电子设备、图像处理方法和计算机可读记录介质技术

公开了一种电子设备。该电子设备包括：存储器，其中存储经学习的人工智能模型；以及处理器，用于将输入图像输入到人工智能模型并输出具有增加的分辨率的放大图像，其中，经学习的人工智能模型包括放大模块，用于根据相对于放大图像中的原始像素具有非线性减小的对称形式的函数来获取周围的内插像素的像素值，原始像素对应于输入图像的像素。

【技术实现步骤摘要】
【国外来华专利技术】电子设备、图像处理方法和计算机可读记录介质
本公开涉及电子设备、图像处理方法和计算机可读记录介质，并且更具体地，涉及用于生成高质量图像(或高清晰度图像)的电子设备、图像处理方法和计算机可读记录介质。
技术介绍
机器学习是人工智能的一个领域，它是学习和构建一个系统的技术以及用于该技术的算法，该系统收集和分析大规模的大数据，以预测未来并提高其自身的性能。近来，由于硬件技术的发展，可以收集和存储大数据，并且随着用于分析大数据的计算能力和技术已经变得复杂和快速，已经积极地进行了对机器学习的研究，机器学习是能够识别对象和理解诸如人类的信息的算法。特别地，在机器学习
中，使用神经网络的自学习型深度学习已经被积极地研究。神经网络是基于主动模拟人脑的功能的意图通过将活动函数与通过将多个输入乘以权重而获得的和的特定边界值进行比较来确定最终输出的算法，神经网络包括多个层。其典型的例子包括通常用于图像识别的卷积神经网络(CNN)和通常用于语音识别的递归神经网络(RNN)。已经积极地进行了使用这种深度学习网络来提高图像质量以提高分辨率的研本文档来自技高网...

【技术保护点】
1.一种电子设备，包括：/n存储器，存储经学习的人工智能模型；和/n处理器，被配置为将输入图像输入到所述人工智能模型并且输出具有增加的分辨率的放大图像，/n其中，所述经学习的人工智能模型包括放大模块，所述放大模块被配置为基于形式为相对于原始像素双向对称且非线性减小的函数来获取所述放大图像中的、与所述输入图像的像素相对应的原始像素附近的内插像素的像素值。/n

【技术特征摘要】
【国外来华专利技术】20180220 KR 10-2018-00198491.一种电子设备，包括：
存储器，存储经学习的人工智能模型；和
处理器，被配置为将输入图像输入到所述人工智能模型并且输出具有增加的分辨率的放大图像，
其中，所述经学习的人工智能模型包括放大模块，所述放大模块被配置为基于形式为相对于原始像素双向对称且非线性减小的函数来获取所述放大图像中的、与所述输入图像的像素相对应的原始像素附近的内插像素的像素值。


2.如权利要求1所述的电子设备，其中，所述放大模块基于多个原始像素值中的每一个的比率获取所述多个原始像素附近的内插像素的像素值，其中，所述多个原始像素值中的每一个的比率是根据所述多个原始像素与所述内插像素之间的、在基于所述多个原始像素中的每一者的多个函数上的距离识别出的。


3.如权利要求2所述的电子设备，其中，所述放大图像中的所述多个原始像素对应于所述输入图像的一个像素、基于所述一个像素的与所述一个像素相邻的多个像素中的至少一个像素、以及对应于与所述一个像素间隔开但与所述多个像素相邻的多个像素中的至少一个像素。


4.如权利要求3所述的电子设备，其中，所述函数的方差是基于用于放大因子的双线性内插的线性函数而获得的。


5.如权利要求4所述的电子设备，其中，所述函数的方差σd通过下式获得，



其中s是所述放大因子，d是接触点的x坐标，并且t(s)是通过在所述函数的x截点之间的距离上加1而获得的值。


6.如权利要求5所述的电子设备，其中，
所述函数(f(x)；s)是
并且σd(s)-s*0.1≤σ(s)≤σd(s)+s*0.1。


7.如权利要求1所述的电子设备，其中，所述放大模块还包括卷积滤波器，所述卷积滤波器被配置为获取所述输入图像的特征，
其中，所述处理器使用通过所述卷积滤波器获取的所述输入图像的所述特征来获取所述放大图像。


8.一种图像处理方法，包括：
接收输入图像；和
将输入图像输入到经学习的人工智能模型中，并输出分辨率提高的放大图像；
其中，所述经学习的人...

【专利技术属性】
技术研发人员：朴在演，安一埈，朴镕燮，李泰美，千岷洙，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：韩国;KR