專利名稱：圖像處理設備和系數學習設備的制作方法
技術領域：
本發(fā)明涉及圖像處理設備和系數學習設備，尤其涉及能夠更準確地識別要對之執(zhí)
行高質量的圖像形成處理的圖像的特征量的圖像處理設備和系數學習設備。
背景技術：
在從包含惡化的學生(輸入)圖像預測教師圖像時，利用其中整個圖像用學生 (輸入)圖像的線性和來表示的模型的相應處理在準確性上有問題。為此，執(zhí)行這樣一種 方法根據局部特征量對學生(輸入)圖像進行分類，對于每一類切換回歸系數。到目前為 止，已經提出了使用1位ADRC或K-means算法進行分類的方法。 例如，為了將標準電視信號(SD信號)轉換成高分辨率信號(HD信號)，提出了使
用分類自適應處理的技術(例如，參見日本未審查專利申請公開No. 7-79418)。 在采用日本未審查專利申請公開No. 7-79418的技術將SD信號轉換成HD信號的
情況下，首先，使用ADRC(自適應動態(tài)范圍編碼)等來確定從輸入SD信號形成的類抽頭的
特征，并且基于獲得的類抽頭的特征來執(zhí)行分類。然后，通過在為每一類提供的預測系數和
從輸入SD信號形成的預測抽頭之間進行計算，獲得HD信號。 分類被設計成基于低S/N像素的像素值的圖案來分組高S/N像素，這些低S/N像 素位于在空間或時間上與低S/N圖像中與要為之確定預測值的高S/N像素的位置相對應的 位置相接近的位置上。自適應處理是這樣的為每一組(對應于上述的類)確定對于屬于 一組的高S/N像素更準確的預測系數，并且基于預測系數來改進圖像質量。因此，優(yōu)選的是 按照以下方式來進行分類基本上，使用與要為之確定預測值的高S/N像素有關的更多像 素來形成類抽頭。

發(fā)明內容
然而，例如，在如日本未審查專利申請公開No. 7-79418中根據像素值的圖案
(pattern)對像素進行分組的方法中，分類變得均一。因此，取決于圖像質量的惡化程度和
關注像素的位置，可能無法適當地進行分類。日本未審查專利申請公開No. 7-79418的技術
被設計為利用適于分類所識別的類的預測系數來計算被形成為具有更高質量的圖像的像
素值。因而，如果難以適當地進行分類，那么就很難計算適當的像素值。 在一種分類中僅使用像素值圖案的線性特征量，存在一種擔心就是基于這種分類
的高質量圖像形成處理的局限性。 希望能夠更優(yōu)地識別為之執(zhí)行高質量圖像形成處理的圖像的特征量。 根據本發(fā)明的一個實施例，提供了一種圖像處理設備，包括存儲裝置，在該存儲
裝置中基于抽頭對于每一類存儲回歸系數數據，與第一圖像數據的關注像素相對應的線性
特征量和從該圖像數據確定的非線性特征量被用作所述抽頭中的元素；分類裝置，用于將
輸入的第一圖像的多項輸入數據的每個線性特征量分類成預定的類；讀裝置，用于從存儲
裝置中讀取與分類裝置確定的類相對應的回歸系數數據；和數據生成裝置，用于生成通過
4使第一圖像具有更高質量而獲得的第二圖像的數據，其中通過使用從讀裝置讀取的回歸系 數數據以及輸入的第一圖像的多項輸入數據中的每項數據的抽頭的元素來執(zhí)行乘積和運 算處理，而使第一圖像具有更高質量。 非線性特征量可以是關注像素周圍的像素位置處的水平微分絕對值和垂直微分 絕對值。 非線性特征量可以是關注像素周圍的像素的最大值和最小值。 非線性特征量可以是關注像素周圍的像素位置處的水平微分絕對值的最大值和 垂直微分絕對值的最大值。 該圖像處理設備還可以包括判別預測裝置，用于執(zhí)行判別預測計算，該判別預測 計算通過與第一圖像數據的關注像素相對應的每個線性特征量與預先存儲的判別系數之 間的乘積和運算，來獲得用于識別關注像素所屬的判別類的判別預測值，其中，基于該判別 預測值，分類裝置將第一圖像信號的每個關注像素分類成預定的類。 在本發(fā)明的一個實施例中，基于抽頭來存儲每一類的回歸系數數據，與第一圖像 數據的關注像素相對應的線性特征量和從圖像數據確定的非線性特征量被用作該抽頭的 元素。輸入的第一圖像的多項輸入數據的每個線性特征量被分類到預定的類中。從存儲裝 置中讀取與分類裝置所確定的類相對應的回歸系數數據。通過使第一圖像具有更高質量而 獲得第二圖像的數據，其中通過使用從讀裝置讀取的回歸系數數據以及輸入的第一圖像的 多項輸入數據中的每項數據的抽頭的元素來執(zhí)行乘積和運算處理，而使第一圖像具有更高 質量。 根據本發(fā)明的另一個實施例，提供了一種系數學習設備，包括分類裝置，用于將 與通過改變第二圖像的質量而獲得的第一圖像的多項輸入數據中的關注像素相對應的每 個線性特征量分類成預定的類；回歸系數計算裝置，用于計算在使用回歸系數和抽頭的乘 積和運算中所用的回歸系數，第一圖像的多項輸入數據的線性特征量以及從所述多項輸入 數據確定的非線性特征量被用作抽頭中的元素，所述乘積和運算是對于分類裝置所確定的 每一類獲得第二圖像的像素值的乘積和運算；和存儲裝置，對于分類產生的每一類存儲計 算出的回歸系數。 非線性特征量可以是關注像素周圍的像素位置處的水平微分絕對值和垂直微分 絕對值。 非線性特征量可以是關注像素周圍的像素的最大值和最小值。 非線性特征量可以是關注像素周圍的像素位置處的水平微分絕對值的最大值和 垂直微分絕對值的最大值。 該系數學習設備還可以包括判別預測裝置，用于執(zhí)行判別預測計算，該判別預測 計算通過與第一圖像數據的關注像素相對應的每個線性特征量與預先存儲的判別系數之 間的乘積和運算，來獲得用于識別關注像素所屬的判別類的判別預測值，其中，分類裝置基 于該判別預測值將第一圖像信號的每個關注像素分類成預定的類。 在本發(fā)明的一個實施例中，將與通過改變第二圖像的質量而獲得的第一圖像的多 項輸入數據中的關注像素相對應的每個線性特征量分類成預定的類。計算出在使用抽頭的 乘積和運算中所用的回歸系數，第一圖像的多項輸入數據的線性特征量以及從所述多項輸 入數據確定的非線性特征量被用作抽頭中的元素，所述乘積和運算是對于分類裝置所確定
5的每一類獲得第二圖像的像素值的乘積和運算。對于分類產生的每一類存儲計算出的回歸 系數。 根據本發(fā)明的所述實施例，就可以更優(yōu)地識別為之執(zhí)行高質量圖像形成處理的圖 像的特征量。


圖1是示出根據本發(fā)明一個實施例的學習設備的配置例子的框圖；
圖2示出用作抽頭元素的像素的例子； 圖3示出用于計算水平微分絕對值和垂直微分絕對值的濾波器的例子； 圖4圖示了計算水平微分值的例子； 圖5是解釋圖1的標記單元的處理的直方圖； 圖6圖示了以迭代方式進行的判別系數學習； 圖7圖示了以迭代方式進行的判別系數學習； 圖8利用二叉樹結構示出如圖7所示的對輸入圖像進行分類的情形的例子； 圖9是示出與圖1的學習設備相對應的圖像處理設備的配置例子的框圖； 圖10是解釋由圖1的學習設備執(zhí)行的判別回歸系數學習處理的例子的流程圖； 圖11是解釋標記處理的例子的流程圖； 圖12是解釋回歸系數計算處理的例子的流程圖； 圖13是解釋判別系數計算處理的例子的流程圖； 圖14是解釋由圖9的圖像處理設備執(zhí)行的判別回歸預測處理的例子的流程圖；
圖15是解釋判別處理的例子的流程圖； 圖16演示了使用根據本發(fā)明實施例的學習設備和圖像處理設備進行的高質量圖 像形成處理的優(yōu)點； 圖17圖示了用于現有技術的分類自適應處理的類抽頭的例子； 圖18演示了使用根據本發(fā)明實施例的學習設備和圖像處理設備進行的高質量圖
像形成處理的優(yōu)點； 圖19演示了使用根據本發(fā)明實施例的學習設備和圖像處理設備進行的高質量圖 像形成處理的優(yōu)點； 圖20演示了在使用添加有非線性特征量的抽頭的情況下高質量圖像形成處理的 優(yōu)點；以及 圖21是顯示個人計算機的配置例子的框圖。
具體實施例方式
下面參考附圖來描述本發(fā)明的實施例。
圖i是示出根據本發(fā)明一個實施例的學習設備10的配置例子的框圖。 學習設備10被形成為用于高質量圖像形成處理的學習設備，并且基于輸入的學
生圖像和教師圖像(或教師信號)的數據來生成用于高質量圖像形成處理的系數。這里，
高質量圖像形成處理的例子包括用于從含噪聲圖像生成去噪圖像的處理，用于從有模糊
的圖像生成無模糊的圖像的處理，用于從低分辨率圖像生成高分辨率圖像的處理，以及用于解決以上多個問題的處理。 學習設備IO被形成為使用學生圖像作為輸入圖像并且學習回歸系數，該系數用
于生成接近作為輸出圖像的教師圖像的高質量圖像?；貧w系數被設置為用于線性主表達式
的系數，在該線性主表達式中，從與輸入圖像的關注像素相對應的多個像素的值獲得的特
征量被用作參數，并且在被形成為具有更高質量的圖像中與關注像素相對應的像素的值被
計算，但細節(jié)將在后面描述。對于每個類號學習得到回歸參數，這將在后面描述。 此外，基于與輸入圖像的關注像素相對應的多個像素值以及從這些像素值獲得的
特征量，學習設備10將關注像素分類成多個類之一 (即，分類到多個類之一中)。也就是
說，學習設備io學習判別系數，該系數用于識別輸入圖像的每個關注像素屬于高質量圖像
形成處理的哪一類。該判別系數被設置為與線性主表達式一起使用的系數，在該線性主表 達式中，從與輸入圖像的關注像素相對應的多個像素的值獲得的特征量被用作參數，但細 節(jié)將在后面描述。 也就是說，利用學習設備10學習得到的判別系數重復地執(zhí)行一個線性主表達式 的計算，而識別出高質量圖像形成處理的類，在該線性主表達式中將與輸入圖像的關注像 素相對應的多個像素值以及從這些像素值獲得的特征量作為參數。然后，利用與識別出的 類相對應的回歸系數來執(zhí)行一個線性主表達式，計算出被形成為具有更高質量的圖像的像 素值，在該線性主表達式中對應于輸入圖像的關注像素的多個像素值以及從這些像素值獲 得的特征量被用作參數。 在學習設備10中，例如，無噪聲圖像被輸入作為教師圖像，向教師圖像中加入噪 聲的圖像被輸入作為學生圖像。 學生圖像的數據被輸送到回歸系數學習裝置21、回歸預測單元23、判別系數學習 裝置25和判別預測單元27。 回歸系數學習裝置21從形成學生圖像的多個像素中設置一個預定的像素作為關 注像素。然后，基于學生圖像的關注像素及周圍像素值，回歸系數學習裝置21利用最小平 方法來學習用于預測教師圖像中與關注像素相對應的像素值的回歸預測計算表達式的系 數。 如果教師圖像的像素值被表示為tji = 1，2， . . . N)并且預測值被表示為yi(i = 1，2， ...N)，則表達式(1)成立，其中N代表學生圖像的像素和教師圖像的像素的所有樣本 的數量。 ti = y, e i ... (1) 其中，e Ji = 1，2， . . .N)是誤差項。 如果假定一個使用回歸系數w的線性模型，那么可以利用學生圖像的像素值Xij(i =1，2，...N， j = 1，2，...M)，用表達式(2)來表示預測值yi。
yj = w0+Z WjXj j = w0+wTXj .'. (2) 其中Xi = (xn， xi2，， xiM)T， w = (Wl， w2，， wM)T。 wT代表用矩陣表達式來表 示的w的轉置矩陣。w。是偏移參數并且是一個常數項。M的值對應于一個抽頭的元素個數
(下文中描述)。 在表達式(2)中，用作參數的Xi是一個向量，其中以學生圖像的關注像素為中心的、預定位置處的像素值中的每一個是該向量的一個元素。此后，在表達式(2)中，用作參
數的Xi將被稱為抽頭。 圖2示出用作抽頭元素的像素的例子。圖2是一個二維圖形，其中水平方向沿x 軸繪制，垂直方向沿y軸繪制，一個抽頭由在關注像素周圍的25個像素(xu至x^)組成。 在該情形中，關注像素是像素x^，像素x^的位置對應于根據表達式(2)預測的教師圖像 的像素的位置(相位)。 回歸系數學習裝置21學習表達式(2)的系數w和偏移參數w。，并將它們存儲在回 歸系數存儲單元22中。 在前文中已經描述了利用關注像素周圍25個像素(Xn至x^)的值形成一個抽頭 的例子。在此情形中，利用從學生圖像獲得的線性特征量來形成抽頭。 然而，通過使從學生圖像獲得的非線性特征量被包含在抽頭中，有可能進一步提 高預測的準確性。從學生圖像獲得的非線性特征量的例子包括在關注像素周圍的像素值的 水平微分絕對值和垂直微分絕對值。 在表達式(3)中示出用于計算在關注像素周圍的像素值的水平微分絕對值和垂 直微分絕對值的表達式的例子。Y(h) Xij=Y(v)二
Sobel(;h)Ui)
(3)
Sobel )(x 為了計算表達式(3)中的水平微分絕對值和垂直微分絕對值，使用Sobel算子。 通過對Xij表示的關注像素執(zhí)行圖3所示的濾波處理，確定水平微分絕對值和垂直微分絕對 圖3是沿x軸繪制水平方向、沿y軸繪制垂直方向的二維圖形，它示出了以關注像 素周圍的9個像素中的每一個為目標的濾波器。用圓圈表示的部分中所示的數值乘以在相 應位置上的像素值。 圖4圖示了水平微分值的計算例子。在圖4的例子中，顯示了一個濾波處理的計
算例子，在該濾波處理中以用x^表示的像素及其周圍的9個像素的每一個為目標。在圖4
中，被賦予用圓圈表示的各個像素的數值(例如xil2)直接代表像素值。 在要根據表達式(1)確定水平微分絕對值和垂直微分絕對值的情況下，將確定與
以關注像素為中心的相應M個像素相對應的水平微分絕對值和垂直微分絕對值。例如，在
圖2所示的情況下，關注像素及周圍的25個像素被包含在抽頭中，由于M值等于25，所以對
于一個關注像素要確定25個水平微分絕對值和25個垂直微分絕對值。 此外，從學生圖像獲得的非線性特征量的例子還包括關注像素周圍的像素值中的
最大值和最小值、以及水平微分絕對值的最大值和垂直微分絕對值的最大值?？梢愿鶕?br> 達式(4)來確定關注像素周圍的像素值中的最大值和最小值、水平微分絕對值的最大值和
垂直微分絕對值的最大值。
x纟隨)=maxXi
8
<formula>formula see original document page 9</formula>

l化L
其中L是周圍像素值的數量，L《M。
如上所述，通過使從學生圖像獲得的非線性特征量被包含在抽頭中，有可能進一 步提高預測的準確性。例如，在要基于輸入的含噪圖像預測無噪聲圖像的像素值的情況下， 通過使從學生圖像獲得的非線性特征量被包含在抽頭中，圖像的S/N比可以從0. 3提高至 0. 5dB(分貝)，但細節(jié)將在下面描述。 在使用最小平方法來學習回歸預測運算表達式的系數的情況下，使用如上所述形 成的抽頭來確定的預測值被代入表達式(1)中，根據表達式(5)來計算表達式(1)的誤差 項的所有樣本的平方和。
N 。 NE= Z (tj—yj)2-…'(5) i=1 i=i 然后，按以下方式來計算回歸系數，利用該回歸系數，表達式(5)的誤差項的所有 樣本的平方和E最小化。 w = (SW)-^"t) ... (6) 表達式(6)中的S(xx)和S(xt)是一個矩陣和一個向量，學生圖像和教師圖像的方差
和協(xié)方差分別是它們的元素，每個元素可以根據表達式(7)來確定。
<formula>formula see original document page 9</formula><formula>formula see original document page 9</formula>
<formula>formula see original document page 9</formula>
^和；分別是學生圖像和教師圖像的均值，可以基于以下表達式(8)來表示。


<formula>formula see original document page 9</formula>
此外，可以利用表達式(6)按表達式(9)中所示來確定表達式(2)的偏移參數w。。 w0 = t_wTx (9)
對于表達式(2)中的常數項——偏移參數w。，也有可能不被包含在其中。 按上述方式獲得的系數w是一個向量，它的元素個數與上述的抽頭的元素個數相 由回歸系數學習裝置21獲得的系數w是在預測通過回歸預測而具有更高質量的圖像 的像素值的計算過程中所使用的系數，將被稱為回歸系數w。偏移參數w。在廣義上被認為
-種回歸系數，視需要與回歸系數w相關聯(lián)地存儲。
例如，如圖2所示，在僅使用從學生圖像獲得的線性特征量來形成抽頭的情況下，
抽頭的元素個數是25，回歸系數w的向量的元素個數也是25。此外，如果基于表達式(3)獲
得的在關注像素周圍的像素值的水平微分絕對值和垂直微分絕對值作為非線性特征量被
添加到如圖2所示從學生圖像獲得的線性特征量，若它被用作抽頭，則抽頭的元素個數是
75 ( = 25+25+25)。因此，回歸系數w的向量的元素個數是75。此外，如果基于表達式(4)
獲得的在關注像素周圍的像素值的最大值和最小值、以及水平微分絕對值的最大值和垂直
微分絕對值的最大值作為非線性特征量被添加到線性特征量，若它被用作抽頭，則抽頭的
元素個數是79( = 25+25+25+2+2)。這樣，回歸系數w的向量的元素個數是79。 回來參考圖1，回歸系數學習裝置21獲得的回歸系數w被存儲在回歸系數存儲單
元22中。 回歸預測單元23從構成學生圖像的多個像素中設置一個預定的像素作為關注像 素。然后，回歸預測單元23獲得由關注像素及周圍像素值(如前面參考圖2所述)組成 的抽頭；由圖2的關注像素及周圍像素值、以及基于表達式(3)確定的在關注像素周圍的像 素值的水平微分絕對值和垂直微分絕對值組成的抽頭；以及由圖2的關注像素及周圍像素 的值、基于表達式(3)確定的在關注像素周圍的像素值的水平微分絕對值和垂直微分絕對 值、基于表達式(4)確定的在關注像素周圍的像素值的最大值和最小值、以及水平微分絕 對值的最大值和垂直微分絕對值的最大值組成的抽頭。 回歸預測單元23將抽頭和回歸系數w(視需要包括偏移參數w。)代入表達式(2) 中，并計算預測值yi。 標記單元24比較回歸預測單元23計算出的預測值yi和作為教師圖像的像素值
的真實值ti。例如，標記單元24將預測值yi大于或等于真實值ti的關注像素標記為判別
類A，將預測值yi小于真實值ti的關注像素標記為判別類B。也就是說，基于回歸預測單元
23的計算結果，標記單元24將學生圖像的每個像素分類成判別類A或判別類B。 圖5是圖示標記單元24的處理的直方圖。圖5的水平軸表示從預測值yi減去真
實值ti得到的差值，垂直軸表示獲得差值的相對樣本頻率(教師圖像的像素和學生圖像的
像素的組合)。 如圖5所示，回歸預測單元23的計算結果是，從預測值yi減去真實值ti得到的差 值變?yōu)?的樣本頻率最高。在差值為0的情況下，回歸預測單元23已計算出準確的預測值 (=真實值)，并且已恰當地完成了高質量圖像形成處理。也就是說，由于回歸系數學習裝 置21已學習得到了回歸系數w，所以基于表達式(2)計算出準確的預測值的概率較高。
然而，對于差值不等于0的樣本，還沒有實現準確的回歸預測。在該情況下，我們 認為還有學習更合適的回歸系數w的空間。 在本發(fā)明的該實施例中，例如，認為如果將目標僅定在預測值yi大于或等于真實 值ti的關注像素來學習回歸系數w，那么對于這些關注像素可以學習得到更準確的回歸系 數w。另外，認為如果將目標僅定在預測值yi小于真實值ti的關注像素來學習回歸系數w， 那么對于這些關注像素可以學習得到更準確的回歸系數w。為此，基于回歸預測單元23的 計算結果，標記單元24將學生圖像的每個像素分類成判別類A或判別類B。
此后，判別系數學習裝置25的處理允許學習用于預測計算的系數，以基于學生圖 像的像素值將每個像素分類成判別類A或判別類B。也就是說，在本發(fā)明的實施例中，即使真實值不清楚，也可以基于輸入圖像的像素值將每個像素分類成成判別類A或判別類B。
至此已經描述了標記單元24標記學生圖像的每個像素。標記的單位滿足以下條 件對于與真實值ti(準確地說是教師圖像的像素值)對應的學生圖像的每個抽頭(包含 關注像素周圍的像素值和非線性特征量的向量)， 一個接一個地進行標記。
這里已描述了一個例子，其中預測值yi大于或等于真實值ti的關注像素以及預測 值yi小于真實值ti的關注像素被判別和標記。可替代地，可以通過另一種方法來進行標 記。例如，預測值yi和真實值ti間的微分絕對值變得小于預設閾值的關注像素可被標記為 判別類A，預測值yi和真實值ti間的微分絕對值變得大于或等于預設閾值的關注像素可被 標記為判別類B。此外，可以利用除此以外的方法將關注像素標記為判別類A或判別類B。 下面將給出一個例子，其中預測值yi大于或等于真實值ti的關注像素以及預測值yi小于 真實值ti的關注像素被判別和標記。 回來參考圖l，判別系數學習裝置25從構成學生圖像的像素中設置一個預定的像 素作為關注像素。然后，判別系數學習裝置25學習用于計算預測值的系數，該預測值用于 利用例如最小平方法基于學生圖像的關注像素和周圍像素的值來判斷判別類A和判別類 B。 在判別系數的學習過程中，假定根據表達式(10)確定用于基于學生圖像的關注 像素和周圍像素的值來判斷判別類A和判別類B的預測值yi。
M yj = z0+Z ZjXj j = z0+zTXj ... (10) 其中，Xi = (Xu， xi2， …，xiM)T， z = (z丄，z2， ...，zM)T。 zt代表被表示為矩陣行列式的轉置矩陣。z。是偏移參數并且是一個常數項。M的 值對應于抽頭的元素個數。 與表達式(2)的情況類似，在表達式(10)中，用作參數的Xi將被稱為抽頭。學習 判別系數時的抽頭與學習回歸系數時的抽頭相同。也就是說，該抽頭是如前面已參考圖2 描述的、由關注像素和周圍像素的值構成的抽頭；由圖2的關注像素和周圍像素的值、以及 基于表達式(3)確定的關注像素周圍的像素值的水平微分絕對值和垂直微分絕對值構成 的抽頭；或者由圖2的關注像素和周圍像素的值、基于表達式(3)確定的關注像素周圍的像 素值的水平微分絕對值和垂直微分絕對值、基于表達式(4)確定的關注像素周圍的像素值 中的最大值和最小值、水平微分絕對值的最大值和垂直微分絕對值的最大值構成的抽頭。
判別系數學習裝置25學習表達式(10)的系數z和偏移參數z。，并將它們存儲在 判別系數存儲單元26中。 在利用最小平方法來學習判別預測計算表達式的系數的情況下，利用以上述方式 構成的抽頭來確定的預測值被帶入表達式(1)中，根據表達式(11)來計算表達式(1)的誤 差項的所有樣本的平方和。z = (s(AB)r( A)- B)) ... m) 表達式(11)的S(AB)是將基于表達式(12)確定的值作為元素的矩陣。
闊￡(AB) — (N廠"Sff,-"Sfk) …(i2)
ii
其中(j， k = 1，2，…，M)。 表達式(12)的^和Ne分別表示屬于判別類A和判別類B的樣本的總數。 此外，表達式(12)的S/和S/分別表示利用屬于判別類A和判別類B的樣本(抽
頭)確定的方差值和協(xié)方差值，并且基于表達式(13)來確定。
，jk
k
N廣l
x
(A)
—1
(A) (A)、
xik xk ;
03) 其中(j， k = 1，2，…，M)，并且；j00和^⑧分別是利用屬于判別類A和判別類B的樣本確定的均值，并且可基于表達式(14)獲得。
Xj —
Xj —
丄
1
NB
其中(j，k =
Z x
Z X
=1，2，
(A)
u
(B)i j
(14)
M)，
x(A)=
〔x1 ，x2 ，
，XM ;
又(B) 二 (又(B)又(B)
，XM ;
, , ,1 '八2 ,。
表達式(10)的偏移參數z。可以利用表達式(11)、如表達式(15)所示來確定'—1
(15)
乙o一 2、 ，
也有可能不包含偏移參數z。，即表達式(15)中的常數項。
按上述方式得到的系數z是與抽頭具有相同元素個數的向量。由判別系數學習裝置25獲得的系數z是用于預測預定的關注像素屬于判別類A還是判別類B的計算的系數，將被稱為判別系數z。偏移參數z。被認為是廣義上的判別系數，并視需要與判別系數z相關聯(lián)地進行存儲。 例如，如圖2所示，在抽頭是由從學生圖像獲得的線性特征量構成的情況下，抽頭
的元素個數是25，判別系數z的向量的元素個數是25。此外，在除了如圖2所示從學生圖像
獲得的線性特征量外，還加入基于表達式(3)獲得的、關注像素周圍的像素值的水平微分
絕對值和垂直微分絕對值作為非線性特征量，以此作為抽頭的情況下，抽頭的元素個數是
75 ( = 25+25+25)。因此，判別系數z的向量的元素個數也是75。此外，在基于表達式(4)
獲得的關注像素周圍的像素值中的最大值和最小值、水平微分絕對值的最大值和垂直微分
絕對值的最大值作為非線性特征量被添加到線性特征量，以此作為抽頭的情況下，抽頭的
元素個數是79 ( = 25+25+25+2+2)。這樣，判別系數z的向量的元素個數也是79。 預測單元27使用按上述方式學習到的系數z來計算預測值，從而可以確定學生圖
像的關注像素屬于判別類A和判別類B中的哪一個。判別預測單元27將抽頭和判別系數
z(在必要時包括偏移參數z。)代入表達式(10)并計算預測值yi。 然后，作為判別預測單元27的計算結果，預測值yi大于或等于0的抽頭的關注像
12素可被估計為屬于判別類A的像素，預測值yi小于0的抽頭的關注像素可被估計為屬于判別類B的像素。 然而，使用判別預測單元27的計算結果的估計不一定是真實的。也就是說，通過將抽頭和判別系數z代入表達式(10)計算出的預測值yi是從學生圖像的像素值預測出的結果，而與教師圖像的像素值(真實值)無關。結果，在實踐中，存在屬于判別類A的像素被估計為屬于判別類B的像素、或者屬于判別類B的像素被估計為屬于判別類A的像素的情況。 因此，在本發(fā)明的該實施例中，通過使判別系數被反復地學習，就可以實現準確性更高的預測。 也就是說，基于判別預測單元27的預測結果，分類單元28將構成學生圖像的每個像素劃分成屬于判別類A的像素和屬于判別類B的像素。 然后，類似于上述情況，回歸系數學習裝置21通過將目標僅定為分類單元28確定屬于判別類A的像素，來學習回歸系數w，并將回歸系數w存儲在回歸系數存儲單元22中。類似于上述情況，回歸預測單元23通過將目標僅定為分類單元28確定屬于判別類A的像素，通過回歸預測來計算預測值。 通過比較按上述方式獲得的預測值和真實值，標記單元24進一步將分類單元28確定屬于判別類A的像素標記為判別類A或判別類B。 此外，類似于上述情況，回歸系數學習裝置21通過將目標僅定為分類單元28確定屬于判別類B的像素，來學習回歸系數w。類似于上述情況，回歸預測單元23通過將目標僅定為分類單元28確定屬于判別類B的像素，通過回歸預測來計算預測值。
通過按上述方式比較獲得的預測值和真實值，標記單元24進一步將分類單元28確定屬于判別類B的像素標記為判別類A或判別類B。 也就是說，學生圖像的像素被劃分成四組。第一組被設為被分類單元28確定屬于判別類A且被標記單元24標記為判別類A的一組像素。第二組被設為被分類單元28確定屬于判別類A且被標記單元24標記為判別類B的一組像素。第三組被設為被分類單元28確定屬于判別類B且被標記單元24標記為判別類A的一組像素。第四組被設為被分類單元28確定屬于判別類B且被標記單元24標記為判別類B的一組像素。
此后，基于上述四組中的第一組和第二組，判別系數學習裝置25類似于上述情況地再次學習判別系數z。此時，例如，表達式(12)的NA和Ne分別表示第一組的像素(樣本)的總數和第二組的像素(樣本)的總數。此外，基于四組中的第三組和第四組，判別系數學習裝置25再次學習判別系數z。此時，例如，表達式(12)的^和&分別表示第三組的像素(樣本)的總數和第四組的像素(樣本)的總數。 圖6和7是圖示按迭代方式進行的學習判別系數的過程的示意圖。
圖6顯示了一個代表學生圖像的每個抽頭的空間，在該空間中沿水平軸繪制抽頭值l，沿垂直軸繪制抽頭值2，這些抽頭值是從學生圖像獲得的。也就是說，在圖6中，為簡化描述，假定抽頭的元素個數等于2時存在于學生圖像中的所有抽頭被表示在一個二維空間中。因此，在圖6中，假定抽頭是由2個元素構成的向量。 圖6中所示的圓圈71代表與標記單元24最初標記為判別類A的像素相對應的一組抽頭。圓圈72代表與標記單元24最初標記為判別類B的像素相對應的一組抽頭。在圓圈71中顯示的符號73代表包含在圓圈71中的抽頭的元素值的均值的位置。在圓圈72中顯示的符號74代表包含在圓圈72中的抽頭的元素值的均值的位置。 如圖6所示，圓圈71和圓圈72相互重疊。因此，僅基于從學生圖像獲得的抽頭的元素值，可能無法從與被標記為判別類B的像素相對應的抽頭中準確地判別出與被標記為判別類A的像素相對應的抽頭。 然而，基于符號73和74來識別出一個用于判別兩類的邊界線75還是大致可以的。這里，識別邊界線75的過程對應于判別預測單元27的判別預測處理，在判別預測單元27中使用由判別系數學習裝置25執(zhí)行首次學習獲得的判別系數z。位于邊界線75中的抽頭是基于表達式(10)計算出的預測值yi變?yōu)?的抽頭。 為了識別圖中位于邊界線75右側的一組抽頭，分類單元28將類碼位1賦予對應于這些抽頭的像素。此外，為了識別圖中位于邊界線75左側的一組抽頭，分類單元28將類碼位0賦予對應于這些抽頭的像素。 首次學習獲得的判別系數z與代表用于判別預測的判別系數的代碼相關聯(lián)，并被存儲在圖1的判別系數存儲單元26中。此外，僅基于經過首次判別預測而被賦予類碼位1的像素，回歸系數w被再次學習，并且執(zhí)行回歸預測。以類似的方式，根據首次判別預測的結果，僅基于被賦予類碼位0的像素來再次學習回歸系數w，并且執(zhí)行回歸預測。
然后，基于已被賦予類碼位1的像素組和已被賦予類碼位O的像素組，重復判別系數的學習過程。結果，已被賦予類碼位1的像素組被進一步劃分成兩部分，已被賦予類碼位0的像素組也被進一步劃分成兩部分。此時的劃分是通過判別預測單元27使用由判別系數學習裝置25執(zhí)行第二次學習獲得的判別系數z的判別預測而進行的。
第二次學習獲得的判別系數z與代表用于第二次判別預測的判別系數的代碼相關聯(lián)，并被存儲在圖1的判別系數存儲單元26中。第二次學習獲得的判別系數z被用于通過將目標定為經過首次判別預測已被賦予類碼位1的一組像素和經過首次判別預測已被賦予類碼位0的一組像素而進行的判別預測。因此，判別系數z與代表哪一組像素被定為目標用于判別預測的代碼相關聯(lián)，并被存儲在圖1的判別系數存儲單元26中。也就是說，用于第二次判別預測的兩種類型的判別系數z都被存儲。 此外，根據首次和第二次判別預測的結果，僅基于已被賦予類碼位11的像素來再次學習回歸系數w，并且執(zhí)行回歸預測。以類似的方式，根據首次和第二次判別預測的結果，僅基于已被賦予類碼位10的像素來再次學習回歸系數w，并且執(zhí)行回歸預測。此外，根據首次和第二次判別預測的結果，僅基于已被賦予類碼位Ol的像素來再次學習回歸系數w。然后，僅基于已被賦予類碼位00的像素來再次學習回歸系數w，并且執(zhí)行回歸預測。
通過重復上述處理，圖6中所示的空間被劃分成多個部分，如圖7所示。
與圖6類似，圖7顯示了學生圖像的抽頭，其中沿水平軸繪制抽頭值1，沿垂直軸繪制抽頭值2。圖7顯示了在判別系數學習裝置25已按迭代方式學習判別系數三次的情況下的例子。也就是說，使用首次學習獲得的判別系數z的判別預測允許識別出邊界線75，使用第二次學習獲得的判別系數z的判別預測允許識別出邊界線76-1和76-2。使用第三次學習獲得的判別系數z的判別預測允許識別出邊界線77-1至77-4。 圖1的分類單元28賦予第一位的類碼位用于識別通過邊界線75劃分的抽頭組，賦予第二位的類碼位用于識別通過邊界線76-1和76-2劃分的抽頭組，并且賦予第三位的類碼位用于識別通過邊界線77-1至77-4劃分的抽頭組。 因此，如圖7所示，抽頭被劃分(分類)成8類，即類號C0至C7，這些類號基于三位類碼來識別。 在如圖7所示進行分類的情況下，用于首次判別預測的一類判別系數z被存儲在圖1的判別系數存儲單元26中，用于第二次判別預測的兩類判別系數z被存儲在判別系數存儲單元26中，用于第三次判別預測的四類判別系數z被存儲在判別系數存儲單元26中。
此外，在如圖7所示進行分類的情況下，分別對應于類號CO至C7的8種類型的回歸系數w被存儲在圖1的回歸系數存儲單元22中。這里，分別對應于類號CO至C7的8種類型的回歸系數w使用在第三次判別預測后被分類到類號C0至C7每一個中的學生圖像的關注像素的抽頭以及對應于該關注像素的教師圖像的像素值作為樣本，并且對于每個類號再次進行回歸系數的學習并進行存儲。 如上所述，如果使用學生圖像和教師圖像預先學習得到判別系數z，并且以迭代的方式對輸入圖像重復進行判別預測，就可以將輸入圖像的像素分類成8個類，即類號CO至C7。然后，如果使用與被分類成8類的像素相對應的抽頭以及對應于每一類的回歸系數w來執(zhí)行回歸預測，就可以實現適當的高質量的圖像形成處理。 圖8圖示了在使用二叉樹結構對輸入圖像執(zhí)行分類的情況下如圖7所示的例子。輸入圖像的像素被分類成通過首次判別預測已被賦予第一位的類碼位1或0的像素。假定此時用于判別預測的判別系數z已在圖1的判別系數存儲單元26中被存儲為對應于迭代碼l的判別系數z。 已被賦予第一位的類碼位1的像素被進一步分類成被賦予第二位的類碼位1或0的像素。假定此時用于判別預測的判別系數z已在圖1的判別系數存儲單元26中被存儲為對應于迭代碼21的判別系數z。以類似的方式，已被賦予第一位的類碼位0的像素被進一步分類成被賦予第二位的類碼位1或0的像素。假定此時用于判別預測的判別系數z已在圖1的判別系數存儲單元26被存儲為對應于迭代碼22的判別系數z。
已被賦予第一和第二位的類碼位11的像素被進一步分類成被賦予第三位的類碼位1或0的像素。假定此時用于判別預測的判別系數z已在圖1的判別系數存儲單元26被存儲為對應于迭代碼31的判別系數z。已被賦予第一和第二位的類碼位10的像素被進一步分類成被賦予第三位的類碼位1或0的像素。假定此時用于判別預測的判別系數z已在圖1的判別系數存儲單元26被存儲為對應于迭代碼32的判別系數z。
以類似的方式，已被賦予第一和第二位的類碼位01或00的像素被進一步分類成被賦予第三位的類碼位1或0的像素。然后，假定對應于迭代碼33或34的判別系數z已被存儲在圖1的判別系數存儲單元26。 如上所述，在以迭代方式執(zhí)行三次判別后，給輸入圖像的每個像素都設置了由三位構成的類碼，因而識別出類號。然后，與識別出的類號相對應的回歸系數w也被識別。
在這個例子中，類碼位按迭代次數降序從高階位到低階位連在一起形成的值對應于一個類號。因此，基于例如表達式(16)識別出與最終類碼相對應的類號Ck。
k = {011}2 = 3 ... (16) 此外，如圖8所示，根據表達式(17)來表示迭代次數p和最終類號Nc之間的關系。
Nc = 2P ... (17)
最終類號Nc等于最終使用的回歸系數w的總數Nm。
判別系數z的總數Nd可按表達式(18)來表示。
<formula>formula see original document page 16</formula>
在使用圖像處理設備(后面描述)的高質量圖像形成處理中的判別預測中，通過自適應地減少迭代次數，就可以實現處理的魯棒性和提速。在這種情況下，由于在圖8的每個分支中使用的回歸系數都變?yōu)楸匾?，所以回歸系數的總數按表達式(19)來表示。
<formula>formula see original document page 16</formula>
這里已經描述了一個例子，其中，主要地，以迭代的方式執(zhí)行三次判別系數的學習，但是迭代的次數可以為1次。即，在完成第一判別系數的學習后，判別系數學習裝置25的判別系數計算和判別預測單元27的判別預測可以不再重復進行。 圖9是示出根據本發(fā)明該實施例的圖像處理設備的配置例子的示意圖。圖9的圖像處理設備100被形成為與圖1的學習設備10相對應的圖像處理設備。也就是說，圖像處理設備100利用學習設備10學習得到的判別系數來確定輸入圖像的每個像素的類。然后，圖像處理設備100利用學習設備10學習得到的判別系數執(zhí)行從輸入圖像得到的抽頭的回歸預測計算，所述判別系數是與所確定的類相對應的回歸系數，并且圖像處理設備100執(zhí)行圖像處理以使輸入圖像具有更高質量。 也就是說，存儲在學習設備10的判別系數存儲單元26中的判別系數z被預先存儲在圖像處理設備100的判別系數存儲單元122中。存儲在學習設備10的回歸系數存儲單元22中的回歸系數被預先存儲在圖像處理設備100的回歸系數存儲單元124中。
圖9的判別預測單元121在輸入圖像中設定關注像素，獲得與該關注像素相對應的抽頭，并且參照表達式(10)來執(zhí)行預測計算。此時，判別預測單元121基于迭代次數和為之執(zhí)行判別預測的像素組來識別迭代碼，并且從判別系數存儲單元122中讀取與迭代碼相對應的判別系數z。 基于判別預測單元121的預測結果，分類單元123賦予關注像素一個類碼位，從而將輸入圖像的像素劃分成兩組。此時，如上所述，例如，基于例如表達式(10)計算出的預測值yi與0進行比較，并且類碼位被賦予關注像素。 經過分類單元123的處理后，判別預測單元121以迭代的方式執(zhí)行判別預測，并且由分類單元123執(zhí)行進一步的劃分。判別預測以迭代的方式被執(zhí)行預設的次數。例如，在按照例如圖7或8所述的方式執(zhí)行三次迭代的判別預測的情況下，輸入圖像被分類成與3位類碼的類號相對應的一組像素。 圖像處理設備100中的判別預測的迭代次數被設置為與學習設備10學習判別系數的迭代次數相同。 分類單元123將用于識別輸入圖像的每個像素的信息輸送到回歸系數存儲單元124中，使得該信息與像素的類號相關聯(lián)。 回歸預測單元125在輸入圖像中設置關注像素，獲得與該關注像素相對應的抽頭，并且參照表達式(2)執(zhí)行預測計算。此時，回歸預測單元125將用于識別關注像素的信息輸送到回歸系數存儲單元124，并且從回歸系數存儲單元124中讀取與關注像素的類號相對應的回歸系數w。 然后，生成輸出圖像，在該輸出圖像中，回歸預測單元125計算得到的預測值被設置為與關注像素相對應的像素值。結果，得到了使輸入圖像具有更高質量的輸出圖像。
如上所述，根據本發(fā)明的該實施例，通過對輸入圖像執(zhí)行判別預測，就可以將構成 輸入圖像的像素(實際上是與關注像素相對應的抽頭)分類成適于高質量圖像形成處理的 類。 在相關技術中，由于執(zhí)行的是使用例如1位ADRC僅基于輸入圖像的局部特征量的
硬編碼分類，所以就鏈接輸入圖像和教師圖像的回歸系數而言它不一定是有效的分類。 與之相比，在本發(fā)明的該實施例中，可以自動地學習到適于高質量圖像形成處理
的適當的分類方法，例如用于從含噪圖像生成去噪圖像的處理、用于從有模糊的圖像生成
無模糊圖像的處理、以及用于從低分辨率圖像生成高分辨率圖像的處理。 此外，在本發(fā)明的該實施例中，通過以迭代方式執(zhí)行判別預測，可以更適當地進行
分類。此外，在以迭代方式執(zhí)行判別預測的處理過程中間，不必生成對輸入圖像的像素值執(zhí)
行處理產生的中間數據等，從而可以加速處理。也就是說，在預測輸出圖像的情況下，對于
任意像素利用最多(P+l)次運算(表達式(2))就可以完成分類和回歸預測，從而使高速處
理成為可能。此外，當要執(zhí)行分類和回歸預測時，不使用抽頭運算的中間數據，總是僅對輸
入進行計算就可完成分類和回歸預測。因此，在具體實施中可以使用流水線結構。 接下來將參考圖10的流程圖來描述判別系數回歸系數學習處理的細節(jié)。該處理
由圖1的學習設備io來執(zhí)行。 在步驟S101中，判別系數學習裝置25識別迭代碼。由于這是首次學習的處理，所 以迭代碼被識別為1。 在步驟S102中，回歸系數學習裝置21、回歸系數存儲單元22、回歸預測單元23和 標記單元24執(zhí)行后面參照圖11描述的標記處理。后面將參照圖11的流程圖來描述圖10 的步驟S102中的標記處理的詳細例子。 在步驟S131中，回歸系數學習裝置21執(zhí)行后面參照圖12描述的回歸系數學習處 理。結果，基于學生圖像的像素值來預測教師圖像的像素值的運算所用的回歸系數w被確 定。 在步驟S132中，回歸預測單元23利用步驟S131的處理所確定的回歸系數w來計 算回歸預測值。此時，例如，執(zhí)行表達式(2)的運算，確定出預測值yi。
在步驟S133中，標記單元24將步驟S132的處理所獲得的預測值yi與真實值ti 進行比較，真實值ti是教師圖像的像素值。 在步驟S134中，基于在步驟S133中的比較結果，標記單元24將關注像素(實際 上是與關注像素相對應的抽頭)標記為判別類A或判別類B。結果，例如，如前面參照圖5 所述，完成了判別類A或判別類B的標記。 通過將要處理的每個像素定為目標來執(zhí)行步驟S132至S134的處理，要處理的像
素是按照對應于迭代碼的方式來確定的。 按照上述方式就完成了標記處理。 下面將參照圖12的流程圖來描述圖11的步驟S131中的回歸系數計算處理的詳 細例子。 在步驟S151中，回歸系數學習裝置21識別與在步驟S101的處理中識別出的迭代 碼相對應的樣本。此時的樣本代表了與學生圖像的關注像素相對應的抽頭和教師圖像中與
17該關注像素相對應的像素的組合。例如，如果迭代碼是1，則這表示首次學習處理的一部分， 因此，通過將學生圖像的所有像素中的每一個設為關注像素來識別樣本。例如，如果迭代碼 是21，則這表示第二次學習處理的一部分。因此，通過將學生圖像的像素當中在首次學習處 理中已被賦予類碼位1的每個像素設為關注像素來識別樣本。例如，如果迭代碼是34，則這 表示第三次學習處理的一部分。因此，通過將學生圖像的像素當中在首次學習處理中已被 賦予類碼位0且在第二次學習處理中已被賦予類碼位0的每個像素設為關注像素來識別樣 本。 在步驟S152中，回歸系數學習裝置21匯總(add up)在步驟S151的處理中識別 出的樣本。此時，例如，樣本的抽頭和教師圖像的像素值被匯總到表達式(1)中。
在步驟S153中，回歸系數學習裝置21判斷是否所有的樣本都已被加進來。步驟 S152的處理重復執(zhí)行，直到確定所有的樣本都已被加進來。 在步驟S154中，回歸系數學習裝置21通過表達式(6)_(9)的運算來計算回歸系 數w。 按照上述方式就完成了回歸系數計算處理。 結果，圖10的步驟S102的標記處理完成。處理接著前進到圖10的步驟S103的 判別系數計算處理。 在步驟S103中，判別系數學習裝置25執(zhí)行判別系數計算處理，這將在后面參照圖 13來描述。后面將參照圖13的流程圖來描述圖10的步驟S103中的判別系數計算處理的 詳細例子。 在步驟S171中，判別系數學習裝置25識別與在步驟S101的處理中識別出的迭代 碼相對應的樣本。此時的樣本代表了與學生圖像的關注像素相對應的抽頭以及該關注像素 被標記為判別類A還是判別類B的標記結果的組合。例如，如果迭代碼為1，由于這表示首 次學習處理，所以通過將學生圖像的所有像素中的每一個設為關注像素來識別樣本。例如， 如果迭代碼是21，由于這表示第二次學習處理的一部分，所以通過將學生圖像的像素當中 在首次學習處理中已被賦予類碼位1的每個像素設為關注像素來識別樣本。例如，如果迭 代碼是34，由于這表示第三次學習處理的一部分，所以通過將學生圖像的像素當中在首次 學習處理中已被賦予類碼位0且在第二次學習處理中已被賦予類碼位0的每個像素設為關 注像素來識別樣本。 在步驟S172中，判別系數學習裝置25匯總在步驟S171的處理中識別出的樣本。 此時，例如，樣本的抽頭和基于標記為判別類A還是判別類B的結果的數值被匯總到表達式 (11)中。 在步驟S173中，判別系數學習裝置25判斷是否所有的樣本都已被加進來。步驟 S172的處理重復執(zhí)行，直到確定所有的樣本都已被加進來。 在步驟S174中，判別系數學習裝置25利用表達式(12)至(15)的運算導出判別 系數z。 按照上述方式就完成了判別系數計算處理。 回頭參考圖IO，在步驟S104中，回歸預測單元23利用步驟S103的處理所確定的 系數z和從學生圖像獲得的抽頭來計算判別預測值。此時，例如，執(zhí)行表達式(10)的運算， 確定預測值(判別預測值)yi。
在步驟S105中，分類單元28判斷步驟S104的處理所確定的判別預測值是否大于 或等于0。 當在步驟S105中判斷判別預測值大于或等于0時，處理前進到步驟S106，類碼位
1被設置給關注像素(實際上為抽頭)。另一方面，當在步驟S105中判斷判別預測值小于
0時，處理前進到步驟S107，類碼位0被設置給關注像素(實際上為抽頭)。 通過將要處理的每個像素定為目標來執(zhí)行步驟S104至S107的處理，要處理的像
素是按照對應于迭代碼的方式來確定的。 在步驟S106或S107的處理后，處理前進到步驟S108，此時判別系數存儲單元26 將在步驟S103的處理中所確定的判別系數z存儲起來，與在步驟S101中識別的迭代碼相 關聯(lián)。 在步驟S109中，學習設備10判斷迭代是否已結束。例如，在已經預設要執(zhí)行三次
迭代來進行學習的情況下，判定迭代尚未結束。處理然后返回到步驟SlOl。 接著，在步驟SIOI中，再次識別迭代碼。由于該情況是第二次學習的第一項處理，
所以迭代碼被識別為21。 然后，以類似的方式，執(zhí)行步驟S102至S108的處理。此時，如上所述，在步驟S102 的處理以及步驟S103的處理中，通過將學生圖像的像素當中在首次學習的處理中已被賦 予類碼位1的每個像素設為關注像素，來識別樣本。
然后，在步驟S109中判斷迭代是否已結束。 按照上述方式，重復執(zhí)行步驟S101至S108的處理，直到在步驟S109中判定迭代
已結束。在要執(zhí)行三次迭代來進行學習的情況下，在步驟SIOI中迭代碼被識別為34。此
后，執(zhí)行步驟S102至S108的處理，并且在步驟S109中判定迭代已結束。 按照這種方式，如前面參考圖8所述，重復執(zhí)行步驟S101至S109的處理的結果就
是，七種類型的判別系數z與迭代碼相關聯(lián)地被存儲在判別系數存儲單元26中。 當在步驟S109中判定迭代已結束時，處理前進到步驟SllO。 在步驟S110中，回歸系數學習裝置21執(zhí)行回歸系數學習處理。由于該處理與前 面參考圖12的流程圖所描述的相同，所以省略詳細的描述。在該情況下，在步驟S151中， 對應于迭代碼的樣本不被識別，但對應于每個類號的樣本被識別。 也就是說，如前面參考圖8所述，重復執(zhí)行步驟S101至S109的處理就是，學生圖 像的每個像素被分類成類號CO至C7之一。因此，通過將學生圖像中類號為C0的每個像 素設為關注像素來識別樣本，并且計算出第一回歸系數w。此外，通過將學生圖像中類號為 Cl的像素設為關注像素來識別樣本，并且計算出第二回歸系數w ;通過將學生圖像中類號為C2的像素設為關注像素來識別樣本，并且計算出第三回歸系數w ;......通過將學生圖
像中類號為C7的像素設為關注像素來識別樣本，并且計算出第八回歸系數w。 也就是說，在步驟S110的回歸系數計算處理中，確定出分別對應于類號C0至C7
的八種類型的回歸系數w。 在步驟Slll中，回歸系數存儲單元22將步驟S110的處理所確定的八種類型的回
歸系數w中的每一個與類號相關聯(lián)地存儲起來。 按照上述方式就完成了判別回歸系數學習處理。 這里已描述了一個例子，其中主要地通過執(zhí)行三次迭代來進行判別系數的學習，但是迭代次數可以為1。即，在完成判別系數的首次學習后，可以不再重復進行判別系數學 習裝置25的判別系數z的計算或者判別預測單元27的判別預測。 接下來將參考圖14的流程圖來描述判別回歸預測處理的例子。該處理由圖9的 圖像處理設備100來執(zhí)行。此外，可認為在執(zhí)行該處理之前，存儲在判別系數存儲單元26 中的七種類型的判別系數z以及存儲在回歸系數存儲單元22中的八種類型的回歸系數w 通過圖10的判別回歸系數學習處理被分別存儲在圖像處理設備100的判別系數存儲單元 122和回歸系數存儲單元124中。 在步驟S191中，判別預測單元121識別迭代碼。由于該情況是首次判別處理，所 以迭代碼被識別為1。 在步驟S192中，判別預測單元121執(zhí)行判別處理，這將隨后參考圖15來描述。下 面將參考圖15的流程圖來描述圖14的步驟S192中的判別處理的詳細例子。
在步驟S211中，判別預測單元121設置對應于迭代碼的關注像素。例如，如果迭 代碼為l，那么由于該情況是首次判別處理，所以輸入圖像的全部像素中的每一個都被設為 關注像素。例如，如果迭代碼為21，那么由于這表示第二次判別處理的一部分，所以輸入圖 像的像素當中在首次判別處理中已被賦予類碼位l的每個像素被設為關注像素。例如，如 果迭代碼為34，這表示第三次判別處理的一部分，在首次判別處理中已被賦予類碼位0且 在第二次判別處理中已被賦予類碼位0的每個像素被設為關注像素。 在步驟S212中，判別預測單元121獲得與在步驟S211中設置的關注像素相對應 的抽頭。 在步驟S213中，判別預測單元121識別與在步驟S211的處理中所識別的迭代碼 相對應的判別系數z，并且從判別系數存儲單元122中讀取判別系數z。
在步驟S214中，判別預測單元121計算判別預測值。此時，例如，執(zhí)行上述表達式 (10)的運算。 在步驟S215中，基于在步驟S214的處理中計算出的判別預測值，分類單元123設 置(賦予)類碼位給關注像素。此時，如上所述，例如，基于表達式(10)計算出的預測值yi 的值與0進行比較，將類碼位賦予關注像素。 通過將要處理的每個像素定為目標來執(zhí)行步驟S211至S215的處理，以對應于迭 代碼的方式來確定定為目標的像素。
按照上述方式就完成了判別處理。 重新參考圖14，在步驟S192的處理之后，在步驟S193中，判別預測單元121判斷 迭代是否結束。例如，在已經預設要執(zhí)行三次迭代來進行學習的情況下，判定迭代尚未結 束，處理接著返回到步驟S191。 此后，在步驟S191中，迭代碼被識別為21，并且類似地執(zhí)行步驟S192的處理。此 時，如上所述，在步驟S192的處理中，輸入圖像的像素當中在首次識別處理中已被賦予迭 代碼1的每個像素被設為關注像素。
然后，在步驟S193中，判斷迭代是否已結束。 如上所述，重復執(zhí)行步驟S191至S193的處理，直到在步驟S193中判定迭代已結 束為止。在已經預設要執(zhí)行三次迭代來完成學習的情況下，在步驟S191中，迭代碼被識別 為34。此后，執(zhí)行步驟S192的處理，并且在步驟S193中判定迭代已結束。
當在步驟S193中判定迭代已結束時，處理前進到步驟S194。到此為止的處理結果 是，如前面參考圖7或8所述，輸入圖像已被分類成與3位類碼的類號相對應的一組像素。 此外，如上所述，分類單元123將用于識別輸入圖像的每個像素的信息提供給回歸系數存 儲單元124，像素的類號與該信息相關聯(lián)。 在步驟S194中，回歸預測單元125設置輸入圖像中的關注像素。
在步驟S196中，回歸預測單元125將用于識別在步驟S194中設置的關注像素的 信息提供給回歸系數存儲單元124，識別與關注像素的類號相對應的回歸系數w，并且從回 歸系數存儲單元124中讀取它。 在步驟S197中，回歸預測單元125利用在步驟S195中獲得的抽頭和在步驟S196
中識別和讀取的回歸系數w來執(zhí)行表達式(2)的運算，從而計算出回歸預測值。 通過將輸入圖像的每個像素定為目標來執(zhí)行步驟S191至S197的處理。 然后，生成輸出圖像，在該輸出圖像中通過回歸預測單元125的計算獲得的預測
值是與關注像素相對應的像素的值。結果，獲得了使輸入圖像具有更高質量的輸出圖像。 按照上述方式完成了判別預測處理。結果就可以更有效率地、更快速地執(zhí)行高質
量圖像形成處理。 圖16圖示了利用根據本發(fā)明實施例的學習設備IO和圖像處理設備100來進行的 高質量圖像形成處理的優(yōu)點。在圖16中，沿水平軸繪制判別系數的學習以及判別預測的迭 代次數，沿垂直軸繪制S/N比。圖16示出通過使根據本發(fā)明的實施例的圖像處理設備100 或者現有技術的圖像處理設備對添加有噪聲的輸入圖像執(zhí)行圖像處理所獲得的圖像的特 性。在圖16中用三角符號繪出的點表示根據本發(fā)明實施例的圖像處理設備100執(zhí)行圖像 處理所獲得的圖像的特性。用菱形符號繪出的點表示現有技術的圖像處理設備執(zhí)行圖像處 理所獲得的圖像的特性。 這里，現有技術的圖像處理設備所執(zhí)行的圖像處理是通過利用圖17中所示的類 抽頭執(zhí)行的分類自適應處理實現的圖像處理。也就是說，現有技術的圖像處理設備所執(zhí)行 的圖像處理是這樣的對于輸入圖像，在圖17中用陰影圓圈表示的像素被設為關注像素， 基于9個(3X3 = 9)像素的像素值的1位ADRC碼被計算，并且對于每個1位ADRC碼執(zhí) 行分類。采用分類自適應處理的現有技術的圖像處理例如已在日本未審查專利申請公開 No. 7-79418中詳細公開。 在獲得圖17中所示的類抽頭并且執(zhí)行現有技術的基于分類自適應處理的圖像處 理的情況下，輸入圖像的每個像素被分類到512 ( = 29)個類之一中。在根據本發(fā)明實施例 的學習設備10中，在通過執(zhí)行九次迭代來進行判別系數學習的情況下，輸入圖像的每個像 素都被分類到512個類之一中。結果，在圖17中，已由現有技術的圖像處理設備執(zhí)行圖像 處理的圖像的特性值被寫在與根據本發(fā)明實施例的圖像處理設備100所執(zhí)行的圖像處理 的九次迭代相對應的位置處。實際上，現有技術的圖像處理設備執(zhí)行的圖像處理的迭代次 數只是1 (在現有技術的采用分類自適應處理的圖像處理中，不是從剛開始就進行迭代)。
此外，在根據本發(fā)明的實施例的圖像處理設備100中，圖2中所示的線性特征量加 上基于表達式(3)獲得的在關注像素周圍的像素值的水平微分絕對值和垂直微分絕對值 以及基于表達式(4)獲得的關注像素周圍的像素值的最大值和最小值、水平微分絕對值的 最大值和垂直微分絕對值的最大值作為非線性特征量后被設為抽頭。在根據本發(fā)明的實施例的圖像處理設備100中，在迭代次數p的值被設為9的情況下，基于表達式(20)來表示 判別系數z的類型數Nd和回歸系數w的類型數Nm。
Nd = 2p_l = 511 …(20) Nm = 2P = 512 在圖16中，含有正態(tài)隨機數噪聲(o =10. 0)的輸入圖像分別受到根據本發(fā)明實 施例的圖像處理設備IOO和現有技術的圖像處理設備的高質量圖像形成處理。為了估算圖 16的S/N比值，使用表達式(21)。
S/N[dB] =20 log10
255 x
丄 7
(21) 如圖16所示，與現有技術的方法相比，關于已執(zhí)行本發(fā)明的圖像處理的圖像的特 性，S/N比值提高了大約ldB。 圖18也圖示了使用根據本發(fā)明實施例的學習設備IO和圖像處理設備100的高質 量圖像形成處理的優(yōu)點。 與圖16的情況類似，在圖18中，沿水平軸繪制判別系數的學習和判別預測的迭代 次數，沿垂直軸繪制S/N比。圖18示出由根據本發(fā)明實施例的圖像處理設備100或者現有 技術的圖像處理設備對添加有噪聲的輸入圖像執(zhí)行圖像處理所獲得的圖像的特性。在圖18 中使用三角符號繪制的點表示由根據本發(fā)明實施例的圖像處理設備100執(zhí)行圖像處理所 獲得的圖像的特性。在圖18中使用菱形符號繪制的點表示由現有技術的圖像處理設備執(zhí) 行圖像處理所獲得的圖像的特性。 這里，現有技術的圖像處理設備的圖像處理與參照圖17所描述的情況相同。此 外，在根據本發(fā)明實施例的圖像處理設備100中，與圖16的情況相同的元素被用作抽頭。
在圖18中，含有等分布形式的空間模糊惡化(o = 1. 5)的輸入圖像分別受到根 據本發(fā)明實施例的圖像處理設備100以及現有技術的圖像處理設備的高質量圖像形成處 理。為了估算圖18中的S/N比值，使用表達式(21)。 如圖18所示，與現有技術的方法相比，關于已執(zhí)行本發(fā)明的圖像處理的圖像的特 性，S/N比值提高大約0. 5dB。 圖19也圖示了使用根據本發(fā)明實施例的學習設備IO和圖像處理設備100的高質 量圖像形成處理的優(yōu)點。 與圖16的情況類似，在圖19中，沿水平軸繪制判別系數的學習和判別預測的迭代 次數，沿垂直軸繪制S/N比。圖19示出由根據本發(fā)明實施例的圖像處理設備100或者現有 技術的圖像處理設備對添加有噪聲的輸入圖像執(zhí)行圖像處理所獲得的圖像的特性。在圖19 中使用三角符號繪制的點表示由根據本發(fā)明實施例的圖像處理設備100執(zhí)行圖像處理所 獲得的圖像的特性。在圖19中使用菱形符號繪制的點表示由現有技術的圖像處理設備執(zhí) 行圖像處理所獲得的圖像的特性。 這里，現有技術的圖像處理設備的圖像處理與參照圖17所描述的情況相同。此
22外，在根據本發(fā)明實施例的圖像處理設備100中，與圖16的情況相同的元素被用作抽頭。
在圖19中，在空間方面在水平/垂直方向上縮小至1/3尺寸并且?guī)夯妮斎雸D 像受到根據本發(fā)明實施例的圖像處理設備100以及現有技術的圖像處理設備的高質量圖 像形成處理(在此情況下是用于增大圖像的處理)。即，圖19的例子示出縮小變換惡化的 圖像被放大變換(3X3倍)。為了估算圖19中的S/N比值，使用表達式(21)。
如圖19所示，與現有技術的方法相比，關于已執(zhí)行本發(fā)明的圖像處理的圖像的特 性，S/N比值提高大約0. 2dB。 如圖16、18和19所示，根據本發(fā)明的實施例，就可以比現有技術更有效地執(zhí)行高 質量圖像形成處理。 也就是說，根據本發(fā)明的實施例，在含有正態(tài)隨機數噪聲(o =10. 0)的輸入圖像
的情況、含有等分布形式的空間模糊惡化(o =1.5)的輸入圖像的情況、縮小變換且惡化
的輸入圖像的情況當中的任一情況下，都可以比現有技術的方法更好地實現高質量圖像形
成處理。此外，除了圖16、18和19所示的例子外，還可以將本發(fā)明應用于與使圖像具有更
高質量有關的各種應用程序。例如，本發(fā)明可被應用于與去噪、去編碼失真、去模糊、分辨率
建立、灰度建立、去馬賽克、IP轉換等有關的高質量圖像形成處理的應用程序等。 此外，根據本發(fā)明的實施例，即使在有多種圖像惡化原因的情況下也可以適當地
執(zhí)行高質量圖像形成處理，例如去噪、去編碼失真、去模糊......例如，本發(fā)明可適當地將
高質量圖像形成處理應用于含有噪聲、編碼失真和模糊的圖像的情況。此外，在本發(fā)明的實
施例中，即使在圖像存在上述方式的多種惡化原因的情況下，也可以在不增加元素個數以
及判別系數z和回歸系數w的類型數的情況下適當地執(zhí)行高質量圖像形成處理。 在本發(fā)明的實施例中，如上所述，圖2中所示的線性特征量加上基于表達式(3)獲
得的關注像素周圍的像素值的水平微分絕對值和垂直微分絕對值以及基于表達式(4)獲
得的關注像素周圍的像素值的最大值和最小值、水平微分絕對值的最大值和垂直微分絕對
值的最大值作為非線性特征量后被用作抽頭。下面將參考圖20來描述在使用添加有非線
性特征量的抽頭的情況下高質量圖像形成處理的優(yōu)點。 圖20也示出了使用根據本發(fā)明實施例的學習設備IO和圖像處理設備100的高質 量圖像形成處理的優(yōu)點。 與圖16的情況類似，在圖20中，沿水平軸繪制判別系數的學習和判別預測的迭代 次數，沿垂直軸繪制S/N比。圖20示出由根據本發(fā)明實施例的圖像處理設備100和現有技 術的圖像處理設備對添加有噪聲的輸入圖像執(zhí)行圖像處理所獲得的圖像的特性。在圖20 中使用三角符號繪制的點表示由根據本發(fā)明實施例的圖像處理設備100執(zhí)行圖像處理所 獲得的圖像的特性。在圖20中使用矩形(菱形)符號繪制的點表示由現有技術的圖像處 理設備執(zhí)行圖像處理所獲得的圖像的特性。 這里，現有技術的圖像處理設備的圖像處理與前面參照圖17所描述的情況相同。 此外，在根據本發(fā)明實施例的圖像處理設備100中，與圖16的情況相同的元素被用作抽頭。
在圖20中，含有正態(tài)隨機數噪聲(o = 10.0)的輸入圖像受到根據本發(fā)明實施
例的圖像處理設備ioo和現有技術的圖像處理設備的高質量圖像形成處理。為了估算圖
20的S/N比值，使用表達式(21)。圖20中的虛線表示根據本發(fā)明實施例的圖像處理設備 100僅僅使用從圖2所示的學生圖像獲得的線性特征量來執(zhí)行高質量圖像形成處理所獲得的圖像的特性。此外，圖20的實線表示根據本發(fā)明實施例的圖像處理設備100使用以下抽 頭來執(zhí)行高質量圖像形成處理所獲得的圖像的特性，上述抽頭是這樣得到的基于表達式
(3) 獲得的在關注像素周圍的像素值的水平微分絕對值和垂直微分絕對值以及基于表達式
(4) 獲得的關注像素周圍的像素值的最大值和最小值、水平微分絕對值的最大值和垂直微 分絕對值的最大值作為非線性特征量被添加到從圖2所示的學生圖像獲得的線性特征量。
如圖20所示，與使用僅有線性特征量的抽頭的情形相比，關于使用添加有非線性 特征量的抽頭來執(zhí)行高質量圖像形成處理的圖像的特性，S/N比值提高大約0. 5dB。
此外，圖20中使用菱形繪制的點表示現有技術的圖像處理設備使用僅有圖17中 所示的線性特征量的抽頭來執(zhí)行高質量圖像形成處理所獲得的圖像的特性。此外，圖20中 使用矩形繪制的點表示現有技術的圖像處理設備使用以下抽頭來執(zhí)行高質量圖像形成處 理所獲得的圖像的特性，上述抽頭是這樣得到的基于表達式(3)獲得的在關注像素周圍 的像素值的水平微分絕對值和垂直微分絕對值以及基于表達式(4)獲得的關注像素周圍 的像素值的最大值和最小值、水平微分絕對值的最大值和垂直微分絕對值的最大值作為非 線性特征量被添加到圖17中所示的線性特征量。 如圖20所示，同樣，在現有技術的方法中，與使用僅有線性特征量的抽頭的情形 相比，關于使用添加有非線性特征量的抽頭來執(zhí)行高質量圖像形成處理的圖像的特性，S/N 比值提高大約0. 4dB。 在使用添加有非線性特征量的抽頭的高質量圖像形成處理被應用于現有技術的 分類自適應處理的情況下，例如，執(zhí)行以下處理。 在輸入圖像中，對于類抽頭，按照與使用僅有線性特征量的抽頭的情形相同的方 式來獲得圖17中所示的抽頭。因此，計算出基于9個元素的1位ADRC(自適應動態(tài)范圍編 碼)碼，針對每個計算出的1位ADRC碼來分類關注像素。 此外，對于預測抽頭，使用被添加了基于表達式(3)獲得的在關注像素周圍的像 素值的水平微分絕對值和垂直微分絕對值以及基于表達式(4)獲得的關注像素周圍的像 素值的最大值和最小值、水平微分絕對值的最大值和垂直微分絕對值的最大值作為非線性 特征量的、從圖2中所示的學生圖像獲得的線性特征量。通過將回歸系數w乘以抽頭的每 個元素，按照表達式(2)來計算用于執(zhí)行上述回歸計算的預測值。然后生成輸出圖像，在該 輸出圖像中，獲得的預測值就是與關注像素相對應的像素的值。結果，獲得了使輸入圖像具 有更高質量的輸出圖像。關于輸出圖像的特性，如上所述，與使用僅有線性特征量的抽頭的 情形相比，S/N比值提高。 上述各系列的處理操作可以用硬件、也可以用軟件來實現。在用軟件實現上述各 系列的處理操作的情況下，構成軟件的程序從網絡或記錄介質被安裝到含在專用硬件中的 計算機，或者被安裝到例如圖21所示的通用個人計算機700，該通用個人計算機700能夠通 過安裝各種程序來執(zhí)行各種功能。 在圖21中，CPU(中央處理單元)701根據存儲在ROM(只讀存儲器)702中的程序 或者根據從存儲單元708加載到RAM(隨機訪問存儲器)703的程序來執(zhí)行各種處理操作。 另外，CPU 701執(zhí)行各種處理操作所需的數據等被適當地存儲在RAM 703中。
CPU 701、R0M 702和RAM 703通過總線704彼此互連。此外，輸入/輸出接口 705 也連接到總線704。
24
輸入單元706、輸出單元707、存儲單元708和通信單元709被連接到輸入/輸出 接口 705。輸入單元706包括鍵盤、鼠標等。輸出單元707包括由CRT(陰極射線管)或 LCD(液晶顯示器)構成的顯示單元、揚聲器等。存儲單元708包括硬盤。通信單元709包 括調制解調器、諸如LAN卡一類的網絡接口卡等。通信單元709通過包括因特網在內的網 絡來執(zhí)行通信處理。 此外，驅動器710視需要連接到輸入/輸出接口 705?？梢苿咏橘|711被適當地 載入驅動器710中，可移動介質711例如為磁盤、光盤、磁光盤或半導體存儲器。從驅動器 710讀取的計算機程序視需要被安裝到存儲單元708中。 在用軟件執(zhí)行上述各系列的處理操作的情況下，從諸如因特網的網絡或者從由可 移動介質711構成的記錄介質來安裝構成軟件的程序。 記錄介質可以由記錄有程序的可移動介質711構成，該可移動介質711由磁盤 (包括軟盤)(注冊商標)、光盤(包括CD-ROM(緊密盤-只讀存儲器)、DVD(數字通用盤) 或磁光盤(包括MD(迷你盤)(注冊商標)))或者半導體存儲器制成，該記錄介質與圖21 所示的設備的主要部分相分離地被分發(fā)(銷售)以向用戶提供程序。此外，記錄介質可以 由記錄有程序的ROM 702和包含在存儲單元708中的硬盤構成，它們通過預先裝到設備的 主要部分中而被提供給用戶。 在本申請文件中，上述各系列的處理操作可以包括按撰寫順序依次執(zhí)行的處理操 作，也可以包括同時執(zhí)行或不按時間順序而是單獨執(zhí)行的處理操作。 本發(fā)明包含與2008年9月29日遞交給日本特性廳的日本在先專利申請JP
2008-250229有關的主題，該在先申請的全部內容以引用的方式被包含在本文中。 本領域的技術人員應當理解根據設計需要和其它因素可以作出各種修改、合并、
子合并和替換，只要它們落入所附權利要求及其等同物的范圍內即可。
權利要求
一種圖像處理設備，包括存儲裝置，在該存儲裝置中基于抽頭對于每一類存儲回歸系數數據，與第一圖像數據的關注像素相對應的線性特征量和從該圖像數據確定的非線性特征量被用作所述抽頭中的元素；分類裝置，用于將輸入的第一圖像的多項輸入數據的每個線性特征量分類成預定的類；讀裝置，用于從所述存儲裝置中讀取與所述分類裝置確定的類相對應的回歸系數數據；和數據生成裝置，用于生成通過使第一圖像具有更高質量而獲得的第二圖像的數據，其中通過使用從所述讀裝置讀取的回歸系數數據以及輸入的第一圖像的多項輸入數據中的每項數據的抽頭的元素來執(zhí)行乘積和運算處理，而使第一圖像具有更高質量。
2. 根據權利要求1所述的圖像處理設備，其中所述非線性特征量是所述關注像素周圍 的像素位置處的水平微分絕對值和垂直微分絕對值。
3. 根據權利要求1所述的圖像處理設備，其中所述非線性特征量是所述關注像素周圍 的像素的最大值和最小值。
4. 根據權利要求1所述的圖像處理設備，其中所述非線性特征量是所述關注像素周圍 的像素位置處的水平微分絕對值和垂直微分絕對值的最大值。
5. 根據權利要求l所述的圖像處理設備，還包括判別預測裝置，用于執(zhí)行判別預測計算，該判別預測計算通過與第一圖像數據的關注 像素相對應的每個線性特征量與預先存儲的判別系數之間的乘積和運算，來獲得用于識別 所述關注像素所屬的判別類的判別預測值，其中，基于該判別預測值，所述分類裝置將第一圖像信號的每個關注像素分類成預定 的類。
6. —種系數學習設備，包括分類裝置，用于將與通過改變第二圖像的質量而獲得的第一圖像的多項輸入數據中的 關注像素相對應的每個線性特征量分類成預定的類；回歸系數計算裝置，用于計算在使用回歸系數和抽頭的乘積和運算中所用的回歸系 數，第一圖像的多項輸入數據的線性特征量以及從所述多項輸入數據確定的非線性特征量 被用作所述抽頭中的元素，所述乘積和運算是對于所述分類裝置確定的每一類獲得第二圖 像的像素值的乘積和運算；禾口存儲裝置，對于分類產生的每一類存儲計算出的回歸系數。
7. 根據權利要求6所述的系數學習設備，其中所述非線性特征量是所述關注像素周圍 的像素位置處的水平微分絕對值和垂直微分絕對值。
8. 根據權利要求6所述的系數學習設備，其中所述非線性特征量是所述關注像素周圍 的像素的最大值和最小值。
9. 根據權利要求6所述的系數學習設備，其中所述非線性特征量是所述關注像素周圍 的像素位置處的水平微分絕對值和垂直微分絕對值的最大值。
10. 根據權利要求6所述的系數學習設備，還包括判別預測裝置，用于執(zhí)行判別預測計算，該判別預測計算通過與第一圖像數據的關注像素相對應的每個線性特征量與預先存儲的判別系數之間的乘積和運算，來獲得用于識別 所述關注像素所屬的判別類的判別預測值，其中，所述分類裝置基于該判別預測值將第一圖像信號的每個關注像素分類成預定的類。
11. 一種圖像處理設備，包括存儲單元，在該存儲單元中基于抽頭對于每一類存儲回歸系數數據，與第一圖像數據 的關注像素相對應的線性特征量和從該圖像數據確定的非線性特征量被用作所述抽頭中 的元素；分類單元，被配置為將輸入的第一圖像的多項輸入數據的每個線性特征量分類成預定 的類；讀單元，被配置為從所述存儲單元中讀取與所述分類單元確定的類相對應的回歸系數 數據；和數據生成單元，被配置為生成通過使第一圖像具有更高質量而獲得的第二圖像的數 據，其中通過使用從所述讀單元讀取的回歸系數數據以及輸入的第一圖像的多項輸入數據 中的每項數據的抽頭的元素來執(zhí)行乘積和運算處理，而使第一圖像具有更高質量。
12. —種系數學習設備，包括分類單元，被配置為將與通過改變第二圖像的質量而獲得的第一圖像的多項輸入數據 中的關注像素相對應的每個線性特征量分類成預定的類；回歸系數計算單元，被配置為計算在使用回歸系數和抽頭的乘積和運算中所用的回歸 系數，第一圖像的多項輸入數據的線性特征量以及從所述多項輸入數據確定的非線性特征 量被用作所述抽頭中的元素，所述乘積和運算是對于所述分類單元確定的每一類獲得第二 圖像的像素值的乘積和運算；禾口存儲單元，被配置為對于分類產生的每一類存儲計算出的回歸系數。
全文摘要
本發(fā)明涉及一種圖像處理設備和系數學習設備。該圖像處理設備包括存儲單元，在該存儲單元中基于抽頭對于每一類存儲回歸系數數據，與第一圖像數據的關注像素相對應的線性特征量和從該圖像數據確定的非線性特征量被用作抽頭中的元素；分類單元，被配置為將輸入的第一圖像的多項輸入數據的每個線性特征量分類成預定的類；讀單元，被配置為從存儲單元中讀取與分類單元確定的類相對應的回歸系數數據；和數據生成單元，被配置為生成通過使第一圖像具有更高質量而獲得的第二圖像的數據，其中通過使用從讀單元讀取的回歸系數數據以及輸入的第一圖像的多項輸入數據中的每項數據的抽頭的元素來執(zhí)行乘積和運算處理，而使第一圖像具有更高質量。
文檔編號H04N7/01GK101715097SQ20091017851
公開日2010年5月26日 申請日期2009年9月24日 優(yōu)先權日2008年9月29日
發(fā)明者周藤泰廣, 永野隆浩, 近藤哲二郎, 高橋紀晃 申請人:索尼株式會社