[go: up one dir, main page]

TWI733341B - 用於圖像放大與增強的方法與裝置 - Google Patents

用於圖像放大與增強的方法與裝置 Download PDF

Info

Publication number
TWI733341B
TWI733341B TW109105411A TW109105411A TWI733341B TW I733341 B TWI733341 B TW I733341B TW 109105411 A TW109105411 A TW 109105411A TW 109105411 A TW109105411 A TW 109105411A TW I733341 B TWI733341 B TW I733341B
Authority
TW
Taiwan
Prior art keywords
image
resolution
resolution image
low
remainder
Prior art date
Application number
TW109105411A
Other languages
English (en)
Other versions
TW202133110A (zh
Inventor
余家偉
包苡廷
陳衍霖
林上晏
Original Assignee
瑞昱半導體股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 瑞昱半導體股份有限公司 filed Critical 瑞昱半導體股份有限公司
Priority to TW109105411A priority Critical patent/TWI733341B/zh
Priority to US16/924,215 priority patent/US11416966B2/en
Application granted granted Critical
Publication of TWI733341B publication Critical patent/TWI733341B/zh
Publication of TW202133110A publication Critical patent/TW202133110A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

本發明提供一種用於圖像放大與增強的系統。該系統包含：一放大處理單元、一深度學習餘數網路單元以及一合成處理單元。該放大處理單元用以對一低解析度圖像進行一放大處理，以輸出一高解析度圖像。該深度學習餘數網路單元用以基於一深度學習結果，根據該低解析度圖像而輸出對應於該低解析度圖像之一高解析度餘數圖像。該合成處理單元用以根據一加權值調整該高解析度餘數圖像，以將調整後之該高解析度餘數圖像加回該高解析度圖像，從而產生一增強後圖像，其中該加權值與訓練該深度學習餘數網路單元所採用的參考加權值不同。

Description

用於圖像放大與增強的方法與裝置
本發明係關於超解像演算法領域，尤指一種基於深度學習架構的圖像放大與增強的方法與裝置。
近年來，單幀圖像超解像(Single Image Super Resolution)演算法被廣泛地研究，其可將低解析度圖像重新建構為高解析度圖像。其中，基於深度學習架構的卷積神經網路(Deep-Learning Convolutional Neural Network)的演算法，更是取得了不錯的成效。然而，深度學習超解像演算法在實際應用上存在可調節性較差的缺陷。一般來說，在神經網路完成深度學習後，除非再次進行訓練，否則無法針對圖像的銳利程度進行調整。另一方面，在現有的深度學習超解像演算法中，一張圖像係使用共通的參數進行處理，因此無法針對圖像的局部區域進行微調，例如將圖像中的天空區域處理得較為平滑、將草地區域處理得較為銳利、或者是針對圖像中有大量細節紋理處進行額外的強化。因此，本領域需要一種具有高度可調性的超解像演算法。
有鑑於此，本發明提出一種圖像增強方法與裝置。在本發明的圖像增強方法與裝置中，利用了多種圖像放大技術來進行超解像，其中包含了基於深度學習技術的深度學習餘數網路。並且，透過對深度學習餘數網路的輸出結果進行權重控制，從而提升了圖像增強的可調節性。在本發明之中，權重控制單元可根據輸入圖像的整體特性或者是局部特性(如：邊緣或者是色彩)進行調節。如此一來，本發明提升了深度學習餘數網路的可調性，從而提供了一個針對各種場景都有良好適應性的圖像放大與增加系統。
本發明之一實施例提供一種圖像放大與增強的系統，該系統包含：一放大處理單元、一深度學習餘數網路單元以及一合成處理單元。該放大處理單元用以對一低解析度圖像進行一放大處理，以輸出一高解析度圖像。該深度學習餘數網路單元用以基於一深度學習結果，根據該低解析度圖像而輸出對應於該低解析度圖像之一高解析度餘數圖像。該合成處理單元用以根據一加權值調整該高解析度餘數圖像，以將調整後之該高解析度餘數圖像加回該高解析度圖像，從而產生一增強後圖像，其中該加權值與訓練該深度學習餘數網路單元時所採用的參考加權值不同。
本發明之一實施例提供一種圖像放大與增強的方法，該方法包含：對一低解析度圖像進行一放大處理，以輸出一高解析度圖像；基於一深度學習結果，根據該低解析度圖像輸出對應於該低解析度圖像之一高解析度餘數圖像；以及根據一加權值調整該高解析度餘數圖像，以將調整後之該高解析度餘數圖像加回該高解析度圖像，從而產生一增強後圖像；其中該加權值與獲得該深度學習結果時所採用的一參考加權值不同。
在以下內文中，描述了許多具體細節以提供閱讀者對本發明實施例的透徹理解。然而，本領域的技術人士將能理解，如何在缺少一個或多個具體細節的情況下，或者利用其他方法或元件或材料等來實現本發明。在其他情況下，眾所皆知的結構、材料或操作不會被示出或詳細描述，從而避免模糊本發明的核心概念。
說明書中提到的「一實施例」意味著該實施例所描述的特定特徵、結構或特性可能被包含於本發明的至少一個實施例中。因此，本說明書中各處出現的「在一實施例中」不一定意味著同一個實施例。此外，前述的特定特徵、結構或特性可以以任何合適的形式在一個或多個實施例中結合。
第1圖為本發明實施例之圖像放大與增強系統的架構示意圖。如圖所示，圖像放大與增強系統100包含：一放大處理單元110、一深度學習餘數網路單元120以及一合成處理單元130。放大處理單元110用以對一低解析度圖像IMG_LR進行一圖像放大處理，以輸出一高解析度圖像IMG_HR。其中，放大處理單元110可以是一插值濾波器，透過進行插值運算來實現圖像放大處理，例如雙三次濾波器(Bicubic Filter)，又或者是一邊緣保留放大器(Edge Preserving Scaler)。深度學習餘數網路單元120的運作係基於一深度學習過程，並且主要根據低解析度圖像IMG_LR，輸出對應於低解析度圖像IMG_LR之一高解析度餘數圖像IMG_HR_RS。合成處理單元130用以根據一加權值WF調整高解析度餘數圖像IMG_HR_RS，以將調整後之高解析度餘數圖像IMG_HR_RS’加回高解析度圖像IMG_HR，繼而產生一增強後圖像IMG_EH。在一實施例中，合成處理單元130可能包含加法單元132以及乘法單元134。乘法單元134將根據加權值WF，放大高解析度餘數圖像IMG_HR_RS，從而得到調整後之高解析度餘數圖像IMG_HR_RS’。加法單元132則將調整後之高解析度餘數圖像IMG_HR_RS’加回高解析度圖像IMG_HR，繼而得到增強後圖像IMG_EH。本發明的特點在於，加權值WF與訓練深度學習餘數網路單元120時所採用的參考加權值WF_O不同。
關於深度學習餘數網路單元120的深度學習過程，請參考第2圖所示的架構圖。其中，深度學習餘數網路單元120應用的深度學習餘數網路(Deep-Learning Residue Network)可具有任意層數或結構，例如其可由多個卷積神經網路(Convolutional Neural Network)所組成。深度學習餘數網路單元120應用的深度學習餘數網路可根據輸入的低解析度圖像IMG_LRO以及其所對應的最佳(Golden)高解析度圖像：圖像IMG_GD為目標來進行訓練。訓練的結果，最終希望深度學習餘數網路單元120能輸出最佳餘數圖像IMG_GD_RS。且與上述數值間具有以下的關係：
WF_O*IMG_GD_RS+IMG_HRO=IMG_GD
其中，IMG_HRO為輸入的低解析度圖像IMG_LRO透過放大處理器110所產生的結果。而在本發明深度學習餘數網路單元120進行的深度學習過程中，參考加權值WF_O被預設為1，因此：
IMG_GD_RS= IMG_GD- IMG_HR
在深度學習過程的訓練結束後，深度學習餘數網路單元120就可根據低解析度圖像來產生對應的高解析度餘數圖像。而本發明至少有一實施例的特點在於，合成處理單元130所採用的加權值WF，並不同於上述深度學習過程中，所採用的參考加權值WF_O=1。這樣的特點允許圖像放大與增強系統100輸出的增強後圖像IMG_EH，不同於深度學習過程中的最佳高解析度圖像IMG_GD，因此為圖像放大與增強系統100帶來了可調節性。舉例來說，當加權值WF大於訓練過程中的參考加權值WF_O時，便可得到更為銳利的增強後圖像IMG_EH，而當加權值WF小於參考加權值WF_O時，便可得到較為柔和的增強後圖像IMG_EH。請注意，以上所提到的低解析度圖像IMG_LR或IMG_LRO、高解析度圖像IMG_HR或IMG_HRO、增強後圖像IMG_EH、高解析度餘數圖像IMG_HR_RS或IMG_HR_RS’、最佳餘數圖像IMG_GD_RS、最佳高解析度圖像IMG_GD，可以代表一張圖像中的一個或多個像素的像素值。
在本發明的實施例中，合成處理單元130所採用的加權值WF可能基於不同方式來產生。在一實施例中，圖像放大與增強系統100還包含有一加權值決定單元140，用於決定合成處理單元130所採用的加權值WF。其中，加權值決定單元140可以偵測圖像特性，進行全局調整，例如針對動態圖像與靜態圖像給予不同的加權值。又或者是，加權值決定單元140也可以根據使用者指定的特定固定值，來決定加權值WF。在不同實施例中，加權值決定單元140可以參考輸入的低解析度圖像IMG_LR，或者是放大處理器110輸出的高解析度圖像IMG_HR，從而判斷圖像的內容特性，其包含圖像的全局特性或局部特性。
再者，加權值決定單元140還可以針對圖像中的每個像素分別決定其加權值WF，從而實現像素階層的調整能力。在一實施例中，加權值決定單元140可以根據一特定像素之鄰近區域內的像素值的高頻特性或邊界強度，決定加權值WF。例如，可以透過不同尺寸(如：3x3/5x5/7x7)的索柏濾波器(Sobel Filter)，分析出低解析度圖像IMG_LR或者是高解析度圖像IMG_HR的局部區域，其中的高頻成分多或者是少，從而判斷出該區域為平坦區或者是細節區。又或者是分析出特定區域包含水平邊緣或垂直邊緣，從而判斷出該區域為邊緣區。在分析出圖像的區域特性後，加權值決定單元140便可針對其特性給予不同的加權值WF。
而在另一實施例中，加權值決定單元140可以根據一特定像素之鄰近區域內的像素的色彩特性，決定加權值WF。例如，針對圖像中的膚色區域或者是藍色區域，設定較低的加權值WF，以在增強後圖像IMG_EH中獲得細節柔和的膚色區域或天空區域。又或者是，針對圖像中的綠色區域，設定較高的加權值WF，從而在增強後圖像IMG_EH中獲得細節清晰的草地區域。
在一實施例中，加權值WF可能具有小於1或者是小於參考加權值WF_O的數值。這是因為深度學習餘數網路單元120可能在面對特定型樣(Pattern)的圖像/圖像區域時的增強效果不佳，甚至可能會生成原本不存在的雜訊，從而帶來負面影響。因此，透過將對應圖像區域的加權值WF設定為小於1或者是小於參考加權值WF_O，便可以有效地減輕這種負面影響。
第3圖繪示本發明實施例之圖像放大與增強的方法的流程圖。如圖所示，本發明方法的流程大致包含以下步驟：
步驟210： 對一低解析度圖像進行一放大處理，以輸出一高解析度圖像
步驟220： 基於一深度學習結果，根據該低解析度圖像輸出對應於該低解析度圖像之一高解析度餘數圖像
步驟230： 根據一加權值調整該高解析度餘數圖像，以將調整後之該高解析度餘數圖像加回該高解析度圖像，從而產生一增強後圖像；其中該加權值與獲得該深度學習結果時所採用的一參考加權值不同
以上步驟的具體原理以及細節，已經詳細解釋於關於圖像放大與增強系統100的相關說明中，為求說明書之簡要，在此不另做贅述。
總結來說，在本發明的架構之下，透過權重控制的技巧，允許深度學習餘數網路單元在不進行重新訓練的前提下，針對圖像的特性進行銳利程度的調整。並且，本發明還可以根據圖像的局部特性(如：邊緣或者是色彩)進行像素階級的權重控制，從而突顯或削弱局部細節。如此一來，本發明提升了深度學習餘數網路單元的可調性，從而提供了一個針對各種場景都有良好適應性的圖像放大與增加系統。
本發明之實施例可使用硬體、軟體、韌體以及其相關結合來完成。藉由適當之一指令執行系統，可使用儲存於一記憶體中之軟體或韌體來實作本發明的實施例。就硬體而言，則是可應用下列任一技術或其相關結合來完成：具有可依據資料信號執行邏輯功能之邏輯閘的一個別運算邏輯、具有合適的組合邏輯閘之一特定應用積體電路(application specific integrated circuit, ASIC)、可程式閘陣列(programmable gate array, PGA)或一現場可程式閘陣列(field programmable gate array, FPGA)等。
說明書內的流程圖中的流程和方塊示出了基於本發明的各種實施例的系統、方法和電腦軟體產品所能實現的架構，功能和操作。在這方面，流程圖或功能方塊圖中的每個方塊可以代表程式碼的模組，區段或者是部分，其包括用於實現指定的邏輯功能的一個或多個可執行指令。另外，功能方塊圖以及/或流程圖中的每個方塊，以及方塊的組合，基本上可以由執行指定功能或動作的專用硬體系統來實現，或專用硬體和電腦程式指令的組合來實現。這些電腦程式指令還可以存儲在電腦可讀媒體中，該媒體可以使電腦或其他可編程數據處理裝置以特定方式工作，使得存儲在電腦可讀媒體中的指令，實現流程圖以及/或功能方塊圖中的方塊所指定的功能/動作。 以上所述僅為本發明之較佳實施例，凡依本發明申請專利範圍所做之均等變化與修飾，皆應屬本發明之涵蓋範圍。
100:圖像放大與增強系統 110:放大處理單元 120:深度學習餘數網路單元 130:合成處理單元 132:加法單元 134:乘法單元 140:加權值決定單元 IMG_LR:低解析度圖像 IMG_HR:高解析度圖像 WF:加權值 IMG_HR_RS:高解析度餘數圖像 IMG_HR_RS’:高解析度餘數圖像 IMG_EH:增強後圖像 IMG_LRO:低解析度圖像 IMG_GD_RS:最佳餘數圖像
第1圖繪示本發明實施例之圖像放大與增強系統的架構示意圖。 第2圖繪示本發明之深度學習餘數網路單元的訓練架構示意圖。 第3圖繪示本發明實施例之圖像放大與增強方法的流程圖。
100:圖像放大與增強系統
110:放大處理單元
120:深度學習餘數網路單元
130:合成處理單元
132:加法單元
134:乘法單元
140:加權值決定單元
IMG_LR:低解析度圖像
IMG_HR:高解析度圖像
WF:加權值
IMG_HR_RS:高解析度餘數圖像
IMG_HR_RS’:高解析度餘數圖像
IMG_EH:增強後圖像

Claims (10)

  1. 一種圖像放大與增強的系統，包含： 一放大處理單元，用以對一低解析度圖像進行一放大處理，以輸出一高解析度圖像； 一深度學習餘數網路單元，基於一深度學習結果，根據該低解析度圖像而輸出對應於該低解析度圖像之一高解析度餘數圖像；以及 一合成處理單元，耦接於該放大處理單元以及該深度學習餘數網路單元，用以根據一加權值調整該高解析度餘數圖像，以將調整後之該高解析度餘數圖像加回該高解析度圖像，從而產生一增強後圖像，其中該加權值與訓練該深度學習餘數網路單元時所採用的一參考加權值不同。
  2. 如請求項1所述之系統，其中該加權值可為使用者指定的固定值，或根據該低解析度圖像的內容特性決定。
  3. 如請求項1所述之系統，另包含： 一加權值決定單元，耦接於該合成處理單元，用於決定該加權值。
  4. 如請求項3所述之系統，其中該加權值決定單元用於根據該低解析度圖像和該高解析度圖像中之一者，決定出每一個像素所適用的加權值。
  5. 如請求項3所述之系統，其中該加權值決定單元根據該低解析度圖像和該高解析度圖像中之一者的一特定像素之鄰近區域內的像素的高頻特性或邊界強度，決定該加權值。
  6. 如請求項3所述之系統，其中該加權值決定單元根據該低解析度圖像和該高解析度圖像中之一者的一特定像素之鄰近區域內的像素的色彩特性，決定該加權值。
  7. 一種圖像放大與增強的方法，包含： 對一低解析度圖像進行一放大處理，以輸出一高解析度圖像； 基於一深度學習結果，根據該低解析度圖像輸出對應於該低解析度圖像之一高解析度餘數圖像；以及 根據一加權值調整該高解析度餘數圖像，以將調整後之該高解析度餘數圖像加回該高解析度圖像，從而產生一增強後圖像；其中該加權值與獲得該深度學習結果時所採用的一參考加權值不同。
  8. 如請求項7所述之方法，其中該加權值可為使用者指定的固定值，或根據該低解析度圖像的內容特性決定。
  9. 如請求項7所述之方法，另包含： 根據該低解析度圖像和該高解析度圖像中之一者的一特定像素之鄰近區域內的像素的高頻特性或邊界強度，決定出每一像素所適用的加權值。
  10. 如請求項7所述之方法，另包含： 根據該低解析度圖像和該高解析度圖像中之一者的一特定像素之鄰近區域內的像素的色彩特性，決定出每一像素所適用的加權值。
TW109105411A 2020-02-20 2020-02-20 用於圖像放大與增強的方法與裝置 TWI733341B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW109105411A TWI733341B (zh) 2020-02-20 2020-02-20 用於圖像放大與增強的方法與裝置
US16/924,215 US11416966B2 (en) 2020-02-20 2020-07-09 Method and system for image scaling and enhancement

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109105411A TWI733341B (zh) 2020-02-20 2020-02-20 用於圖像放大與增強的方法與裝置

Publications (2)

Publication Number Publication Date
TWI733341B true TWI733341B (zh) 2021-07-11
TW202133110A TW202133110A (zh) 2021-09-01

Family

ID=77366287

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109105411A TWI733341B (zh) 2020-02-20 2020-02-20 用於圖像放大與增強的方法與裝置

Country Status (2)

Country Link
US (1) US11416966B2 (zh)
TW (1) TWI733341B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12198297B2 (en) 2021-03-11 2025-01-14 Realtek Semiconductor Corporation Image enlarging apparatus and method having super resolution enlarging mechanism

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12190629B2 (en) 2021-10-14 2025-01-07 Thales Dis France Sas Deep learning based fingerprint minutiae extraction
TWI789071B (zh) * 2021-10-25 2023-01-01 瑞昱半導體股份有限公司 基於區域控制以及紋理合成進行圖像增強的圖像處理系統與相關圖像處理方法
TWI779900B (zh) * 2021-10-25 2022-10-01 瑞昱半導體股份有限公司 基於區域控制以及多重分支處理架構進行圖像增強的圖像處理系統與相關圖像處理方法
TWI825954B (zh) * 2022-08-26 2023-12-11 瑞昱半導體股份有限公司 具有輸出時序調整機制的影像處理電路及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200416624A (en) * 2003-02-21 2004-09-01 Inventec Appliances Corp Method for producing enhanced-resolution image by use of a plurality of low-resolution images
CN101794440A (zh) * 2010-03-12 2010-08-04 东南大学 图像序列的加权自适应超分辨率重建方法
CN108921783A (zh) * 2018-06-01 2018-11-30 武汉大学 一种基于混合损失函数约束的卫星影像超分辨率重建方法
CN110246085A (zh) * 2019-05-21 2019-09-17 桂林电子科技大学 一种单图像超分辨率方法
US20190370938A1 (en) * 2018-02-11 2019-12-05 Shenzhen Skyworth-Rgb Electronic Co., Ltd. Image super-resolution method, image super-resolution device, and computer readable storage medium

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10489887B2 (en) 2017-04-10 2019-11-26 Samsung Electronics Co., Ltd. System and method for deep learning image super resolution
US10970819B2 (en) * 2017-05-26 2021-04-06 Rakuten, Inc. Image processing device, image processing method, and image processing program
CN109903221B (zh) * 2018-04-04 2023-08-22 华为技术有限公司 图像超分方法及装置
KR102865289B1 (ko) * 2019-08-14 2025-09-29 삼성전자주식회사 전자 장치 및 그 제어 방법
KR20210062485A (ko) * 2019-11-21 2021-05-31 삼성전자주식회사 전자 장치 및 그 제어 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200416624A (en) * 2003-02-21 2004-09-01 Inventec Appliances Corp Method for producing enhanced-resolution image by use of a plurality of low-resolution images
CN101794440A (zh) * 2010-03-12 2010-08-04 东南大学 图像序列的加权自适应超分辨率重建方法
US20190370938A1 (en) * 2018-02-11 2019-12-05 Shenzhen Skyworth-Rgb Electronic Co., Ltd. Image super-resolution method, image super-resolution device, and computer readable storage medium
CN108921783A (zh) * 2018-06-01 2018-11-30 武汉大学 一种基于混合损失函数约束的卫星影像超分辨率重建方法
CN110246085A (zh) * 2019-05-21 2019-09-17 桂林电子科技大学 一种单图像超分辨率方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12198297B2 (en) 2021-03-11 2025-01-14 Realtek Semiconductor Corporation Image enlarging apparatus and method having super resolution enlarging mechanism

Also Published As

Publication number Publication date
US11416966B2 (en) 2022-08-16
US20210264566A1 (en) 2021-08-26
TW202133110A (zh) 2021-09-01

Similar Documents

Publication Publication Date Title
TWI733341B (zh) 用於圖像放大與增強的方法與裝置
JP5411706B2 (ja) デジタル画像のダイナミックレンジを増強するための装置及び方法
Ghani et al. Enhancement of low quality underwater image through integrated global and local contrast correction
Polesel et al. Image enhancement via adaptive unsharp masking
US7454087B1 (en) Image blending using linear blends of corresponding neighborhood means and variances from first and second image regions
CN100546340C (zh) 图像处理设备和方法
US10839483B2 (en) Method of converting low-resolution image to high-resolution image and image conversion device performing method
JP7026813B2 (ja) 学習装置、学習装置の作動プログラム及び作動方法
US7657119B1 (en) Differential image adjustments
JP2015232869A (ja) 画像処理装置、画像処理方法及び画像処理プログラム
CN103679697A (zh) 图像处理装置及图像处理方法
JP2017045441A (ja) 画像生成方法及び画像生成システム
US20130121565A1 (en) Method and Apparatus for Local Region Selection
Gupta et al. Histogram based image enhancement techniques: a survey
KR20230165191A (ko) 이미지 디블러링을 위한 셀프 레귤러라이징 인버스 필터
JP2013020617A (ja) グレースケール文字画像正規化装置及び方法
JP2015099546A (ja) 画像処理装置、画像処理方法、プログラム及び記憶媒体
US7460129B2 (en) Manipulating text and graphic appearance
TWI789071B (zh) 基於區域控制以及紋理合成進行圖像增強的圖像處理系統與相關圖像處理方法
CN109034070A (zh) 一种置换混叠图像盲分离方法及装置
JP6126054B2 (ja) 画像信号処理方法及び画像信号処理装置
CN113313636B (zh) 用于图像放大与增强的方法与装置
TWI768759B (zh) 具有超解析放大機制的影像放大裝置及方法
KR100791374B1 (ko) 색역 내에 존재하는 색상을 영상 적응적으로 조절하는 방법및 장치
JP6376673B2 (ja) 画像処理装置