【技术实现步骤摘要】
图像处理系统、图像处理方法以及介质
本专利技术涉及用于根据第1特征矢量来预测第2特征矢量的系统、方法以及介质。
技术介绍
可能有如下情况：学习2个信息之间的关系，利用该学习结果而针对处理对象信息预测新的信息。例如在超分辨技术中，由低分辨率的原图像生成高分辨率的图像。这种超分辨技术随着显示器装置的高分辨率化而受到注目，逐渐被各种设备等采用。在这种超分辨技术中，类推失去的高频成分。例如在将某个图像数据的像素尺寸沿横向和纵向放大的情况下，计算相邻的2个像素的中间值，用该中间值的像素来填补这些像素之间。在该计算方法中，失去的高频成分不再现，放大图像的边界线变得模糊。另一方面，在超分辨技术中，分析像素的图案，计算认为适当的像素，用计算出的像素填补原图像的相邻的像素彼此之间，从而类推高频成分。在超分辨技术中，将补片超分辨率和高频成分预测结合(例如参照非专利文献1)。在该文献中记载的技术中，作为从低频成分预测高频成分的方法，将低频和高频使用PCA降低维度，使用回归分析来预测高分辨图像。在这种情况下，作为后处理而采用双向过滤器。
【技术保护点】
1.一种图像处理系统，由处理对象图像生成高分辨率的图像，所述图像处理系统具备：存储学习对象图像的学习对象存储部；存储学习结果的学习结果存储部；以及与输入部连接的控制部，其中，/n所述控制部构成为执行学习处理和超分辨率处理，/n在所述学习处理中，针对被存储于所述学习对象存储部的每个学习对象图像分别生成低分辨率图像和高分辨率图像，计算针对所述低分辨率图像的特征矢量，计算针对所述高分辨率图像的特征矢量，/n将针对所述低分辨率图像的特征矢量和针对所述高分辨率图像的特征矢量耦合而生成耦合矢量，/n使用所有的学习对象图像的所述耦合矢量进行机器学习，从而生成耦合基础矢量，/n将所述耦合基...
【技术特征摘要】
20141113 JP 2014-2310891.一种图像处理系统，由处理对象图像生成高分辨率的图像，所述图像处理系统具备：存储学习对象图像的学习对象存储部；存储学习结果的学习结果存储部；以及与输入部连接的控制部，其中，
所述控制部构成为执行学习处理和超分辨率处理，
在所述学习处理中，针对被存储于所述学习对象存储部的每个学习对象图像分别生成低分辨率图像和高分辨率图像，计算针对所述低分辨率图像的特征矢量，计算针对所述高分辨率图像的特征矢量，
将针对所述低分辨率图像的特征矢量和针对所述高分辨率图像的特征矢量耦合而生成耦合矢量，
使用所有的学习对象图像的所述耦合矢量进行机器学习，从而生成耦合基础矢量，
将所述耦合基础矢量作为所述学习结果存储于所述学习结果存储部；
在所述超分辨率处理中，针对由所述输入部指定的处理对象图像，根据从所述学习结果存储部取得的所述学习结果进行预测处理，从而生成高分辨率图像，
在所述预测处理中，计算所述处理对象图像的特征矢量和所述处理对象图像的特征矢量的耦合系数，
使用所述耦合系数和被存储于所述学习结果存储部的所述耦合基础矢量，计算与所述处理对象图像对应的高分辨率图像的特征矢量。
2.根据权利要求1所述的图像处理系统，其中，
所述控制部进一步构成为，将以第1基础矢量表现所述低分辨率图像的第1系数除以表示所述低分辨率图像的偏差的指标而生成所述低分辨率图像的特征矢量，
将以第2基础矢量表现所述高分辨率图像的第2系数除以表示所述高分辨率图像的偏差的指标而生成所述高分辨率图像的特征矢量。
3.根据权利要求2所述的图像处理系统，其中，
表示所述低分辨率图像的特征矢量的偏差的指标是所述低分辨率图像的特征矢量的耦合系数的标准偏差，
表示所述高分辨率图像的特征矢量的偏差的指标是所述高分辨率图像的特征矢量的耦合系数的标准偏差。
4.根据权利要求1-3的任一项所述的图像处理系统，其中，
所述控制部进一步构成为执行后处理，在所述后处理中，对计算出的与所述处理对象图像对应的高分辨率图像的特征矢量进行变换，
计算出已变换的所述特征矢量和所述处理对象图像的所述特征矢量的差值，
将所述差值与基准值进行比较，
在所述差值大于所述基准值的情况下，将所述差值变换，从已变换的所述特征矢量减去已变换的所述差值。
5.根据权利要求4所述的图像处理系统，其中，
所述控制部进一步构成为执行后处理，在所述后处理中，将计算出的与所述处理对象图像对应的高分辨率图像的特征矢量压缩，
计算已压缩的所述...
【专利技术属性】
技术研发人员：永田毅，前川秀正，水谷麻纪子，友泽弘充，松崎和敏，佐野碧，萩原透，桧作彰良，
申请(专利权)人：瑞穗研究及技术株式会社，
类型：发明
国别省市：日本;JP
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。