[논문]분리된 컬러 필터 배열을 이용한 에지 방향 컬러 보간 방법

오현묵; 유두식; 강문기

문제 정의

본 논문에서는 에지와 패턴 에지 영역에서의 성능을 향상시킨 에지 방향성 컬러 보간 알고리즘을 제안하였다. 제안하는 방법은 영상의 영역을 평탄, 에지, 패턴 에지 영역으로 분류하고, 각 화소 위치에서 영역 구분에 따라 보간하였다.
본 논문은 분리된 CFA 영상에서의 기울기 비교를 바탕으로 한 에지 방향성 컬러 보간 알고리즘을 제안한다. 제안하는 방법은 베이어 패턴에 의해 획득된 영상을 채널별로 분리하고 표본 줄임 down-samplinG하여 얻은 저해상도(low-resolution: LR) 영상을 이용한다.
수식 (1), (2)를 바탕으로 고해상도 영상 G 채널의 수직 방향 에지 영역에서 저해상도 영상을 샘플링 하는 경우를 생각해보자. 고해상도 영상의 수직 방향 에지 영역에 대해 수평 방향으로 이웃하는 화소 위치에서 샘플링 하는 경우 서로 다른 영역에 있는 값을 획득하게 되는 반면, 수직 방향으로 이웃하는 화소 위치에서 샘플링 하는 경우 동일한 영역에 속한 성분을 갖게 된다.
이 때, 두 영상이 대칭적으로 위치하기 때문에 하나의 보간 방법을 다른 영상 보간에 적용할 수 있다. 여기에서는 G 채널 영상의 소실 된 화소에 대해 영역 구분 후 추정 된 에지 방향을 따라(危을 보간 하는 방법을 기술하겠다.

제안 방법

따라서 이와 같은 문제를 극복하기 위한 다양한 알고리즘이 제안되었다. Zhange 보간 에러를 잡음으로 간주하고, 컬러 보간 시 발생하는 에러를 최소화 하는 필터 기반 컬러 보간을 제안하였다.® Gunturke 채널 간 상관관계를 바탕으로 제약조건을 정의하고, POCS(projection -onto-the-convex-sets) 기술에 기반 한 컬러 보간 방법을 제안하였다® 또한 Alleyssone 주파수 영역에서 베이어 패턴의 특징을 분석하고, 주파수 선택적 필터를 이용하여 보간하는 방법을 제안하였다.
Kime 최소 미분계수를 가지는 방향으로 보 간 방향을 결정하여 잡음에 강한 컬러 보간을 제안했다. 皿 Wu는 미리 보간한 수평, 수직 방향 보간 값 중 하나를 선형 판펼식에 기반한 경판정(soft decision) 방법으로 선택하였다.
각각의 영상은 컬러 보간 성능 비교에 주로 사용되는 Kodak 영상 중에서 에지나 패턴 에지 등의 고주파 성분이 많은 영상을 선별한 것이다. 각 영상에 대한 실험을 하기 위해 전 채널 컬러 영상에 대해 그림 1을 이용한 베이어 패턴 샘플링 후 각각의 컬러 보간 알고리즘을 적용하였다. 표 1에서는 보간 결과와 원본 영상 간의 PSNR(Peak Signal to Noise Ratio)를 측정함으로써 수치적으로 비교했다.
영상을 비교했다. 기존 알고리즘의 경우 해당 영역에서 나타나는 에러를 줄이기 위한 방법으로써 별도의 정제 과정(rehnement step)을 거치지만, 본 결과 비교에서는 컬러 보간 알고리즘의 성능만을 공정하게 비교하기 위해 각 알고리즘의 정제 과정 없이 비교 하였다. 그림 5는 'lighthouse' 영상의 일부분으로써, 수직 방향의 선 에지 성분이 평행하게 정렬되어 있으며 오른쪽 방향으로 수직 선분의 밀도가 높아짐으로써 수평 방향 고주파 성분이 많아진다.
이 때 동일 채널 및 다른 채널 간 저해상도 영상 사이에 존재하는 에지 방향에 따른 상관관계를 이용한다. 기존 에지 방향성 컬러 보간 알고리즘이 고주파 영역에서 발생시키는 에러를 해결하기 위해 저해상도 영상 사이의 상관관계를 바탕으로 새로운 에지 방향 판단 기준을 제안한다. 또한 현재 화소 위치에 대해 평탄 영역, 에지 영역, 반복되는 에지 패턴 영역으로 분류하고, 영역의 특성에 따라 서로 다른 에지 방향 판단 기준을 적용함으로써 판단의 정확성을 높인다.
제안하는 방법은 그림 3과 같이 진행된다. 먼저 베이어 패턴을 수식 (1)을 이용하여 저해상도 영상으로 분리한 뒤, 저해상도 영상 간 상관관계를 바탕으로 영역 적응적 보간을 수행한다. 그 후 저해상도 영상을 융합하여 최종 결과 영상을 획득한다.
특히 에지와 패턴 에지 영역에 대해서는 효율적인 판단 기준을 적용해서 에지 방향을 수평 혹은 수직 방향으로 추정하도록 하였다. 에지 방향성을 판단하는 기준은 베이어 패턴에 의해 열화된 영상을 저해상도 영상으로 분리하여 얻은 영상 사이에 존재하는 상관관계에 대한 분석을 바탕으로 제안하였다. 제안하는 방법은 영상의 영역 세분화와 에지 방향에 대한 정확한 추정을 바탕으로 영상의 고주파 영역에 대한 보 간 성능을 향상시켰다.
그 후 저해상도 영상을 융합하여 최종 결과 영상을 획득한다. 여기에서는 앞서 살펴 본 상관관계를 바탕으로 에지 방향 판단 기준을 제시하며, 이를 바탕으로 한 컬러 보간 방법을 제안한다.
제안하는 방법은 베이어 패턴에 의해 획득된 영상을 채널별로 분리하고 표본 줄임 down-samplinG하여 얻은 저해상도(low-resolution: LR) 영상을 이용한다. 이 때 동일 채널 및 다른 채널 간 저해상도 영상 사이에 존재하는 에지 방향에 따른 상관관계를 이용한다.
제안하는 방법은 영상의 영역을 평탄, 에지, 패턴 에지 영역으로 분류하고, 각 화소 위치에서 영역 구분에 따라 보간하였다. 특히 에지와 패턴 에지 영역에 대해서는 효율적인 판단 기준을 적용해서 에지 방향을 수평 혹은 수직 방향으로 추정하도록 하였다.
제안하는 컬러 보간은 수식 (4)와 (5)에서 제안한 에지 방향성 판단 기준을 사용하여 그림 4와 같이 각 채널에 따라 영역을 구분하고 에지 방향성을 추정한 후 소실된 정보를 보간한다. 영역 구분은 평탄, 에지, 패턴 에지 영역으로 구분한다.
또한 현재 화소 위치에 대해 평탄 영역, 에지 영역, 반복되는 에지 패턴 영역으로 분류하고, 영역의 특성에 따라 서로 다른 에지 방향 판단 기준을 적용함으로써 판단의 정확성을 높인다. 제안하는 판단 기준은 주어진 베이어 패턴 영상에서의 에지 정보를 효율적으로 사용함으로써 에지를 가로지르는 보간을 피하고 이에 따른 열화를 최소화 한다.
제안하는 방법은 영상의 영역을 평탄, 에지, 패턴 에지 영역으로 분류하고, 각 화소 위치에서 영역 구분에 따라 보간하였다. 특히 에지와 패턴 에지 영역에 대해서는 효율적인 판단 기준을 적용해서 에지 방향을 수평 혹은 수직 방향으로 추정하도록 하였다. 에지 방향성을 판단하는 기준은 베이어 패턴에 의해 열화된 영상을 저해상도 영상으로 분리하여 얻은 영상 사이에 존재하는 상관관계에 대한 분석을 바탕으로 제안하였다.

데이터처리

비교하였다. 비교 알고리즘으로써 색차 영역 (color difference domain) 보간을 제안한 Pei의 알고리즘"]을 사용하였으며, 이는 주변부 평균 방법 대비 제안하는 방법의 성능 분석을 위해 비교하였다. 또한 에지 방향성 보간 방법 (edge-directed demosaicing) 중에서는 Hamilton网의 알고리즘, 연판정 방법으로 에지 방향성을 주정한 Wu’m의 알고리즘(primary consistency soft decision : PCSD), 동질성 기반 영역 판정 방법을 제안한 Hirakawa®의 알고리즘(homogeneity-directed decision)을 사용하였다.
제안하는 알고리즘의 성능을 분석하기 위해 기존 알고리즘과 비교하였다. 비교 알고리즘으로써 색차 영역 (color difference domain) 보간을 제안한 Pei의 알고리즘"]을 사용하였으며, 이는 주변부 평균 방법 대비 제안하는 방법의 성능 분석을 위해 비교하였다.
각 영상에 대한 실험을 하기 위해 전 채널 컬러 영상에 대해 그림 1을 이용한 베이어 패턴 샘플링 후 각각의 컬러 보간 알고리즘을 적용하였다. 표 1에서는 보간 결과와 원본 영상 간의 PSNR(Peak Signal to Noise Ratio)를 측정함으로써 수치적으로 비교했다. PSNRe 101o&o(2552/"网로 정의하고, MSE(Mean Square Error)는 원본과 결과 영상 사이의 에러의 제곱의 평균이다.

이론/모형

皿~却 Kime 최소 미분계수를 가지는 방향으로 보 간 방향을 결정하여 잡음에 강한 컬러 보간을 제안했다. 皿 Wu는 미리 보간한 수평, 수직 방향 보간 값 중 하나를 선형 판펼식에 기반한 경판정(soft decision) 방법으로 선택하였다.幽 수평, 수직으로 미리 보간 된 값 중에서 선택하는 또 다른 방법으로써 Hira虱wa는 인접 영역 사이에서의 밝기와 색도의 유사성을 바탕으로 homogeneity map을 구성하였다.
비교 알고리즘으로써 색차 영역 (color difference domain) 보간을 제안한 Pei의 알고리즘"]을 사용하였으며, 이는 주변부 평균 방법 대비 제안하는 방법의 성능 분석을 위해 비교하였다. 또한 에지 방향성 보간 방법 (edge-directed demosaicing) 중에서는 Hamilton网의 알고리즘, 연판정 방법으로 에지 방향성을 주정한 Wu’m의 알고리즘(primary consistency soft decision : PCSD), 동질성 기반 영역 판정 방법을 제안한 Hirakawa®의 알고리즘(homogeneity-directed decision)을 사용하였다.

성능/효과

제안하는 방법은 영상의 영역 세분화와 에지 방향에 대한 정확한 추정을 바탕으로 영상의 고주파 영역에 대한 보 간 성능을 향상시켰다. 실험 결과에서 수치적 결과와 실제 영상을 통해 제안하는 알고리즘이 객관적, 주관적 측면에서 기존 알고리즘보다 좋은 성능을 나타내었다.
하지만 제안하는 방법의 경우에는 기존의 알고리즘에 대해 각각의 채널에 대해 모두 높은 PSNR을 보인다. 이것은 제안하는 알고리즘이 에지 혹은 패턴 에지 영역의 소실 된 정보를 보간 함에 있어서 기존 알고리즘 보다 정확하게 보간하고, 적은 에러를 발생시킴을 나타낸다.
에지 방향성을 판단하는 기준은 베이어 패턴에 의해 열화된 영상을 저해상도 영상으로 분리하여 얻은 영상 사이에 존재하는 상관관계에 대한 분석을 바탕으로 제안하였다. 제안하는 방법은 영상의 영역 세분화와 에지 방향에 대한 정확한 추정을 바탕으로 영상의 고주파 영역에 대한 보 간 성능을 향상시켰다. 실험 결과에서 수치적 결과와 실제 영상을 통해 제안하는 알고리즘이 객관적, 주관적 측면에서 기존 알고리즘보다 좋은 성능을 나타내었다.
고해상도 영상의 수직 방향 에지 영역에 대해 수평 방향으로 이웃하는 화소 위치에서 샘플링 하는 경우 서로 다른 영역에 있는 값을 획득하게 되는 반면, 수직 방향으로 이웃하는 화소 위치에서 샘플링 하는 경우 동일한 영역에 속한 성분을 갖게 된다. 즉, 한 저해상도 영상의 수직 에지 성분은 수직 방향으로 평행이동 관계에 있는 다른 영상과 유사한 성분을 갖게 되는데, 이를 일반적으로 확장하면 동일한 수직 (수평) 방향으로 평행이동 관계에 있는 저해상도 영상들 사이에서는 해당 방향으로의 에지 성분이 유사하다는 결론을 내릴 수 있다. 이는 각 저해상도 영상이 수직, 수평, 혹은 양 방향에 대해 0.
표 1 을 바탕으로 보았을 때 일반적으로 에지 방항성보간 방법이 주변부 평균을 이용한 Pei의 방법에 비해 수치적으로 좋은 결과를 가지는 것을 확인할 수 있다. 하지만 영상에 따라 성능 우위가 변하는 것을 볼 수 있는데, 이는 기존 에지 방향성 알고리즘이 디테일 등의 고주파 영역에서 잘못 된 방향으로 보간는 경우 평균적으로 더 큰 에러로써 나타내기 때문이다.
하지만 영상에 따라 성능 우위가 변하는 것을 볼 수 있는데, 이는 기존 에지 방향성 알고리즘이 디테일 등의 고주파 영역에서 잘못 된 방향으로 보간는 경우 평균적으로 더 큰 에러로써 나타내기 때문이다. 하지만 제안하는 방법의 경우에는 기존의 알고리즘에 대해 각각의 채널에 대해 모두 높은 PSNR을 보인다. 이것은 제안하는 알고리즘이 에지 혹은 패턴 에지 영역의 소실 된 정보를 보간 함에 있어서 기존 알고리즘 보다 정확하게 보간하고, 적은 에러를 발생시킴을 나타낸다.

후속연구

기존 에지 방향성 컬러 보간 알고리즘이 고주파 영역에서 발생시키는 에러를 해결하기 위해 저해상도 영상 사이의 상관관계를 바탕으로 새로운 에지 방향 판단 기준을 제안한다. 또한 현재 화소 위치에 대해 평탄 영역, 에지 영역, 반복되는 에지 패턴 영역으로 분류하고, 영역의 특성에 따라 서로 다른 에지 방향 판단 기준을 적용함으로써 판단의 정확성을 높인다. 제안하는 판단 기준은 주어진 베이어 패턴 영상에서의 에지 정보를 효율적으로 사용함으로써 에지를 가로지르는 보간을 피하고 이에 따른 열화를 최소화 한다.

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

분리된 컬러 필터 배열을 이용한 에지 방향 컬러 보간 방법
Edge-Directed Color Interpolation on Disjointed Color Filter Array 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

분리된 컬러 필터 배열을 이용한 에지 방향 컬러 보간 방법 Edge-Directed Color Interpolation on Disjointed Color Filter Array 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

제안 방법

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

유두식 (3) 강문기 (54)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

분리된 컬러 필터 배열을 이용한 에지 방향 컬러 보간 방법
Edge-Directed Color Interpolation on Disjointed Color Filter Array 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper