초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

카메라에서 출력되는 색은 주변 광원의 분광 분포, 물체의 분광 반사율 그리고 카메라의 분광 감도의 곱으로 나타나는 자극이며, 이때 물체의 분광 반사율은 물체의 고유한 색자극을 표시하는 중요한 요소이다. 기존의 주성분 분석 방법은 전체 모집단을 대표하는 몇 개의 주성분 벡터만을 이용하여 물체의 반사율을 추정하기 때문에 특정 샘플에 대한 정확한 추정이 어렵다. 본 논문에서는 기존의 RGB 카메라를 이용하여 정밀한 분광 분포 추정을 위해 유사색 모집단을 구성하고 각 유사색 모집단에 대해 별도로 주성분 벡터를 구함으로써 각 색에 대한 추정오차를 줄이는 방법을 제안하였다. 이 때 색상 영역별 모집단들을 구하는 과정에서 유사색 모집단의 수가 증가함에 따라 추정오차가 감소함을 알 수 있었다. 특히 전체 색이 16 개 이상의 모집단으로 나누어질 경우에, 추정 오차는 확연히 수렴함을 확인할 수 있었다. 그러나 유사색 모집단의 수가 증가할수록 복잡도와 정확도는 비례하여 증가한다. 따라서 이 두 가지 요소들을 고려하여 본 논문에서는 24 개의 대표색으로 유사색 모집단을 구성하였다. 이때, 초기의 대표값은 Macbeth ColorChecker를 이용하였으며, 전체 색을 대표하는 대표값을 결정하기 위하여 Lloyd 양자화기 설계 ...

카메라에서 출력되는 색은 주변 광원의 분광 분포, 물체의 분광 반사율 그리고 카메라의 분광 감도의 곱으로 나타나는 자극이며, 이때 물체의 분광 반사율은 물체의 고유한 색자극을 표시하는 중요한 요소이다. 기존의 주성분 분석 방법은 전체 모집단을 대표하는 몇 개의 주성분 벡터만을 이용하여 물체의 반사율을 추정하기 때문에 특정 샘플에 대한 정확한 추정이 어렵다. 본 논문에서는 기존의 RGB 카메라를 이용하여 정밀한 분광 분포 추정을 위해 유사색 모집단을 구성하고 각 유사색 모집단에 대해 별도로 주성분 벡터를 구함으로써 각 색에 대한 추정오차를 줄이는 방법을 제안하였다. 이 때 색상 영역별 모집단들을 구하는 과정에서 유사색 모집단의 수가 증가함에 따라 추정오차가 감소함을 알 수 있었다. 특히 전체 색이 16 개 이상의 모집단으로 나누어질 경우에, 추정 오차는 확연히 수렴함을 확인할 수 있었다. 그러나 유사색 모집단의 수가 증가할수록 복잡도와 정확도는 비례하여 증가한다. 따라서 이 두 가지 요소들을 고려하여 본 논문에서는 24 개의 대표색으로 유사색 모집단을 구성하였다. 이때, 초기의 대표값은 Macbeth ColorChecker를 이용하였으며, 전체 색을 대표하는 대표값을 결정하기 위하여 Lloyd 양자화기 설계 알고리즘을 적용하였다. 또한, 실제 카메라로 획득된 영상으로부터 물체의 분광 반사율을 추정하기 위해서 카메라의 감도 함수를 대신하여 반사율을 추정할 수 있는 가상 감도 함수 결정 방법을 제안하였다. 먼저 기존의 고유벡터 방법으로 추정된 카메라의 감도 함수의 특징을 추출한다. 가상 감도 함수는 가우시안 특성을 기반으로 추출된 파장에 따른 최대값과 대역폭을 적용함으로써 결정된다. 가상 카메라의 출력값과 가상 감도함수를 이용하면 실영상으로부터 물체의 반사율을 추정할 수 있다. 제안한 방법을 이용하여 주성분을 추출한 결과 색상 영역별 모집단의 누적기여도가 높아짐을 확인할 수 있었다. 또한 실제 카메라 출력값을 이용하여 반사율을 추정한 결과 기존의 주성분 분석방법에 비해 오차가 감소함을 확인할 수 있었으며 색차 및 결과 영상에서 우수한 성능을 나타내었다.