상술한 바와 같은 목적을 달성하기 위한 본 발명의 일 특징에 의하면, 랜덤 노이즈 평가 방법은: 영상을 캡쳐하여 현재 영상 데이터를 획득하는 단계, 상기 현재 영상 데이터 그리고 이전 영상 데이터 평균 사이의 편차 제곱을 계산하는 단계, 상기 편차 제곱 및 이전 편차 제곱의 합에 근거해서 현재 편차 제곱의 합을 계산하는 단계, 그리고 상기 현재 편차 제곱의 합에 근거해서 랜덤 노이즈를 계산하는 단계를 포함한다.
이 실시예에 있어서, 상기 평가 방법은, 상기 현재 영상 데이터 그리고 이전 영상 데이터 평균 사이의 편차, 그리고 상기 이전 영상 데이터 평균에 근거해서 현재 영상 데이터 평균을 계산하는 단계를 더 포함한다.
이 실시예에 있어서, 상기 편차 제곱 계산 단계 및 상기 현재 편차 제곱의 합 계산 단계는 소정 개수의 프레임들이 입력되는 동안 반복적으로 수행된다.
이 실시예에 있어서, i(i는 양의 정수)-번째 프레임에서, 상기 현재 영상 데이터 평균은, 상기 이전 영상 데이터 평균과 (상기 편차/i)의 합이다.
이 실시예에 있어서, i(i는 양의 정수)-번째 프레임에서, 상기 현재 편차 제곱의 합은, (상기 이전 편차 제곱의 합)-((i-1)/i))*(상기 편차 제곱)이다.
이 실시예에 있어서, 상기 랜덤 노이즈 계산 단계는, 전체 프레임의 수가 n(n은 양의 정수)일 때, (상기 현재 편차 제곱의 합)/(n-1)인 분산을 계산하는 단계이다.
상기 랜덤 노이즈는 상기 분산의 제곱의 RMS(root-mean-square) 값이다.
본 발명의 다른 특징에 따른 이미지 센서의 랜덤 노이즈 평가 장치는: 적어도 하나의 픽셀을 포함하며, 상기 픽셀에서 감지된 빛에 대응하는 영상 신호를 출력하는 이미지 센서와, 상기 이미지 센서로부터의 상기 영상 신호를 이진 데이터로 변환한 영상 데이터를 출력하는 이미지 캡쳐 유닛과, 상기 이미지 캡쳐 유닛으로부터 제공되는 일련의 상기 영상 데이터에 근거해서 상기 이미지 센서의 랜덤 노이즈를 계산하는 계산 유닛, 그리고 상기 계산 유닛의 계산 결과를 저장하기 위한 메모리를 포함한다. 상기 계산 유닛은, 현재 영상 데이터 그리고 상기 메모리에 저장된 이전 영상 데이터 평균 사이의 편차 제곱을 계산하고, 상기 편차 제곱 및 상기 메모리에 저장된 이전 편차 제곱의 합에 근거해서 현재 편차 제곱의 합을 계산하며, 그리고 상기 현재 편차 제곱의 합에 근거해서 상기 랜덤 노이즈를 계산한다.
이 실시예에 있어서, 상기 계산 유닛은, 상기 현재 편차 제곱의 합을 상기 메모리에 저장한다.
이 실시예에 있어서, 상기 계산 유닛은, 상기 현재 영상 데이터 그리고 이전 영상 데이터 평균 사이의 편차, 그리고 상기 이전 영상 데이터 평균에 근거해서 현재 영상 데이터 평균을 계산한다.
이 실시예에 있어서, 상기 계산 유닛은, 상기 현재 영상 데이터 평균을 상기 메모리에 저장한다.
이 실시예에 있어서, 상기 계산 유닛은, 상기 일련의 영상 데이터에 대한 상기 현재 편차 제곱의 합이 모두 계산되고 나서, (상기 현재 편차 제곱의 합)/(전체 영상 데이터의 수-1)인 분산을 계산한다.
이 실시예에 있어서, 상기 랜덤 노이즈는 상기 분산의 제곱의 RMS(root-mean-square) 값이다.
이 실시예에 있어서, 상기 계산 유닛은, i(i는 양의 정수)-번째 영상 데이터가 입력될 때, 상기 이전 영상 데이터 평균과 (상기 편차/i)의 합인 상기 현재 영상 데이터 평균을 계산한다.
이 실시예에 있어서, 상기 현재 편차 제곱의 합은, i(i는 양의 정수)-번째 영상 데이터가 입력될 때, (상기 이전 편차 제곱의 합)-((i-1)/i))*(상기 편차 제곱)이다.
본 발명의 또다른 특징에 따른 이미지 센서의 랜덤 노이즈 평가 장치는: 적어도 하나의 픽셀을 포함하며, 상기 픽셀에서 감지된 빛에 대응하는 영상 신호를 출력하는 이미지 센서와, 상기 이미지 센서로부터의 상기 영상 신호를 이진 신호 형태로 변환한 영상 데이터를 출력하는 이미지 캡쳐 유닛과, 상기 이미지 캡쳐 유닛으로부터 제공되는 일련의 상기 영상 데이터에 근거해서 상기 이미지 센서의 랜덤 노이즈를 계산하는 계산 유닛, 그리고 상기 계산 유닛에서 계산된 평균값 및 편차 제곱의 합을 저장하기 위한 메모리를 포함한다.
상기 계산 유닛은, 상기 이미지 센서 캡쳐 유닛으로부터 입력되는 일련의 영상 데이터의 프레임 수를 카운트하는 카운터와 ,현재 프레임의 영상 데이터과 상기 메모리에 저장된 이전 프레임의 영상 데이터의 평균의 차를 출력하는 제1 연산기와, 상기 제1 연산기의 출력을 상기 프레임 수로 나누는 제2 연산기와, 상기 제2 연산기의 출력과 상기 이전 프레임의 영상 데이터의 평균을 더하여 현재 프레임의 영상 데이터의 평균을 계산하는 제3 연산기와, 상기 제1 연산기의 출력의 제곱을 계산하는 제4 연산기와, 상기 제4 연산기의 출력에 (상기 프레임 수-1)/(상기 프레임 수)를 곱하는 제5 연산기와, 상기 메모리에 저장된 상기 이전 프레임의 편차 제곱의 합과 상기 제5 연산기의 출력의 차인 편차 제곱의 합을 계산하는 제6 연산기와, 상기 제6 연산기로부터 출력되는 상기 편차 제곱의 합을 (상기 프레임 수-1)로 나누는 제7 연산기, 그리고 상기 제7 연산기의 출력의 제곱 평균 제곱근(root- mean-square, RMS)인 랜덤 노이즈를 계산하는 제8 연산기를 포함한다.
이하 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다.
도 1은 본 발명의 바람직한 실시예에 따른 이미지 센서 평가 장치를 보여주는 블록도이다.
도 1을 참조하면, 이미지 센서 평가 장치(100)는 이미지 센서(110), 이미지 캡쳐 블록(120) 및 데이터 처리 블록(130)을 포함한다. 이미지 센서(110)는 외부로부터 입력되는 빛에 대응하는 영상 신호를 이미지 캡쳐 블록(120)으로 제공한다. 일 실시예에서 상기 이미지 센서(110)로부터 출력되는 영상 신호는 아날로그 신호 및 디지털 신호 가운데 하나이다.
이미지 캡쳐 블록(120)은 이미지 센서(110)로부터 수신된 영상 신호를 이 진(binary) 데이터로 변환하여 데이터 처리 블록(130)으로 제공하고, 데이터 처리 블록(130)으로부터 수신된 제어 신호들에 응답해서 이미지 센서(110)의 동작을 제어한다. 데이터 처리 블록(130)은 이미지 캡쳐 블록(120)으로부터 수신된 이진 데이터에 근거해서 이미지 센서(110)의 특성을 평가하고, 이미지 센서(110)의 동작을 제어하기 위한 제어 신호들을 이미지 캡쳐 블록(120)으로 제공한다.
이미지 캡쳐 블록(120)은 이미지 캡쳐 유닛(121), 데이터 인터페이스 유닛(122) 그리고 컨트롤 인터페이스 유닛(123)을 포함한다. 이미지 캡쳐 유닛(121)은 이미지 센서(121)로부터 입력되는 영상 신호를 이진 영상 데이터로 변환한다. 데이터 인터페이스 유닛(122)은 이미지 캡쳐 유닛(121)에서 변환된 이진 영상 데이터를 데이터 처리 블록(130)으로 전달한다. 컨트롤 인터페이스 유닛(123)은 데이터 처리 블록(130)으로부터 제공되는 제어 신호들을 이미지 캡쳐 유닛(121)으로 전달한다.
데이터 처리 블록(130)은 버스(139)와 연결된 메모리(131), 계산 유닛(132) 그리고 컨트롤 유닛(133)을 포함한다. 메모리(131)는 이미지 캡쳐 블록(120)으로부터 수신되는 영상 데이터 그리고 계산 유닛(132)으로부터 출력되는 계산 결과를 저장한다. 계산 유닛(132)은 메모리(131)에 저장된 디지털 데이터 및 계산 결과에 근거해서 이미지 센서(110)의 특성 평가를 위한 알고리즘에 따른 일련의 계산들을 수행한다. 컨트롤 유닛(133)은 데이터 처리 블록(130) 뿐만 아니라 이미지 캡쳐 블록(120)의 동작을 제어하기 위한 제어 신호들을 발생한다.
일 실시예에서 이미지 센서(110)의 특성 평가 알고리즘을 수행하기 위한 소 프트웨어 프로그램이 메모리(131)에 저장되는 경우, 컨트롤 유닛(133)은 메모리(131)로부터 독출된 프로그램 명령들에 따라서 계산 유닛(132) 및 이미지 캡쳐 블록(120)을 제어한다.
계속해서 계산 유닛(132)에 의해서 수행되는 본 발명의 바람직한 실시예에 따른 이미지 센서 특성 평가 알고리즘이 설명된다. 특히, 본 명세서에서는 이미지 센서의 특성들 중 랜덤 노이즈 특성을 평가하기 위한 알고리즘이 설명된다.
도 2는 이미지 센서(110)에서 캡쳐된 영상 신호가 이미지 캡쳐 블록(120)에 의해서 이진 영상 데이터로 변환되었을 때 영상 데이터의 크기를 개념적으로 보여주는 도면이다.
한 프레임 내 픽셀의 수가 j*k일 때, 이미지 캡쳐 블록(120)은 1번째 프레임부터 n번째 프레임까지 총 n개의 프레임들의 영상 데이터를 데이터 처리 블록(130)으로 제공한다. 이하 설명에서, i번째 프레임의 (x, y)번째 픽셀의 영상 데이터는 Pi = Pi(x,y) = P(x,y,i)로 표기된다.
도 3은 이미지 센서에 대한 일반적인 랜덤 노이즈 평가 알고리즘을 보여주는 플로우차트이다. 랜덤 노이즈 평가 알고리즘은 도 1에 도시된 계산 유닛(132)에 의해서 수행된다.
단계 300에서 계산 유닛(132)은 이미지 센서(110)로부터 캡쳐되어서 디지털 데이터로 변환된 영상 데이터(Pi(x,y))를 획득한다. 이미지 센서(110)로부터 캡쳐되어서 디지털 데이터로 변환된 영상 데이터(Pi(x,y))는 메모리(131)에도 저장된다. 단계 310에서 계산 유닛(132)은 각각의 픽셀의 누적값(Sumi(x,y)=Sumi-1 (x,y)+Pi(x,y))을 계산한다. 단계 320에서 계산 유닛(132)은 현재 프레임이 n 번째 프레임인 지를 판별하고, 현재 프레임이 n 번째 프레임이 아니면 단계 300으로 제어를 리턴한다. 단계 300 내지 단계 320에 의해서 a*b 개의 픽셀들 각각에 대한 n 개의 영상 데이터들의 합이 계산된다.
단계 330에서 a*b 개의 픽셀들 각각에 대한 n 개의 프레임들의 영상 데이터의 평균(An(x,y)=Sumn(x,y)/n)이 계산된다. 단계 340에서, 계산 유닛(132)은 메모리(131)에 저장된 각각의 픽셀에 대한 영상 데이터(Pi(x,y))와 평균(A(x,y))의 편차(Diff(x,y))를 계산한다. 여기서, 편차란 변량에서 평균을 뺀 값을 의미한다. 단계 350에서 각각의 픽셀에 대한 편차(Diff(x, y))의 제곱을 누적한 편차 제곱(D_Sum(x,y))이 계산된다. 단계 340 및 단계 360은 n개의 프레임들 각각에 대해서 반복적으로 수행된다.
단계 370에서, 각각의 픽셀에 대한 분산(Var(x,y))이 계산된다. 모든 픽셀들에 대한 분산(Var(x,y))의 제곱근인 표준 편차에 대한 RMS를 구하면 랜덤 노이즈(RN)가 구해진다.
도 3에 도시된 랜덤 노이즈 평가 알고리즘을 수학식으로 정리하면 수학식 1과 같다.
수학식 1에서, An(x,y)는 평균값, Varn(x, y)는 분산, Stdevn(x,y)는 표준편차 그리고 RN은 랜덤 노이즈(random noise)를 의미한다.
도 3에 도시된 단계 340이 수행되기 위해서는 a*b*n 개의 픽셀들 각각에 대한 영상 데이터가 메모리(131)에 저장되어야 한다. 즉, 메모리(131)의 크기는 적어도 a*b*n*w이어야 한다. 여기서, w는 영상 데이터의 비트 폭이다. 한 프레임에 포함된 픽셀들의 수(a*b)가 증가할수록 그리고 누적 영상 데이터의 수 즉, 프레임의 수(n)가 증가할수록 메모리(131)의 크기는 기하급수적으로 증대되어야 한다.
본 발명의 바람직한 실시예에 따른 랜덤 노이즈 평가 알고리즘은 a*b*n 개의 픽셀들 전체에 대한 영상 데이터를 저장하지 않고도 랜덤 노이즈를 구할 수 있다. 즉, 본 발명의 바람직한 실시예에 따른 랜덤 노이즈 평가 알고리즘은 현재 입력된 프레임에 포함되는 영상 데이터와 이전까지 입력된 프레임들의 평균값, 분산 및 편차를 이용하여 매 프레임마다의 평균값, 분산 및 편차를 구하는 것에 의해서 랜덤 노이즈를 구할 수 있다. 이전까지 입력된 프레임들의 영상 데이터는 메모리(131)에 저장되지 않고, 입력된 프레임들의 평균값, 분산 및 편차만이 메모리(131)에 저장됨으로써 픽셀의 수 및 프레임의 수가 증가하더라도 메모리(131)의 크기 변화는 미미하다.
n번째 프레임에 포함되는 픽셀들 각각의 영상 데이터의 평균(An)은 수학식 2와 같이 정리될 수 있다.
수학식 2에서, n번째 프레임에 포함되는 픽셀들 각각의 영상 데이터의 평균 은 n-1번째 프레임 내 픽셀들의 평균값(An-1)과 n번째 프레임 내 픽셀의 영상 데이터(Pn)만을 이용하여 구해짐을 알 수 있다.
랜덤 노이즈 평가 알고리즘의 최적화를 위해서 다음과 같은 두 가지 조건이 만족되어야 한다.
(조건1) 평가 시스템 내부의 메모리에 대한 과부하(overhead)가 없어야 한다.
(조건2) 최적화 전 알고리즘과 최적화 후 알고리즘에 대한 평가 결과는 동일해야 한다.
도 3에 도시된 단계 340 및 단계 350에 의해서 계산되는 제1 값(D_Sum(x,y))을 (D_Sum_Oldn(x,y))으로 표기하고, 제1 값(D_Sum_Oldn(x,y))에 대응하는 본 발명의 바람직한 실시예에 따른 제2 값(D_Sum_Newn(x,y))은 수학식 3과 같다.
도 3에 도시된 단계 340 및 단계 350에서는 n개의 프레임들 전체에 대한 평균(An)을 이용하여 모든 픽셀들의 영상 데이터와 평균의 차의 합인 제1 값(D_Sum_Oldn(x,y))을 계산하였으나, 본 발명의 실시예에서는 현재 입력된 영상 데 이터와 현재 프레임까지의 평균(Ai)을 이용하여 제2 값(D_Sum_Newn(x,y))을 계산한다.
표 1은 매 프레임(i=0,1,2…,n)에서 제1 값(D_Sum_Oldi(x,y))과 제2 값(D_Sum_Oldi(x,y))을 비교하여 보여준다.
표 1에서 알 수 있는 것은 제1 값(D_Sum_Oldi(x,y))과 제2 값(D_Sum_Newi(x,y))은 서로 다른 실수이고, 입력되는 프레임의 수가 증가할수록 제1 값(D_Sum_Oldi(x,y)) 및 제2 값(D_Sum_Newi(x,y)) 각각의 값도 증가한다는 것이다. 만약 제1 값(D_Sum_Oldi(x,y))과 제2 값(D_Sum_Newi(x,y))이 비례 관례라면, 비례 상수 C가 존재한다. 이를 수식으로 나타내면 수학식 4와 같다.
수학식 4를 만족하는 비례 상수(C)가 존재한다면, 그 비례 상수(C)는 수학식 5와 같이 정리된다.
표 2는 수학식 5를 만족하는 비례 상수(C)가 존재하는 지를 알아보기 위해, 모든 픽셀들의 영상 데이터가 P1=1, P2=2, P3=3, P4=4로 동일하다고 가정하고, 4 개의 영상 데이터를 표 1에 대입하여 계산한 결과이다.
i |
D_Sum_Oldi(x,y) |
D_Sum_Newi(x,y) |
C |
1 |
0 |
0 |
- |
2 |
0.5 |
0.25 |
2 |
3 |
2 |
1.25 |
1.6 |
4 |
5 |
3.5 |
≒1.43 |
표 2에서, 비례 상수(C)는 프레임의 수에 따라서 달라지므로 수학식 5를 만족하는 비례 상수는 존재하지 않으며, 제1 값(D_Sum_Oldi(x,y))과 제2 값(D_Sum_Newi(x,y))은 비례 관계가 아니라는 것을 알 수 있다. 만약 상수 C가 프레임의 수에 따라서 변화한다고 가정하면 수학식 4는 수학식 6과 같이 수정될 수 있다.
이와 같이, 프레임의 수에 따라서 값이 변하는 상수(Ci)가 존재한다고 가정하고 수학식 6이 성립함을 수학적 귀납법으로 증명하면 다음과 같다.
수학식 6이 성립함을 증명하기 위해 수학식 6에서 n=1로 대입한다. 수학식 6의 양변이 0이므로 수학식 6는 성립한다. 다음으로, n=k일 때 수학식 6이 성립함을 증명하기 위하여 먼저, 수학식 n=k를 대입한 후 좌변 수식을 정리하면 수학식 7과 같다.
수학식 7에서 각항의 제곱항을 풀어서 정리하면 수학식 8과 같다.
수학식 6에서 정수 k에 대한 식을 정리하면 수학식 9와 같다.
다음으로 수학식 6에서 우변 수식을 정리하면 수학식 10와 같다.
수학식 10을 간단한 수식으로 정리하면 수학식 11과 같다.
수학식 11의 우변 수식에 있는 k-1까지의 편차 제곱의 합 공식은 수학식 6의 변수 n 대신에 k-1을 대입한 수식과 같으므로(n=k-1일 때 수학식 12가 성립한다고 가정함) 수학식 12와 같이 정리될 수 있다.
수학식 12의 우변 수식은 수학식 8의 변수 k 대신에 변수 k-1을 대입한 수식과 같다. 이를 정리하면 수학식 13과 같다.
수학식 13의 우변 수식 중 k번째 편차 제곱값을 정리하면 수학식 14와 같다.
수학식 13과 수학식 14를 수학식 11에 각각 대입하여 정리한 후 각 항에 대하여 수학식 9와 비교하면, 4가지 유형의 식이 나타나며 각 유형의 식에 대해서 Ck 를 구하면 수학식 15와 같다.
프레임의 수에 따라서 값이 변하는 상수 Ci를 수학식 6에 대입하여 정리하면 수학식 16과 같다.
다음으로, n=k+1인 경우도 동일하게 정리하면, 수학식 16과 같은 수식이 성립한다는 것을 확인할 수 있다.
그러므로, 프레임의 수(i)에 따라 값이 변하는 상수(Ci)는 존재하며, 수학식 5와 수학식 16은 1보다 큰 모든 정수에 대하여 성립한다. 또한, 상수(Ci) 값을 수학식 11에 적용하면 수학식 17과 같다.
수학식 17을 간단하게 정리하면 수학식 18과 같다.
또한 수학식 18의 평균값(An(x,y))은 이전 프레임의 평균값(An-1(x,y))으로부터 계산되어 갱신될 수 있도록 수학식 2를 이용하여 최적하면 수학식 19와 같다.
수학식 19을 참조하면, 픽셀의 영상 데이터(Pn(x,y))가 갱신될 때 평균값(An(x,y))과 편차 제곱의 합(D_Sumn(x,y))도 동시에 갱신된다는 것이다.
도 4는 본 발명의 바람직한 실시예에 따른 랜덤 노이즈 평가 알고리즘을 보여주는 플로우차트이다.
단계 410에서 계산 유닛(132)은 이미지 센서(110)에서 캡쳐되고, 이미지 캡쳐 블록(120)의해서 디지털 데이터로 변환된 영상 데이터(Pi(x,y))를 수신한다.
단계 420에서, 계산 유닛(132)은 현재 입력된 영상 데이터(Pi(x,y))와 각 픽셀의 이전 프레임까지의 평균(Ai-1(x,y))의 편차(Diff(x,y))를 계산한다. 각 픽셀의 이전 프레임까지의 평균(Ai-1(x,y))은 메모리(131)에 저장되어 있는 값이다.
단계 430에서, 계산 유닛(132)은 각 픽셀의 이전 프레임까지의 평균(Ai-1(x,y))과 단계 420에서 계산된 편차(Diff(x,y))에 근거해서 각 픽셀의 현재 프레임에서의 평균(Ai(x,y))을 계산한다. 계산된 평균(Ai(x,y))은 메모리(131)에 저장된다.
단계 440에서, 계산 유닛(132)은, 수학식 19에서 정리된 바와 같이, 메모리(131)로부터 독출된 이전 편차 제곱의 합(D_Sumi-1(x,y))과 편차(Diff(x,y))에 근거해서 편차 제곱의 합(D_Sumi(x,y))을 계산한다. 계산된 편차 제곱의 합(D_Sumi(x,y))은 메모리(131)에 저장된다.
단계 450에서, 현재 프레임(i)이 마지막 프레임(n)인 지의 여부가 판별되며, 단계 410부터 단계 450은 현재 프레임(i)이 마지막 프레임(n)일 때까지 반복적으로 수행된다.
단계 460에서, 계산 유닛(132)은 분산(Var(x,y))을 계산한다.
단계 470에서, 계산 유닛(132)은 분산(Var(x,y))의 제곱근에 대한 RMS를 계 산하여 랜덤 노이즈(RN)를 구한다.
도 4에 도시된 플로우차트에서 알 수 있는 바와 같이, 도 2에 도시된 a*b*n 개의 픽셀들에 대한 영상 데이터들을 모두 메모리(131)에 저장하지 않고, 각 프레임에서의 평균값(Ai(x,y))과 편차 제곱의 합(D_Sumi(x,y))만이 메모리(131)에 저장된다. 필요에 따라서 현재 입력된 프레임의 픽셀들(Pi(x,y))이 메모리(131)에 저장될 수 있다. 본 발명의 랜덤 노이즈 평가 알고리즘에 의하면, 한 프레임에 속하는 픽셀들(a*b)의 수가 증가하고, 프레임의 수(n)가 증가하더라도 메모리(131)의 요구되는 크기 변화는 도 3에 도시된 랜덤 노이즈 평가 알고리즘에 의한 메모리의 크기 변화에 비해 미미하다.
종래에는 메모리 크기가 고정된 평가 장치에서 고해상도 이미지 센서에 대한 랜덤 노이즈 평가를 위하여 이미지 센서의 일부 영역에 대해서만 노이즈 평가가 수행되거나 프레임 수를 제한하여 노이즈 평가가 이루어졌었다. 본 발명의 랜덤 노이즈 평가 알고리즘은, 최소 크기의 메모리를 가지고 고해상도 이미지 센서에 대한 랜덤 노이즈 평가를 가능하게 한다.
또한 도 3에 도시된 일반적인 랜덤 노이즈 평가 알고리즘에 따르면 계산 유닛(132)은 매 프레임마다 단계 300부터 단계 310을 수행한 후 전체 프레임의 수 만큼 단계 340부터 단계 360을 수행해야 한다. 즉, 반복 루프가 2개 존재한다. 이에 반해 본 발명의 바람직한 실시예에 따른 도 4에 도시된 랜덤 노이즈 평가 알고리즘은 매 프레임마다 단계 410부터 단계 450까지를 1번씩만 수행해도 되므로 랜덤 노이즈 평가 알고리즘 전체를 수행하는 시간이 단축된다.
도 4는 도 1에 도시된 계산 유닛(132)의 일 실시예에 따른 구성을 보여주는 도면이다. 도 4에 도시된 계산 유닛(132)은 도 4에 도시된 알고리즘을 수행하기에 적합한 구성을 갖는다.
도 4를 참조하면, 계산 유닛(132)은 프레임 카운터(410), 감산기들(411, 416), 제산기들(412, 415, 417), 가산기들(413), 승산기(414) 그리고 RMS 연산기(418)를 포함한다. 도 4에 도시된 메모리들(131a, 131b)은 도 1에 도시된 메모리(131)에 포함되는 일부 영역들을 각각 의미한다.
프레임 카운터(410)는 데이터 인터페이스 유닛(120)으로부터 한 프레임의 영상 데이터(Pi(x,y))가 입력될 때마다 1씩 증가하는 카운트 값(i)을 출력한다. 프레임 카운터(410)로부터 출력되는 카운트 값(i)은 계산 유닛(132)으로 입력된 영상 데이터의 프레임 수를 의미한다. 프레임 수(i)는 제산기들(412, 415, 417)로 제공된다.
감산기(411)는 현재 입력된 영상 데이터(Pi(x,y))와 각 픽셀의 이전 프레임까지의 평균(Ai-1(x,y))사이의 차를 계산하고, 편차(Diff(x,y))를 출력한다. 각 픽셀의 이전 프레임까지의 평균(Ai-1(x,y))은 메모리(131a)에 저장되어 있는 값이다.
제산기(412)는 감산기(411)로부터 출력되는 편차(Diff(x,y))를 프레임 수(i)로 나누고, 가산기(413)는 이전 프레임의 평균(Ai-1(x,y))과 제산기(412)의 출력을 더하여 현재 프레임의 평균(Ai(x,y))을 출력한다. 가산기(413)로부터 출력되는 현재 프레임의 평균(Ai(x,y))은 메모리(131a)에 저장된다.
승산기(414)는 편차(Diff(x,y))의 제곱을 계산한다. 제산기(415)는 편차의 제곱(Diff(x,y)2)에 ((i-1)/i)를 곱한다. 다른 실시예에서, 제산기(415)는 승산기로 구현될 수 있다.
감산기(416)는 메모리(131b)에 저장된 이전 프레임의 편차 제곱의 합(D_Sumi-1(x,y))과 제산기(415)로부터의 출력의 차를 계산하여 현재 프레임의 편차 제곱의 합(D_Sumi(x,y))을 출력한다. 감산기(416)로부터 출력되는 현재 프레임의 편차 제곱의 합(D_Sumi(x,y))은 메모리(131b)에 저장된다.
제산기(417)는 프레임의 수(i)가 n과 같을 때, 감산기(416)로부터 출력되는 현재 프레임의 편차 제곱의 합(D_Sumi(x,y))을 (n-1)로 나누어서 분산 값(Var(x,y))을 출력한다.
RMS 연산기(418)는 제산기(417)로부터 출력되는 분산 값(Var(x,y))의 제곱근에 대한 RMS를 구하여 랜덤 노이즈(RN)로서 출력한다.
예시적인 바람직한 실시예들을 이용하여 본 발명을 설명하였지만, 본 발명의 범위는 개시된 실시예들에 한정되지 않는다는 것이 잘 이해될 것이다. 오히려, 본 발명의 범위에는 다양한 변형 예들 및 그 유사한 구성들이 모두 포함될 수 있도록 하려는 것이다. 따라서, 청구범위는 그러한 변형 예들 및 그 유사한 구성들 모두 를 포함하는 것으로 가능한 폭넓게 해석되어야 한다.