[논문]동적 관심영역 코딩을 위한 효율적인 관심영역 코드블록 판별 알고리듬

강기준; 안병태

문제 정의

본 논문에서는 PSNR를 사용하여 객관적 화질 평가를 하였다. 샘플당 n 비트의 길이를 가지는 이미지에 대한 PSNRe 식(3)으로 나타낸다.
하지만 기존의 동적 관심영역 코딩 방법은 관심영역 코드블록 (Code Block) 내의 배경 웨이블릿 계수(Wavelet Coefficient)에 대한 우선적 처리 문제와 손실 문제 그리고 관심영역 코드블록을 판별하기 위한 수많은 스캔 과정을 필요로 하여 코딩 속도를 저하시키는 문제가 발생하였다. 본 논문에서는 이러한 문제점들을 보완한 효율적인 관심 영역 코드블록 판별 알고리듬을 제안한다. 본 논문의 구성은 다음과 같다.
기존 동적 관심 영역코딩 방법은 관심영역 코딩을 위해 많은 스캔 과정을 필요로 하고, 관심영역 주위에 있는 배경을 우선적으로 처리하는 문제와 손실 처리 문제로 인해 빠른 코딩이 이루어지지 못하였다. 이러한 문제점들을 개선하기 위하여 본 논문에서는 관심 영역 모양 특징을 기반으로 효율적인 관심영역 코드블록 판별 알고리듬을 제안하였다. 이 알고리듬은 관심영역 임계 값에 따라 성능을 조절할 수 있었다.

가설 설정

관심영역 크기는 32x32보다 크다.
관심영역 코딩 시간은 사용자의 관심영역 모양 정의 시간과 관심 영역 코드블록 판별시간 및 우선적인 처리시간의 합이다. 여기서 사용자의 관심영역 모양 정의 시간은 동일하다고 가정하며, 우선적 처리 방법은 모두 동일하다. 결국 관심영역 코딩 시간은 관심영역 코드 블록판별 시간에 의해 결정된다.

제안 방법

(3) 이미지 도메인에서의 관심영역 마스크, 기본적인 인코딩 정보, IDWT(Inverse DWT) 식을 이용하여 웨이블릿 도메인에서의 관심영역 마스크를 생성한다. (4) 본 논문에서는 제안한 관심영역의 모양 특징을 고려한 효율적인 마스크 스캔 과정을 통해, 관심 영역의 포함율을 계산한다. (5) 관심영역의 포함율이 관심영역 임계값보다 크면 관심영역 코드블록으로 판별한다.
결국 관심영역 코딩 시간은 관심영역 코드 블록판별 시간에 의해 결정된다. 기존의 두 방법은 판별을 위해 순차 스캔을 하는 반면, 제안한 방법은 그림 5와 같이 일부 웨이블릿 계수만 스캔한다. 표 4는 관심 영역 코드블록 판별을 위해 코드블록당 평균 스캔 횟수를 비교한 것이다.
방법, 제안한 방법이다. 동일한 실험 조건을 위해 묵시적 방법, 수정된 묵시적 방법, 제안한 방법에서는 叫迴, 의 값을 4096로 설정한다. 수정된 묵시적 방법에서는 k의 값을 5로 설정한다.
EBCOT에서 각 품질 레이어는 코드블록(혹은 패킷)의 임베디드 비트 스트림으로부터 임의의 공헌도를 포함한다. 따라서 코드블록 우선적 처리는 각 코딩 패스에서손실율을 조절한 후, PCRD(Post-Compression Rate-Distortion) 최적화 알고리듬을 다시 수행한다. 전체 손실 최소화에 의해서 코드블록 공헌도를 할당하기 때문에, 관심영역 부분은 손실 감소와 관심 영역이 일치하도록 코드블록 공헌도를 할당한다.
관심영역 코드블록 판별을 위해, 묵시적 방법은 한 번의 스캔으로 판별을 하고, 수정된 묵시적 방법은 한 번의 스캔으로 판별한 후에 관심영역 코드블록 내의 배경 웨이블릿 계수에 대한 우선권 조절을 위해 모든 코드블록 마스크를 스캔한다. 반면에 제안한 방법은 4번의 스캔 과정을 통해 코드블록 판별을 할 수 있었다.
배경 코드블록 판별을 위해, 묵시적과 수정된 묵시적 방법은 모든 코드블록 마스크를 스캔해야 알 수 있지만, 제안한 방법에서는 4번의 스캔과정을 통해 배경 코드블록을 판별한다. 관심영역 코드블록 판별을 위해, 묵시적 방법은 한 번의 스캔으로 판별을 하고, 수정된 묵시적 방법은 한 번의 스캔으로 판별한 후에 관심영역 코드블록 내의 배경 웨이블릿 계수에 대한 우선권 조절을 위해 모든 코드블록 마스크를 스캔한다.
본 논문에서는 압축된 비트 스트림으로부터 사용자 위주의 관심영역을 추출하여 빠르게 관심 영역을 코딩한 후에 이미지를 전송하여 복원하는 동적 관심 영역 코딩 방법을 취급하였다. 기존 동적 관심 영역코딩 방법은 관심영역 코딩을 위해 많은 스캔 과정을 필요로 하고, 관심영역 주위에 있는 배경을 우선적으로 처리하는 문제와 손실 처리 문제로 인해 빠른 코딩이 이루어지지 못하였다.
코드블록을 판별하는 과정이 필요하다. 본 연구에서는 기존의 방법과 같은 순차 스캔을 하지 않고, 관심영역 모양의 특징을 고려하여 효율적인 스캔 과정을 통해서 코드블록당 1 비트의 판별 정보를 구한다. 그림 4는 32x32 크기의 코드블록에서 다양한 관심 영역 모양의 예제들을 나타내고 있다.
실험에 사용된 코딩 방법은 관심영역 코딩을 하지 않은 EBCOT, Maxshift 방법, 묵시적 방법, 수정된 묵시적 방법, 제안한 방법이다. 동일한 실험 조건을 위해 묵시적 방법, 수정된 묵시적 방법, 제안한 방법에서는 叫迴, 의 값을 4096로 설정한다.
이러한 관심영역 모양의 특징을 기반으로 마스크 정보를 스캔하여 관심영역 포함율을 계산한다. 그림 5는 32x32 코드블록 크기의 스캔 순서를 나타내고 있다.
수정된 묵시적 방법에서는 k의 값을 5로 설정한다. 제안한 방법에서는 관심영역 코드블록 임계값을 90으로 설정한다. 관심영역 모양은 모두 사각형이며, 관심영역 위치는 이미지의 중앙 부분이다.

데이터처리

이 알고리듬은 관심영역 임계 값에 따라 성능을 조절할 수 있었다. 제안한 방법의 유용성을 보이기 위해 기존의 방법들과 동일한 매개변수 값을 설정하여 다양한 비트율에서 비교 실험을 하였고, 각 방법들에 대한 코딩 시간도 비교하였다. 실험 결과, 제안한 방법은 기존의 방법들과 비교하여 성능 면에 있어서 우수함을 나타냈다.

성능/효과

그래서 이미지 도메인에서의 관심영역 마스크를 생성한다. (3) 이미지 도메인에서의 관심영역 마스크, 기본적인 인코딩 정보, IDWT(Inverse DWT) 식을 이용하여 웨이블릿 도메인에서의 관심영역 마스크를 생성한다. (4) 본 논문에서는 제안한 관심영역의 모양 특징을 고려한 효율적인 마스크 스캔 과정을 통해, 관심 영역의 포함율을 계산한다.
(4) 본 논문에서는 제안한 관심영역의 모양 특징을 고려한 효율적인 마스크 스캔 과정을 통해, 관심 영역의 포함율을 계산한다. (5) 관심영역의 포함율이 관심영역 임계값보다 크면 관심영역 코드블록으로 판별한다. (6) 관심영역 코드블록은 중요도에 따라 관심 영역 가중치를 할당한 후에 Tier-2 과정을 거쳐 우선적인 처리를 한다.
(b)의 묵시적 방법은 관심영역 주위의 많은 배경 부분이 우선적으로 처리되는 것을 확인할 수 있고, (。의 수정된 묵시적 방법은 배경 부분에 손실을 주어 우선권에 의해 조절되는 것을 확인할 수 있다. (d)의 제안한 방법은 각 코드블록의 관심영역 포함율이 관심 영 역임계값보다 큰 경우에만 우선적 처리가 되는 것을 확인할 수 있다.
58 이 된다. 결론적으로 제한한 방법이 기존의 방법들과 비교하여 판별을 위한 스캔 속도가 가장 빠르다는 것을 알 수 있었다.
관심영역의 크기가 전체 이미지의 20%인 경우 관심 영역의 완전한 재구성은 EBCOT는 2.242bpp, 묵시적 방법은 1.443bpp, 수정된 묵시적 방법은 1.127bpp로 이루어지며, 제안한 방법은 일부 관심 영역을 배경으로 처리하기 때문에 EBCOT 방법과 동일한 비트율을 나타낸다. 하지만 제안한 방법은 묵시적 방법과 마찬가지로 JPEG2000 표준 관심 영역 의무손실 코딩과는 호환이 가능하다.
) 번의 스캔 과정을 통해 알 수 있었다. 만약 관심영역 크기가 전체 이미지의 25%인 경우, 배경 코드블록은 약 70%, 관심영역 코드블록은 약 20%, 배경 웨이블릿 계수를 포함한 관심영역 코드블록은 약 10% 정도 차지하게 되며, 코드블록의 가로 크기가 n이라면, 3 가지 방법의 코드블록당 평균 스캔 수는 0.751? + 0.2, n2, O.
나타냈다. 반면에 제안한 방법은 묵시적, 수정된 묵시적 방법에 비해 약 3% 더 높은 PSNR 값을 나타냈다. 표 3은 무손실 관심영역의 재구성을 위해 요구되는 비트율을 나타낸다.
제안한 방법의 유용성을 보이기 위해 기존의 방법들과 동일한 매개변수 값을 설정하여 다양한 비트율에서 비교 실험을 하였고, 각 방법들에 대한 코딩 시간도 비교하였다. 실험 결과, 제안한 방법은 기존의 방법들과 비교하여 성능 면에 있어서 우수함을 나타냈다. 향후 과제로서 실제로 사용자가 관심영역을 정의한 이후부터 관심 영역코딩, 전송, 복원까지의 시간을 비교하는 실험과 제안한 방법을 Motion-JPEG에 적용하는 사례 연구가 남아 있다.
제안한 방법은 평균적으로 4 + (n-6.) 번의 스캔 과정을 통해 알 수 있었다. 만약 관심영역 크기가 전체 이미지의 25%인 경우, 배경 코드블록은 약 70%, 관심영역 코드블록은 약 20%, 배경 웨이블릿 계수를 포함한 관심영역 코드블록은 약 10% 정도 차지하게 되며, 코드블록의 가로 크기가 n이라면, 3 가지 방법의 코드블록당 평균 스캔 수는 0.
127bpp로 이루어지며, 제안한 방법은 일부 관심 영역을 배경으로 처리하기 때문에 EBCOT 방법과 동일한 비트율을 나타낸다. 하지만 제안한 방법은 묵시적 방법과 마찬가지로 JPEG2000 표준 관심 영역 의무손실 코딩과는 호환이 가능하다. 표 4와 같이 관심 영역의 크기가 작을수록 관심영역의 무손실 재구성 비트율도 낮아진다.

후속연구

실험 결과, 제안한 방법은 기존의 방법들과 비교하여 성능 면에 있어서 우수함을 나타냈다. 향후 과제로서 실제로 사용자가 관심영역을 정의한 이후부터 관심 영역코딩, 전송, 복원까지의 시간을 비교하는 실험과 제안한 방법을 Motion-JPEG에 적용하는 사례 연구가 남아 있다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

동적 관심영역 코딩을 위한 효율적인 관심영역 코드블록 판별 알고리듬
An Eefficient ROI Code Block Discrimination Algorithm for Dynamic ROI Coding 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

데이터처리

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

동적 관심영역 코딩을 위한 효율적인 관심영역 코드블록 판별 알고리듬 An Eefficient ROI Code Block Discrimination Algorithm for Dynamic ROI Coding 원문보기

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

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

데이터처리

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

안병태 (13)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

동적 관심영역 코딩을 위한 효율적인 관심영역 코드블록 판별 알고리듬
An Eefficient ROI Code Block Discrimination Algorithm for Dynamic ROI Coding 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper