット数が
4で、比較的小規模なニューラルネットである。なお、
前述したように、本発明になる信号処理装置のニューラ
ルネットは中間層のユニット数が4で、比較的小規模な
ものである。従来例1,2において、ニューラルネット
構築の対象、学習の対象、中間層のユニット数以外は、
図2に示すニューラルネットによる信号処理装置と同一
である。Table 1 compares the learning process and the image processing result by the conventional neural network signal processing apparatus and the neural network signal processing apparatus according to the present invention. In Conventional Examples 1 and 2, the target of the neural network construction is the direct inverse characteristic of the system in which signal deterioration occurs (that is, the signals before and after the system in which signal deterioration occurs are used as teacher signals / learning signals). Yes, the target of the neural network learning is the data of the natural image. Conventional Example 1 is a relatively large-scale neural network having eight units in the middle layer. Conventional example 2 is a relatively small-scale neural network having four units in the intermediate layer. In addition,
As described above, the neural network of the signal processing device according to the present invention has a relatively small number of units because the number of units in the intermediate layer is four. In the conventional examples 1 and 2, except the target of the neural network construction, the target of learning, and the number of units in the intermediate layer,
This is the same as the signal processing device using the neural network shown in FIG.
【0022】[0022]
【表1】 [Table 1]
【0023】表1より明らかなように、本発明になるニ
ューラルネットによる信号処理装置によれば、構築の対
象を限定しているので、必要な精度のみを具備した小規
模で(中間層のユニット数が4程度)、学習効率に優れ
たなニューラルネットを構築が可能である。つまり、従
来例1のように、高精度ゆえに大規模(中間層のユニッ
ト数が8程度)なものとなり学習回数がふえたり、反対
に、従来例2のように、小規模(中間層のユニット数が
4程度)ゆえに構築(学習)が不能となることもない。As is clear from Table 1, according to the signal processing device by the neural network according to the present invention, the object of construction is limited, so that the small scale (units of the intermediate layer) having only the required accuracy is provided. It is possible to construct a neural net with excellent learning efficiency. In other words, as in Conventional Example 1, because of high accuracy, the scale is large (the number of units in the middle layer is about 8) and the number of learning increases, and conversely, as in Conventional Example 2, small scale (units in the middle layer). Since the number is about 4), construction (learning) does not become impossible.
【0024】また、本発明になるニューラルネットによ
る信号処理装置によれば、学習の対象をランダムデータ
などの高範囲なものとして偏りが生じないようにしたの
で、適切な処理効果(レベル4〜5)が程々の学習で得
られる。つまり、従来例1のように、学習に使用した自
然画に近いものでは処理効果が極めて良い(レベル7〜
8)が、学習に使用した自然画と大幅に異なるものでは
処理効果が極めて悪いということがない(レベル2〜
3)。Further, according to the signal processing device by the neural network according to the present invention, since the object of learning is set to a high range such as random data so that no bias is generated, an appropriate processing effect (levels 4 to 5) is obtained. ) Can be obtained by moderate learning. That is, the processing effect is very good for the image close to the natural image used for learning as in the conventional example 1 (level 7 to 7).
However, if the natural image used for learning is significantly different from 8), the processing effect will not be extremely bad (level 2 to 2).
3).
【0025】また、中間層のユニット数が4程度のニュ
ーラルネットは、オペアンプ,抵抗などで構成でき、既
存のフィルタ,デジタル信号処理装置と比較して、わず
かな部品で構成できる。Further, the neural network in which the number of units in the intermediate layer is about 4 can be composed of operational amplifiers, resistors and the like, and can be composed of a small number of parts as compared with existing filters and digital signal processing devices.
【0026】したがって、既存の信号処理装置よりは簡
易な構成で、しかも、現実的なニューラルネットの構築
が可能となり、ニューラルネットを利用して信号処理を
なすことができる。Therefore, it is possible to construct a realistic neural network with a simpler configuration than the existing signal processing apparatus, and it is possible to perform signal processing using the neural network.
【0027】なお、本実施例では、ニューラルネット構
築の対象とする既存の装置としては、前述したノイズ低
減処理とエンハンス処理とを行う、デジタル計算による
画像処理アルゴリズム(デジタル信号処理装置)とした
が、アナログ回路による線形フィルタや非線形フィルタ
を利用した画像エンハンス装置や画像ノイズ低減装置を
ニューラルネット構築の対象として、フィルタの入出力
信号を学習に用いる信号・教師信号としても良い。すな
わち既存の装置で実行処理された前後の信号を学習に用
いる信号・教師信号とすれば良い。In this embodiment, the existing device for constructing the neural network is an image processing algorithm (digital signal processing device) by digital calculation for performing the noise reduction process and the enhancement process described above. An image enhancing device or an image noise reducing device using a linear filter or a non-linear filter with an analog circuit may be a target for constructing a neural network, and an input / output signal of the filter may be a signal / teaching signal used for learning. That is, the signals before and after being processed by the existing device may be used as the signals / teaching signals used for learning.
【0028】また、本実施例では、輝度信号(輝度デー
タ)を例として説明したが、RGBの色信号や色差信号
に実施しても同様な効果が得られる。なお、処理内容
も、ノイズ低減処理とエンハンス処理とに限られるもの
ではない。In the present embodiment, the luminance signal (luminance data) has been described as an example, but the same effect can be obtained by implementing the RGB color signal or the color difference signal. The processing content is not limited to the noise reduction processing and the enhancement processing.
【0029】[0029]
【発明の効果】以上説明したように、本発明になるニュ
ーラルネットを利用した信号処理装置は、ニューラルネ
ットの構築の対象を、劣化後の信号を劣化前の信号に処
理する既存の信号処理装置自体とすると共に、前記ニュ
ーラルネットの学習の対象を、ランダムのデータを前記
既存の信号処理装置で処理したデータとしたものである
から、構築の対象が限定され、学習の対象が偏らずに高
範囲なものとなり、必要な精度のみを具備した小規模
で、学習効率に優れたなニューラルネットを構築が可能
となる。したがって、既存の信号処理装置よりは簡易な
構成で、しかも、現実的なニューラルネットの構築が可
能となり、ニューラルネットを利用して信号処理をなす
ことができる。As described above, the signal processing device using the neural network according to the present invention is an existing signal processing device for processing a signal after deterioration into a signal before deterioration as a target for constructing a neural network. In addition to itself, since the learning target of the neural network is the data obtained by processing random data with the existing signal processing device, the target of construction is limited, and the learning target is high without being biased. It is possible to construct a neural network with a high learning efficiency on a small scale with only the required accuracy. Therefore, it is possible to construct a realistic neural network with a simpler configuration than the existing signal processing apparatus, and it is possible to perform signal processing using the neural network.
【図1】本発明になるニューラルネットを利用した信号
処理装置の一実施例を説明する原理図である。FIG. 1 is a principle diagram illustrating an embodiment of a signal processing device using a neural network according to the present invention.
【図2】本発明になるニューラルネットを利用した信号
処理装置を説明する具体的な構成図である。FIG. 2 is a specific configuration diagram illustrating a signal processing device using a neural network according to the present invention.
【図3】既存の信号処理装置による信号処理の概念を説
明する図である。FIG. 3 is a diagram illustrating a concept of signal processing by an existing signal processing device.
【図4】従来のニューラルネットを利用した信号処理装
置を説明する原理図である。FIG. 4 is a principle diagram illustrating a conventional signal processing device using a neural network.
【図5】信号処理を説明するための、時間(位置)的に
前後した9箇所の画像データを示す図である。FIG. 5 is a diagram showing image data at nine positions before and after in terms of time (position) for explaining the signal processing.
1 ニューラルネット 2,3 遅延素子 X1 〜X8 周辺の点 Y 処理対象の点 1 Neural network 2,3 Delay element X1 to X8 Peripheral points Y Point to be processed
Claims (2)
ューラルネットを利用した信号処理装置において、 前記ニューラルネットの構築の対象を、劣化後の信号を
劣化前の信号に処理する既存の信号処理装置自体とする
と共に、 前記ニューラルネットの学習の対象を、ランダムのデー
タを前記既存の信号処理装置で処理したデータとしたこ
とを特徴とするニューラルネットによる信号処理装置。1. A signal processing apparatus using a neural network for processing a deteriorated signal into a signal before deterioration, wherein an existing target for constructing the neural network is an existing processor for processing a signal after deterioration into a signal before deterioration. A signal processing device by a neural network, wherein the signal processing device itself is used, and the learning target of the neural network is data obtained by processing random data by the existing signal processing device.
するようにしたことを特徴とする請求項1に記載のニュ
ーラルネットによる信号処理装置。2. A signal processing device using a neural network according to claim 1, wherein an enhancement process or a noise reduction process is performed.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP5339433A JPH07160796A (en) | 1993-12-03 | 1993-12-03 | Signal processor by neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP5339433A JPH07160796A (en) | 1993-12-03 | 1993-12-03 | Signal processor by neural network |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH07160796A true JPH07160796A (en) | 1995-06-23 |
Family
ID=18327424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP5339433A Pending JPH07160796A (en) | 1993-12-03 | 1993-12-03 | Signal processor by neural network |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH07160796A (en) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6519577B1 (en) | 1997-12-19 | 2003-02-11 | Bae Systems Plc | Digital signal filter using weightless neural techniques |
WO2016051640A1 (en) * | 2014-09-30 | 2016-04-07 | ソニー株式会社 | Information processing device, information processing method, and program |
JP2020057373A (en) * | 2018-09-26 | 2020-04-09 | キヤノン株式会社 | Image processing method, image processing device, image capturing device, program, recording medium, image processing system, and method of producing trained model |
US11216717B2 (en) | 2017-04-04 | 2022-01-04 | Hailo Technologies Ltd. | Neural network processor incorporating multi-level hierarchical aggregated computing and memory elements |
US11221929B1 (en) | 2020-09-29 | 2022-01-11 | Hailo Technologies Ltd. | Data stream fault detection mechanism in an artificial neural network processor |
US11237894B1 (en) | 2020-09-29 | 2022-02-01 | Hailo Technologies Ltd. | Layer control unit instruction addressing safety mechanism in an artificial neural network processor |
US11238334B2 (en) | 2017-04-04 | 2022-02-01 | Hailo Technologies Ltd. | System and method of input alignment for efficient vector operations in an artificial neural network |
US11263077B1 (en) | 2020-09-29 | 2022-03-01 | Hailo Technologies Ltd. | Neural network intermediate results safety mechanism in an artificial neural network processor |
US11811421B2 (en) | 2020-09-29 | 2023-11-07 | Hailo Technologies Ltd. | Weights safety mechanism in an artificial neural network processor |
-
1993
- 1993-12-03 JP JP5339433A patent/JPH07160796A/en active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6519577B1 (en) | 1997-12-19 | 2003-02-11 | Bae Systems Plc | Digital signal filter using weightless neural techniques |
US11232353B2 (en) | 2014-09-30 | 2022-01-25 | Sony Corporation | Information processing apparatus and information processing method to generate image processing algorithm based on machine learning process |
WO2016051640A1 (en) * | 2014-09-30 | 2016-04-07 | ソニー株式会社 | Information processing device, information processing method, and program |
US10360515B2 (en) | 2014-09-30 | 2019-07-23 | Sony Corporation | Information processing apparatus and information processing method to generate image processing algorithm based on achine learning process |
US11238331B2 (en) | 2017-04-04 | 2022-02-01 | Hailo Technologies Ltd. | System and method for augmenting an existing artificial neural network |
US11216717B2 (en) | 2017-04-04 | 2022-01-04 | Hailo Technologies Ltd. | Neural network processor incorporating multi-level hierarchical aggregated computing and memory elements |
US11238334B2 (en) | 2017-04-04 | 2022-02-01 | Hailo Technologies Ltd. | System and method of input alignment for efficient vector operations in an artificial neural network |
US11263512B2 (en) | 2017-04-04 | 2022-03-01 | Hailo Technologies Ltd. | Neural network processor incorporating separate control and data fabric |
US11461614B2 (en) | 2017-04-04 | 2022-10-04 | Hailo Technologies Ltd. | Data driven quantization optimization of weights and input data in an artificial neural network |
US11461615B2 (en) | 2017-04-04 | 2022-10-04 | Hailo Technologies Ltd. | System and method of memory access of multi-dimensional data |
JP2020057373A (en) * | 2018-09-26 | 2020-04-09 | キヤノン株式会社 | Image processing method, image processing device, image capturing device, program, recording medium, image processing system, and method of producing trained model |
US11221929B1 (en) | 2020-09-29 | 2022-01-11 | Hailo Technologies Ltd. | Data stream fault detection mechanism in an artificial neural network processor |
US11237894B1 (en) | 2020-09-29 | 2022-02-01 | Hailo Technologies Ltd. | Layer control unit instruction addressing safety mechanism in an artificial neural network processor |
US11263077B1 (en) | 2020-09-29 | 2022-03-01 | Hailo Technologies Ltd. | Neural network intermediate results safety mechanism in an artificial neural network processor |
US11811421B2 (en) | 2020-09-29 | 2023-11-07 | Hailo Technologies Ltd. | Weights safety mechanism in an artificial neural network processor |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2956213B2 (en) | Image processing device | |
JP2905059B2 (en) | Color value processing method and processing device | |
JPH07160796A (en) | Signal processor by neural network | |
WO2023005818A1 (en) | Noise image generation method and apparatus, electronic device, and storage medium | |
US5376963A (en) | Neural network video image processor | |
JPS5827147A (en) | Formation of halftone process | |
JP2006140952A (en) | Image processor and image processing method | |
TWI224924B (en) | Image processing device and image processing method | |
JP3411847B2 (en) | Color reproduction method and apparatus for input device, and recording medium recording program of this method | |
JP2002118737A (en) | Image converter and image conversion method | |
JPS6344688A (en) | Image processor | |
JP2958325B2 (en) | Image processing method | |
JPH01288448A (en) | Intermediate tone correcting method | |
JPS5851684A (en) | Video signal synthesizing system | |
JPS59117860A (en) | Picture signal processor | |
JPH01156069A (en) | Image processor | |
TW200405729A (en) | Image signal processing apparatus | |
JPS6084085A (en) | Picture signal processing unit | |
JPS6139778A (en) | Image binary-coding processing method | |
JPH0737083A (en) | Device and method for processing image | |
JPH04261267A (en) | Method and device for nonlinear conversion of color information by uniform color space | |
JPH0432372A (en) | Video signal processing circuit | |
JPH02192363A (en) | Method for converting image data of dot image | |
JPS61194576A (en) | Image processor | |
JPH02296489A (en) | Test pattern generating method |