영상 화질 개선을 위한 Multi-Scale Retinex 기반의 적응적 언샤프 마스킹 필터 설계 :

김주영

추천

검색

자료유형: 학위논문

저자정보: 김주영 (서경대학교, 서경대학교 대학원)

발행연도: 2018

저작권: 서경대학교 논문은 저작권에 의해 보호받습니다.

이용수2

이 논문의 연구 히스토리 (2)

2018

영상의 화질 개선을 위한 Multi-Scale Retinex 기반의 적응적 언샤프 마스킹 필터 설계

김주영 , 김진헌 멀티미디어학회논문지 2018.02 학술저널

영상 화질 개선을 위한 Multi-Scale Retinex 기반의 적응적 언샤프 마스킹 필터 설계

김주영 전자컴퓨터공 2018.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

카메라 영상 획득 과정에서 대조비가 약화되는 원인은 조명 조건이나 영상기기 제약의 문제 등으로 다양하게 나타낼 수 있다. 이러한 문제들로 디지털 영상처리 분야에서 화질 개선 기법은 다양한 방법들이 있으며 대표적인 방법으로 Retinex 알고리즘, 언샤프 마스킹 등이 있다. 언샤프 마스킹(Unsharp Masking) 기법은 영상의 저주파 영역을 제외한 고주파 영역을 강조해 대조비를 개선하지만 가우시안 필터의 시그마 크기나 영상에 따라서 잡음이 강조되거나 후광효과(halo artifact) 등이 발생하기도 한다. Retinex 알고리즘은 인간의 시각 인지 시스템(HVS: Human Visual System)을 기반하여 영상의 대조비를 개선하는 방법으로 영상의 전체적인 대조비를 개선하지만 색상 손실이나 영상에 따라서 어두운 영역과 밝은 영역 경계에 에지가 손실되고 후광효과가 발생한다.
본 논문에서는 대조비를 개선할 때 생기는 잡음강조, 후광효과 등의 문제를 개선하고자 UMF(Unsharp Masking Filter)를 설계하고, 필터를 적응적으로 처리하는 방법을 제안한다. 본 논문에서 제안하는 알고리즘은 기존의 언샤프 마스킹 기법과 Retinex 알고리즘을 개선한 두 알고리즘을 융합하는 방법으로 언샤프 마스킹의 과정을 다수의 필터를 설계하여 대조비를 적응적으로 개선한다. 적응적인 처리를 위한 각 필터의 가중치는 에지 정보를 이용한 Multi-Scale Retinex 알고리즘 기반으로 설정한다. Retinex 알고리즘은 조명 성분과 반사 성분을 고려하여 조명성분을 제거하고 반사성분을 이용해 밝기를 향상시켜 영상을 개선하는 방법으로 인간이 시각적으로 물체를 인지하는데 있어서 물체 주변의 광원 정보가 시각적 정보에 영향을 준다. Retinex 알고리즘의 대표적인 알고리즘 MSR(Multi-Scale Retinex)에서 에지의 정보를 이용하는 방법으로 인간의 시각 작용을 모델링하여 저조도 영역에 포함되어 있는 에지의 양을 추정하는 방법이다. 크기가 다른 다수의 UMF를 설계하고, 필터의 가중치는 영상의 저조도 영역에서 각 각의 필터를 통해 얻어지는 에지의 비율을 추정해 정규화하여 가중치를 설정한다.
본 논문에서 제안한 방법은 실험 분석 결과 기존의 방법에 비해 평가 지표 결과 모두 높은 수치가 보임을 확인하였다. 평균 잡음 비율이 평균 약 10db 이상 감소하였고, 구조적 유사도 또한 18% 이상 높은 결과를 보였으며 영상 비교 결과 후광효과가 감소됨을 확인하였다.

The reason why the contrast ratio is weak in the process of acquiring the camera image can be variously indicated by the lighting condition and the limitation of the image device. Due to these problems, there are various methods of image quality improvement in the digital image processing field. Representative methods include Retinex algorithm and unsharp masking. The Unsharp Masking technique enhances the contrast ratio by emphasizing the high frequency region except for the low frequency region of the image. However, depending on the sigma size or the image of the Gaussian filter, noise is emphasized or halo artifacts occur. The Retinex algorithm improves the contrast ratio of the image by improving the contrast ratio of the image based on the human visual cognition system (HVS), but the edge is lost in the dark region and the bright region boundary depending on the color loss or the image A halo effect occurs.
In this paper, we design UMF (Unsharp Masking Filter) and adaptively process the filter to improve problems such as noise enhancement and halo effect that occur when the contrast ratio is improved. In this paper, we propose a method to combine two unsharp masking and Retinex algorithms. The unsharp masking process improves the contrast ratio by designing multiple filters. The weight of each filter for adaptive processing is set based on Multi-Scale Retinex algorithm using edge information. The Retinex algorithm is a method to improve the image by removing the illumination component in consideration of the illumination component and the reflection component and enhancing the brightness by using the reflection component. In the case of recognizing the object visually by the human, the light source information around the object affects the visual information give. Representative Algorithm of Retinex Algorithm This method uses edge information in MSR (Multi-Scale Retinex) to model the human visual action and estimate the amount of edges included in the low-illuminance region. A plurality of UMFs of different sizes are designed, and the weights of the filters are normalized by estimating the ratio of the edges obtained through the respective filters in the low-illuminance region of the image to set weights.
Experimental results show that the proposed method has higher values than the conventional methods. The average noise ratio decreased by more than 10dB and the structural similarity was also over 18% higher.

목 차
I. 서 론
II. 연구 배경
1. Sharpening Filtering
2. 언샤프 마스킹
3. Retinex 알고리즘
4. 공간 필터 설계와 푸리에 변환
III. 제안 방법
1. Unsharp Masking Filter 설계
2. 필터의 가중치 설정
3. 주파수 공간에서의 필터링
IV. 연구 결과 및 분석
1. 평가 지표
1-1. PSNR
1-2. SSIM
1-3. AMBE
2. 정량적 평가 지표 분석 및 정성적 실험 영상 비교
2-1. 정량적 평가 지표 분석
2-2. 정성적 실험 영상 비교
2-3 연산 속도 비교
V. 결 론
참 고 문 헌

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)