선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 영상을 유채색과 무채색으로 분리하여 색인을 생성함으로써 영상의 국부적인 색의 특성을 살려 색을 변환할 수 있도록 한다. 또한 자연 영상뿐만 아니라 그림 영상에서도 적용이 가능하며 에지인 부분과 에지가 아닌 부분을 추출하여 에지가 아닌 부분에서 후처리를 하여 의사 윤곽선이나 잡음을 제거한다.
- 본 논문에서는 영상의 각 화소가 낮은 채도 상에서 부적절한 색상으로 색인이 되는 것을 방지하기 위해 채도의 문턱치(threshold)를 이용하여 유채색과 무채색을 분리하여 각 화소의 색인을 생성한다, 유채색은 채도가 있는 색을 의미하며, 색의 3요소인 색상, 채도, 명도를 모두 가지고 있다. 무채색은 색상과 채도가 없고 명도만 존재하는 것을 의미하지만 일반적인 영상에서 색상과 채도가 완벽히 존재하지 않는 경우는 드물다.
- 본 논문에서는 유채색과 무채색을 분리하여 색인 된 영상을 이용하여 색을 변환하는 기법을 제안한다. 색을 변환하는 연구는 영상 전체를 대상으로 색을 변환하는 기법'七 입력 영상의 대표 색상을 추출하여 생성된 팔레트(Palette)를 이용하여 색을 변환하는 기법⑵, 누적 히스토그램을 이용하여 색을 변환하는 기법⑶ 등이 있다.
- 본 논문에서는 채도의 문턱치를 이용하여 색인을 생성한 영상의 색 변환 기법을 제안하였다. 제안하는 기법은 그림 영상뿐만 아니라 자연 영상에서도 적용이 가능하며 채도의 문턱치를 이용하여 유채색과 무채색으로 분리함으로써 색상의 식별력이 저하되는 낮은 채도에서도 올바른 색으로 색인이 생성된다.
제안 방법
- ② 영상의 국부적인 색의 특성을 반영하기 위하여 분리된 화소들은 실린드리컬 거리(Cylindrical metric)를 이용하여 11가지 색상 항목 (Index color)으로 색인을 생성한다. ③ 영상에 우세한 색상 항목끼리 색을 변환하기 위하여 각 색상 항목의 화소의 개수와 위치적인 분산도를 이용하여 우선순위를 결정하고 각 색상 항목으로 평균과 표준편차를 구한다. ④ Lab 색 공간에서 a채널과 b채널을 이용하여 색을 변환하고 영상의 잡음과 의사 윤곽선을 제거하기 위하여 에지가 아닌 부분을 추출하여 블러링 함으로써 후처리를 한다.
- De讯 (x, y)의 값이 작을수록 화소간의 유사도가 크다는 것을 의미한다. 각 화소와 색상 항목의 유사도를 측정하여 각 화소들이 어느 색상 항목에 속하는지 판단한다. [그림 7]은 실린드리컬거리의 모형을 나타낸 것이다.
- 색을 변환할 수 있도록 한다. 또한 자연 영상뿐만 아니라 그림 영상에서도 적용이 가능하며 에지인 부분과 에지가 아닌 부분을 추출하여 에지가 아닌 부분에서 후처리를 하여 의사 윤곽선이나 잡음을 제거한다. 본 논문은 II장에서 기존의 색을 변환하는 연구에 대해 알아보고, HI장에서는 제안하는 기법에 대해 설명하며, 제안하는 기법은 4단계로 구성된다.
- 본 논문에서는 검증을 하기 위하여 WebMuseum- Paris, artframed의 그림 영상과 코렐 데이터베이스에 있는 자연 영상, 웹에 무료로 제공되는 자연 영상 등을 이용하여 원본 영상을 참조 영상의 색으로 변환하는 것을 실험하였다⑸ 실험은 채도의 문턱치를 이용하여유채색과 무채색을 분리하여 색인을 생성한 기법에 대한 결과를 보이고 여러 가지 색을 변환하는 기법들을 이용한 결과와 제안하는 기법을 이용한 결과를 비교 분석한다.
- 본 장에서는 Lab 색 공간에서 평균과 표준편차를 이용하여 색을 변환하는 기법, 팔레트 기법을 이용하여 색을 변환하는 기법, 누적 히스토그램을 이용하여 색을 변환하는 기법 등 기존의 연구를 살펴보고 기존 기법들의 특징과 문제점들을 기술한다.
- 영상의 전체적인 분위기를 주도하는 색인의 색상 항목(Index color)별로 색을 변환하기 위해 색상 항목의 우선순위를 결정하며, 이를 위해 화소의 개수와 위치 적분 산도를 사용한다. 각 색상 항목에 속하는 화소의 개수만을 이용할 경우 영상 내에 존재하는 화소의 개수는 많지만 흩어짐 정도가 커서 영상의 전체적인 분위기를 주도 하지 않는 색이 우위를 차지하여 부적절한 순서로 색이 변환되는 문제가 발생한다.
- 이 기법은 유화 그림만을 대상으로 하였으며 색만 변환하는 것을 목적으로 하였기 때문에 Lab 색 공간의 채널 중 조명을 나타내는 L 채널을 제외한 빨간색과 초록색의 색 정보를 나타내는 a 채널과 파란색과 노란색의 색 정보를 나타내는 b 채널만을 사용하였다. 또한 입력 영상에서 팔레트의 색을 추출하였기 때문에 영상을 대표하는 색상을 추출할 수 있었다.
- 발생한다. 이를 보정해 주기 위해 3 * 3 마스크를 이용하여 중심 화소와 인접한 주변 화소들의 색상 항목을 확인하고 그 화소와 다른 색상 항목을 가지는 화소의 개수를 계산한다. 계산된 수가 7개 이상일 때 잘못된 색인으로 간주하여 중심 화소의 색상 항목을 7개 이상의 화소수를 가진 색상 항목으로 수정하고 그렇지 않은 경우는 기존의 중심 화소의 색상 항목을 사용한다.
- Reinhard 등은 Lab 색 공간에서 평균과 표준편차를 이용하여 색을 변환하는 기법을 제안하였다. 이를 이용하여 색을 변환하는데, 본 논문에서는 색만을 변환하여 영상의 분위기를 바꾸는 것을 제안하므로 Lab 색 공간에서 조명을 나타내는 L채널을 제외한 나머지 빨간색과 초록색의 색 정보를 나타내는 a 채널과 파란색과 노란색의 색 정보를 나타내는 b 채널만을 사용하여 색을 변환한다. 식 (12)는 색을 변환하는 식이며 [그림 8]은 색을 변환한 결과 영상이다.
- 이는 마스크내의 밝기변화에 따라 각 화소들이 가변적으로 에지 여부를 결정하므로 고정된 문턱치를 이용한 에지 검출에 비해 조명변화에 강건한 에지 검출 결과를 얻을 수 있다. 이를 이용하여 에지인 부분과 에지가 아닌 부분을 구분하고 에지가 아닌 부분인 경우에 중간값 필터를 이용하여 부드럽게 함으로써 잡음과 의사 윤곽선을 제거한다. 중간값 필터는 주변 픽셀들을 정렬하여 그중 가운데에 있는 값을 취하는 기법으로 임펄스 잡음 제거에 효과적이다.
- 일반적으로 에지의 유무를 판별할 때 고정된 문턱치를 사용하는 데 이러한 기법은 입력 영상의 명도의 변화에 따른 에지의 양을 조절할 수 없다는 단점을 가진다. 이를 해결하기 위하여 영상에 적용되는 마스크상의 국부적인 특징에 따라 문턱치를 결정하는 적응형 소벨 에지 검출기를 사용하여 에지가 아닌 부분을 검출하고 중간값 필터를 적용하여 검출된 그 부분에서만 부드럽게 한다. [그림 9]는 소벨 연산자를 수행할 때 사용되는 마스크이다.
- 발생한다. 이를 해결하기 위하여 지은미 등이 제안하는明 적응 형소 벨 에지 검출을 이용하여 에지가 아닌 부분을 찾고 중간값 필터를 이용하여 그 부분을 부드럽게 한다. 일반적으로 에지의 유무를 판별할 때 고정된 문턱치를 사용하는 데 이러한 기법은 입력 영상의 명도의 변화에 따른 에지의 양을 조절할 수 없다는 단점을 가진다.
- 입력 영상의 대표 색상을 추출하여 팔레트를 생성하고 이를 이용하여 색을 변환하는 기법은 그림 영상만을 대상으로 하였으며 입력 영상에서 색을 추출하여 입력 영상의 전체적인 분위기를 주도하는 색을 이용하여 색을 변환하였다. 하지만 영상을 분할한 후 축소 표본화 (Down sampling)# 하여 색을 추출함으로써 같은 색의 영역이 각기 다른 색으로 변환되어 원본 영상에는 존재하지 않던 의사 윤곽선(pseudo-contour)이 발생하였다 이로 인해 영상의 부자연스러움이 나타나는 단점이 있었다⑵ 누적 히스토그램을 이용한 기법은 원본 영상과 참조 영상의 누적 히스토그램을 매칭 시켜 색을 변환하는 것이다.
- 하지만 Reinhard 등이 제안하는 기법의 경우 하나의 평균과 표준편차를 이용하므로 참조 영상에서 공룡의 색과 배경의 색이 혼합되어 결과 영상의 명도가 증가한 것이 보인다. 제안하는 기법에서는 채도 분리와 색인을 생성하는 기법을 사용하여 참조 영상이 가지는 우세한 색으로 변환된 것이 보인다.
- 영상의 색 변환 기법을 제안하였다. 제안하는 기법은 그림 영상뿐만 아니라 자연 영상에서도 적용이 가능하며 채도의 문턱치를 이용하여 유채색과 무채색으로 분리함으로써 색상의 식별력이 저하되는 낮은 채도에서도 올바른 색으로 색인이 생성된다. 또한, 적응형 에지 검출기와 중간값 필터를 사용하여 에지가 아닌 부분을 찾아 영상을 부드럽게 함으로써 영상의 색을 변환한 후발생되는 잡음이나 의사 윤곽선이 제거된다.
- 채도의 문턱치를 이용한 유채색과 무채색을 구분하는 기법을 입력 영상과 11가지 색상 항목에 적용하여유채색과 무채색을 구분하여 색인을 생성하는데 사용한다.
- 채색 분리를 하지 않은 유클리디언 거리를 이용한 색인과 실린드리컬 거리를 이용한 색인, 채색 분리를 한유클리디언 거리를 이용한 색인과 실린드리컬 거리를 이용한 색인을 각각 실험한 영상을 비교한다. 여러 가지 기법으로 색인을 생성한 결과인 [그림 10]을 살펴보면 원본 영상에서 건물의 색은 연한 노란색을 띄는 것을 확인할 수 있다.
데이터처리
- 색을 변환하기 위하여 색인의 각 색상 항목(Index color)에 속하는 화소들의 통계 값인 평균과 표준편차를 구한다. 식 ⑻은 색인의 각 색상 항목 내에 속하는 화소들의 평균이고, 식 (9)는 색인의 각 색상 항목 내에 속하는 화소들의 표준편차이다.
- [그림 9]는 소벨 연산자를 수행할 때 사용되는 마스크이다. 소벨 연산자를 이용하여 수평방향과 수직 방향에서의 에지를 검출하고 검출된 에지 값을 평균명도 값으로 나눈다. 나누어진 값이 1보다 큰 경우 에지인 부분으로, 작은 경우에는 에지가 아닌 부분으로 구분하여 에지가 아닌 부분에서만 중간값 필터를 실행한다.
- 색을 변환할 때 오류가 발생한다. 이를 해결하기 위해, 영상에서 존재하는 색상 항목들을 이용하여 영상의 전체적인 분위기를 해치지 않는 범위에서 비어 있는 색상 항목의 평균과 표준편차를 구한다. 식 Q0)은 비어있는 색상 항목의 평균이고, 식 (11)은 비어 있는 색상 항목의 표준편차를 구하는 식이다.
이론/모형
- 2]. Image splitting and down-sampling method using Greenfield's methods.
- 색을 변환하는 기법은 Reinhard 등이 제안하는 기법 ⑴을 이용한다. Reinhard 등은 Lab 색 공간에서 평균과 표준편차를 이용하여 색을 변환하는 기법을 제안하였다.
- 유채색과 무채색으로 분리된 각 화소들과 11가지의 색상 항목과의 유사도를 측정하기 위해 실린드리컬 거리를 이용한다. 실린드리컬 거리는 HSI 색 공간에서 화소들 간의 거리를 측정하는 기법으로써 두 화소 ⑦와 g 의 거리인 D割(X兩)는 식 (4)-(7)을 이용한다.
성능/효과
- 이는 영역 기반의 영상 분할로 인해 유사한 영역이 분할되어 각각 다른 색으로 변환되어 발생되는 문제이다. 또한, [16(c)]를 보면 원본 영상과 참조 영상이 가진 색의 종류들이 비슷하여 결과 영상이 자연스러워 보이지만 하나의 평균과 표준편차를 사용함으로써 영상의 국부적인 색의 특성을 반영하지 못하고 결과 영상에서는 대부분의 색이 노란색 계통으로 나타난 것을 확인할 수 있다. 채색 분리를 이용한 제안하는 기법의 결과(16(a))를 보면 화소별로 채색 분리하여 색인한 결과 유사한 영역을 분할시켜 각기 다른 색으로 변환하는 문제를 해결하였으며 색인한 색상 항목 별로 색을 변환하여 영상의 국부적인 색의 특성을 반영하여 효과적으로 색을 변환함을 확인할 수 있다.
- 하지만 채색 분리를 적용하지 않고 유클리디언 거리와 실린드리컬 거리를 이용하여 색인을 생성한 결과에서는 건물의 벽이 노란색 색상 항목과 흰색 색상 항목으로 색인이 된 것이 보인다. 또한 하늘 부분을 살펴 보면 채색 분리의 유무 상관없이 유클리디언거리를 이용하여 색인을 생성한 부분에서는 파란색 색상 항목이 아닌 다른 색상 항목으로 색인이 생성되었으며 채색 분리를 하지 않고 실린드리컬 거리를 이용하여 색인을 생성한 결과영상에서는 하늘에 해당하는 부분 이두 가지 색상 항목으로 나누어져 색인이 생성된 것을 확인 할 수 있다. 따라서 채색 분리를 하지 않고 색인이 생성되면 점층법이 적용된 영상에서 두 가지 색상 항목으로 색인이 생성되거나 채도가 낮은 경우에 부적절한 색상 항목으로 색인이 되는 경우가 발생한다.
- 소벨 연산자를 이용하여 얻은 수직방향 에지와 수평 방향 에지의 강도가 크거나 평균명도가 작을수록 에지가 많이 검출되며, 에지의 강도가 작거나 평균 명도가 클수록 에지가 적게 검출된다. 이는 마스크내의 밝기변화에 따라 각 화소들이 가변적으로 에지 여부를 결정하므로 고정된 문턱치를 이용한 에지 검출에 비해 조명변화에 강건한 에지 검출 결과를 얻을 수 있다.
- 따라서 채색 분리를 하지 않고 색인이 생성되면 점층법이 적용된 영상에서 두 가지 색상 항목으로 색인이 생성되거나 채도가 낮은 경우에 부적절한 색상 항목으로 색인이 되는 경우가 발생한다. 이를 해결하기 위하여 채색 분리를 이용하였으며 그림 io에서채색 분리를 이용한 색인 결과를 보면 하늘 부분과 건물의 벽 부분에서 효과적으로 색인이 생성된 결과를 확인할 수 있다.
- 영상에서는 존재하는 않는 붉은 타입의 색으로 변환된 결과를 확인할 수 있다. 제안하는 기법에서는 원본 영상에서 우세하게 나타나는 초록색과 참조 영상에서 우세하게 나타나는 파란색이 적절하게 색이 변환된 것을 확인할 수 있다. [그림 14]와 [15]는 원본 영상과 참조 영상을 보여주고 있으며, [그림 16]과 [17]은 색 변환 기법의 결과를 보여주고 있다.
- 또한 Greenfield 등의 기법과 Reinhard 등의 기법의 결과에서는 명도의 변화로 인해 길이나 나무 밑동 부분의 세부적인 묘사가 많이 사라진 것을 확인할 수 있다. 제안하는 기법의 결과에서는 채색 분리를 이용한 색인을 이용함으로써 영상의 전체적인 분위기를 노란색으로 유지 하였고 국부적인 색의 특성을 살려 영상의 세부적인 묘사를 효과적으로 나타낸 것을 확인할 수 있다.
- 또한, [16(c)]를 보면 원본 영상과 참조 영상이 가진 색의 종류들이 비슷하여 결과 영상이 자연스러워 보이지만 하나의 평균과 표준편차를 사용함으로써 영상의 국부적인 색의 특성을 반영하지 못하고 결과 영상에서는 대부분의 색이 노란색 계통으로 나타난 것을 확인할 수 있다. 채색 분리를 이용한 제안하는 기법의 결과(16(a))를 보면 화소별로 채색 분리하여 색인한 결과 유사한 영역을 분할시켜 각기 다른 색으로 변환하는 문제를 해결하였으며 색인한 색상 항목 별로 색을 변환하여 영상의 국부적인 색의 특성을 반영하여 효과적으로 색을 변환함을 확인할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.