《系数学习装置和方法、图像处理装置和方法、程序以及记录介质的制作方法》由会员分享，可在线阅读，更多相关《系数学习装置和方法、图像处理装置和方法、程序以及记录介质的制作方法（7页珍藏版）》请在金锄头文库上搜索。
1、系数学习装置和方法、图像处理装置和方法、程序以及记录介质的制作方法专利名称：系数学习装置和方法、图像处理装置和方法、程序以及记录介质的制作方法技术领域：本技术涉及系数学习装置和方法、图像处理装置和方法、程序，以及记录介质，更具体地涉及能够使得特性不同的多个区域在具有这些区域的图像中被适当地分类的系数学习装置和方法、图像处理装置和方法、程序，以及记录介质。背景技术：在现有技术中，高图像质量处理已经投入了实际使用。当执行高图像质量处理时，需要在考虑图像的特征等的情况下执行适合于图像的处理。例如，包括在图像中的各部分可以被分类为人工图像(artificial-image)和自然图像。这里，人工图像是
2、诸如文字或简单图形的人工图像，其展示少量的灰度级别和指 示边缘位置的不同的相位信息，即，包括很多的平坦部分。换句话说，人工图像被定义为图像中的一部分(区域)，其中，文字、简单图形等的灰度级别的数量较小，并且指示诸如轮廓的位置的信息占主导地位。另外，自然图像被定义为除了人工图像以外的图像中的一部分(区域)，例如，对应于通过直接自然地对某物成像而获得的图像等。当执行高图像质量处理时，能够使得对自然图像的处理与对人工图像的处理不同的方法可以获得更高的效果，因为人工图像与自然图像之间的图像特性大大地不同。另一方面，由于人工图像与自然图像之间的图像特性大大地不同，所以，当自然图像特定处理被应用到人工图像
3、时或者当人工图像特定处理被应用到自然图像时，问题变得严重(并且图像质量颇为劣化)。也就是说，当执行包括自然图像特定处理和人工图像特定处理的高图像质量处理时，需要准确地确定图像的目标像素是否为要被分类到自然图像或人工图像中的一部分的像素。申请人:提出了这样的技术，该技术用于将包括作为图像中的自然图像的要素的区域与包括作为人工图像的要素的区域彼此进行区分，对每个区域应用最优处理，并且精确地提高整个图像质量(例如，参见日本特开公报No. 2007-251687)。发明内容但是，在日本特开公报No. 2007-251687中，根据人的经验调整确定所需的阈值。这样，在日本特开公报No. 2007-251
4、687的技术中，存在一个问题，即，如果要考虑的参数的数量增加，那么用于参数调整的步骤的数量就会增加。另外，定量的有效性可能不够，因为它依赖于人的经验。希望能够使得特性不同的多个区域在具有这些区域的图像中被适当地分类。根据本技术的第一实施例，提供一种系数学习装置，该系数学习装置包括特征量提取单元，用于提取学生图像的目标像素的特征量；类分类单元，用于基于提取的特征量将目标像素分类到预定类中；自然图像处理单元，用于对目标像素执行自然图像处理，该自然图像处理包括用于至少恢复像素亮度级别的处理；人工图像处理单元，用于对目标像素执行人工图像处理，该人工图像处理包括用于至少使边缘清晰的处理；样本生成单元，用
5、于针对每一个类使用经过自然图像处理的目标像素的像素值、经过人工图像处理的目标像素的像素值、教师图像的目标像素的像素值、以及预定混合系数来生成正规方程的样本；以及混合系数计算单元，用于基于多个生成的样本来计算混合系数。特征量提取单元提取宽范围的特征量,该宽范围的特征量是基于在相对较宽的区域中的目标像素周围的对应区域中的动态范围、相邻像素差分绝对值和相邻像素差分绝对值的最大值来计算的。特征量提取单元提取宽范围的特征量,该宽范围的特征量是基于在相对较宽的区域中的目标像素周围的对应区域中的动态范围、相邻像素差分绝对值和相邻像素差分绝对值的最大值来计算的，并且特征量提取单元提取窄范围的特征量，该窄范围的
6、特征量是基于目标像素周围的相对较宽的区域中的动态范围和包括目标像素的多个相对较窄的区域的动态范围中的最大值来计算的。根据本技术的第一实施例，提供一种系数学习方法，该系数学习方法包括通过特征量提取单元，提取学生图像的目标像素的特征量；通过类分类单元，基于提取的特征量将目标像素分类到预定类中；通过自然图像处理单元，对目标像素执行自然图像处理，该自然图像处理包括用于至少恢复像素亮度级别的处理；通过人工图像处理单元，对目标像素执行人工图像处理，该人工图像处理包括用于至少使边缘清晰的处理；通过样本生成单元，针对每一个类使用经过自然图像处理的目标像素的像素值、经过人工图像处理的目标像素的像素值、教师图像的
7、目标像素的像素值、以及预定混合系数来生成正规方程的样本；以及通过混合系数计算单元，基于多个生成的样本来计算混合系数。根据本技术的第一实施例，提供一种用于使计算机起系数学习装置的作用的程序，该系数学习装置包括特征量提取单元，用于提取学生图像的目标像素的特征量；类分类单元，用于基于提取的特征量将目标像素分类到预定类中；自然图像处理单元，用于对目标像素执行自然图像处理，该自然图像处理包括用于至少恢复像素亮度级别的处理；人工图像处理单元，用于对目标像素执行人工图像处理，该人工图像处理包括用于至少使边缘清晰的处理；样本生成单元，用于针对每一个类使用经过自然图像处理的目标像素的像素值、经过人工图像处理的目
8、标像素的像素值、教师图像的目标像素的像素值、以及预定混合系数来生成正规方程的样本；以及混合系数计算单元，用于基于多个生成的样本来计算混合系数。根据本技术的第一实施例，学生图像的目标像素的特征量被提取。基于提取的特征量将目标像素分类到预定类中。对目标像素执行包括用于至少恢复像素亮度级别的处理的自然图像处理。对目标像素执行包括用于至少使边缘清晰的处理的人工处理。针对每一个类使用经过自然图像处理的目标像素的像素值、经过人工图像处理的目标像素的像素值、教师图像的目标像素的像素值、以及预定混合系数来生成正规方程的样本。基于多个生成的样本来计算混合系数。根据本技术的第二实施例，提供一种图像处理装置，该图像
9、处理装置包括特征量提取单元，用于提取输入图像的目标像素的特征量；类分类单元，用于基于提取的特征量将目标像素分类到预定类中；自然图像处理单元，用于对目标像素执行自然图像处理，该自然图像处理包括用于至少恢复像素亮度级别的处理；人工图像处理单元，用于对目标像素执行人工图像处理，该人工图像处理包括用于至少使边缘清晰的处理；以及像素生成单元，用于通过使用与类相关联地存储的混合系数将经过自然图像处理的目标像素的像素值与经过人工图像处理的目标像素的像素值混合来生成输出图像的像素。特征量提取单元提取宽范围的特征量,该宽范围的特征量是基于在相对较宽的区域中的目标像素周围的对应区域中的动态范围、相邻像素差分绝对值
10、和相邻像素差分绝对值的最大值来计算的。特征量提取单元提取宽范围的特征量,该宽范围的特征量是基于在相对较宽的区域中的目标像素周围的对应区域中的动态范围、相邻像素差分绝对值和相邻像素差分绝对值的最大值来计算的，并且，特征量提取单元提取窄范围的特征量，该窄范围的特征量是基于目标像素周围的相对较宽的区域中的动态范围和包括目标像素的多个相对较窄的区域的动态范围中的最大值来计算的。像素生成单元通过根据从目标像素的特征量获得的向量与周边类的中心向量之间的距离对混合系数进行加权，来对与目标像素所属的类及其周边类中的每一个相对应的混合系数执行加权平均,并且使用经过加权平均的混合系数通过混合来生成输出图像的像素。
11、根据本技术的第二实施例，提供一种图像处理方法，该图像处理方法包括通过特征量提取单元，提取输入图像的目标像素的特征量；通过类分类单元，基于提取的特征量将目标像素分类到预定类中；通过自然图像处理单元，对目标像素执行自然图像处理，该自然图像处理包括用于至少恢复像素亮度级别的处理；通过人工图像处理单元，对目标像素执行人工图像处理，该人工图像处理包括用于至少使边缘清晰的处理；以及通过像素生成单元，通过使用与类相关联地存储的混合系数将经过自然图像处理的目标像素的像素值与经过人工图像处理的目标像素的像素值混合来生成输出图像的像素。根据本技术的第二实施例，存在一种用于使计算机起图像处理装置的作用的程序，该图像
12、处理装置包括特征量提取单元，用于提取输入图像的目标像素的特征量；类分类单元，用于基于提取的特征量将目标像素分类到预定类中；自然图像处理单元，用于对目标像素执行自然图像处理，该自然图像处理包括用于至少恢复像素亮度级别的处理；人工图像处理单元，用于对目标像素执行人工图像处理，该人工图像处理包括用于至少使边缘清晰的处理；以及像素生成单元，用于通过使用与类相关联地存储的混合系数将经过自然图像处理的目标像素的像素值与经过人工图像处理的目标像素的像素值混合来生成输出图像的像素。根据本技术的第二实施例，输入图像的目标像素的特征量被提取。基于提取的特征量将目标像素分类到预定类中。对目标像素执行包括用于至少恢复
13、像素亮度级别的处理的自然图像处理。对目标像素执行包括用于至少使边缘清晰的处理的人工处理。通过使用与类相关联地存储的混合系数将经过自然图像处理的目标像素的像素值与经过人工图像处理的目标像素的像素值混合来生成输出图像的像素。根据上述的本技术的实施例，可以使得特性不同的多个区域能够在具有这些区域的图像中被适当地分类。图I是示出根据应用本技术的图像处理装置的实施例的配置例的框图；图2是示出人工图像处理单元的处理的例子的示图；图3是示出该人工图像处理单元的处理的例子的示图；图4是示出自然图像处理单元的处理的例子的示图；图5是示出该自然图像处理单元的处理的例子的示图；图6是示出对应于图I的图像处理装置的学
14、习装置的配置例的框图；图7是示出与diffn/DR的值相对应的要输出的得分值(pointvalue)的变化的例 子的曲线图；图8是当计算窄范围特征量时的块提取方案的例子的示图；图9是示出其中目标像素正好位于细线(fine line)之上的例子的示图；图10是示出其中目标像素位于不是正好在细线之上的位置的例子的示图；图11是示出图I的自然图像/人工图像确定单元的详细配置例的框图；图12是示出系数学习处理的例子的流程图；图13是示出高图像质量处理的例子的流程图；图14是示出人工图像确定处理的例子的流程图；图15是示出其中由图I的自然图像/人工图像确定单元确定的结果被用于另一个处理的例子的框图；以及
15、图16是示出个人计算机的配置例的框图。具体实施例方式在下文中，将参考附图详细地描述本技术的优选实施例。请注意，在本说明书和附图中，基本上具有相同的功能和结构的结构元件用相同的附图标记表示，并且省略对这些结构元件的重复解释。图I是示出根据应用本技术的图像处理装置的实施例的配置例的框图。在该图中示出的图像处理装置20被配置为对输入图像执行高图像质量处理并将经过高图像质量处理的图像作为输出图像输出。在该例子中，图像处理装置20包括自然图像处理单元21、人工图像处理单元22、自然图像/人工图像确定单元23和合成单元(integration unit)24。自然图像/人工图像确定单元23确定输入图像的每
16、一个像素是否为自然图像或人工图像的像素。自然图像/人工图像确定单元23基于输入图像的目标像素及其周边像素的像素值来计算对应于目标像素的特征量。自然图像/人工图像确定单元23基于计算出的特征量将目标像素分类到预定类中，并基于分类结果确定该目标像素是否为自然图像或人工图像的像素。尽管将在稍后描述细节，但是由自然图像/人工图像确定单元23确定的结果适合作为目标像素的人工图像的程度被输出。自然图像处理单元21被配置为对输入图像中的被确定为自然图像的像素的目标像素执行高图像质量处理。人工图像处理单元22被配置为对输入图像中的被确定为人工图像的像素的目标像素执行高图像质量处理。这里，人工图像是诸如文字或简单图形的人工图像，其展示少量的灰度级别和指示边缘位置的不同的相位信息，即，包括很多的平坦部分。换句话说，人工图像被定义为图像中的一部分(区域)，其中，文字、简单图形等的灰度级别的数量较小，并且指示诸如轮廓的位置的信息占主导地位。另外，自然图像被定义为除了人工图像以外的图像中的一部分(区域)，并且，例如，对应于通过直接自然地对某物成像而获得的图像等。人工图
