[논문]다시점 카메라를 이용한 초고해상도 영상 복원

안재균; 이준태; 김창수

doi:10.5909/jbe.2013.18.3.463

다시점 카메라를 이용한 초고해상도 영상 복원
Super-Resolution Image Reconstruction Using Multi-View Cameras 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.18 no.3, 2013년, pp.463 - 473

안재균 (고려대학교 전기전자전파공학과) , 이준태 (고려대학교 전기전자전파공학과) , 김창수 (고려대학교 전기전자전파공학과)

초록
AI-Helper

본 논문에서는 다시점 영상을 이용한 초고해상도 영상 복원 기법을 제안한다. 구체적으로 $5{\times}5$ 배열로 구성된 다시점 카메라로 25장의 영상을 취득하고, 가운데 카메라에 해당하는 초고해상도 영상을 저해상도 입력 영상과 24장의 저해상도 참조 영상을 활용하여 생성한다. 우선 입력 영상을 중심으로 스테레오 정합 기법을 이용하여 24개의 참조 영상에 대한 변이지도를 각각 추정한다. 그리고 저해상도 영상과 참조 영상에 있는 일치점들을 이용하여 초고해상도 영상을 복원한다. 최종적으로 반복적 균일화를 통해 초고해상도 영상을 보정한다. 실험을 통하여 본 논문에서 제안한 초고해상도 영상 복원 기법의 성능이 우수함을 확인한다.

Abstract ▼ AI-Helper

In this paper, we propose a super-resolution (SR) image reconstruction algorithm using multi-view images. We acquire 25 images from multi-view cameras, which consist of a $5{\times}5$ array of cameras, and then reconstruct an SR image of the center image using a low resolution (LR) input image and the other 24 LR reference images. First, we estimate disparity maps from the input image to the 24 reference images, respectively. Then, we interpolate a SR image by employing the LR image and matching points in the reference images. Finally, we refine the SR image using an iterative regularization scheme. Experimental results demonstrate that the proposed algorithm provides higher quality SR images than conventional algorithms.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 다시점 카메라를 이용하여 초고해상도 영상을 생성하는 기법을 제안하였다. 다시점 카메라를 통해 취득한 영상은 특성상 객체의 움직임에 영향을 받지 않으므로, 초고해상도 영상을 복원하는데 효과적이다.
앞에서 설명한 기존 방법들의 문제점을 보완하기 위해, 본 논문에서는 다시점 카메라를 이용한 초고해상도 영상 복원 기법을 제안한다. 제안하는 방법은 영상 취득 시 다시점 카메라를 사용하므로, 동일한 장면에 대해 여러 장의 영상을 동시에 취득할 수 있다.
뿐만 아니라 다시점 영상은 보다 많은 정보를 획득하기에 기존의 단일 시점 영상 처리의 한계를 극복할 수 있으며, 다양한 형태로 응용 및 확장이 가능하다. 이러한 특징을 바탕으로 본 논문에서는 다시점을 이용한 초고해상도 영상 복원 기법을 제안한다.

가설 설정

참조 영상에서 일치하는 화소들의 RGB 값들은 입력 영상의 RGB 값과 유사해야 하며 동시에 고주파 성분이 강해야 한다. 따라서 제안하는 기법에서는 저해상도 영상 화소의 RGB 값이 컬러 공간에서 일치 화소 집합의 RGB 값들 사이에 있을 때 일치 화소 집합들을 적합하다고 가정한다. 예를 들면, 저해상도 영상의 화소 p의 RGB 값이 (50, 43, 33)이고, 참조 영상에서 일치하는 q₁ , q₂의 화소 RGB 값이 각각 (40, 20, 30), (55, 46, 37) 이면, RGB 공간에서 p의 값이 q₁ , q₂ 값 사이에 있으므로 q₁ , q₂ 화소는 적합하다고 할 수 있다.
일반적으로 저해상도 영상의 화소 값은 고해상도 영상의 인접한 4개 화소 값의 평균이 된다. 따라서 제안하는 기법에서는 저해상도 화소가 고해상도 영상의 부화소 위치에 있다고 가정한다. 즉 저해상도 영상의 화소는 고해상도 영상에서 4개 화소의 중간에 정합된다.

제안 방법

우선 데이터베이스 내의 고해상도 영상에 대해 패치 별 특징을 통계적으로 구분하여 사전(dictionary)을 구성한다. 그리고 복원하고자 하는 저해상도 영상의 패치를 사전에 있는 패치들을 조합하여 표현하고, 이를 바탕으로 초고해상도 영상을 복원한다. 이러한 방식의 초고해상도 영상 복원 기법은 여러 장의 영상을 촬영할 필요가 없기 때문에 실용적이며 다양한 활용에 적용 가능한 장점이 있다.
하지만 객체가 카메라에 근접한 경우, 객체 별 깊이 정보가 존재하며, 이에 따른 폐색 영역(occluded region)이 발생한다. 따라서 제안하는 방법에서는 스테레오 정합 기법을 사용하여 가운데 영상과 참조 영상 간의 일치점을 추정한다.
데이터베이스를 사용하게 되면, 데이터베이스에 대한 의존도가 높아지게 되고, 데이터베이스에 따라 성능이 달라지는 문제가 발생하여 다양한 환경에서 일관성 있는 결과를 도출하기 어렵다. 또한 여러 장의 저해상도 영상을 사용하는 기법에서는 영상 취득 단계에서 다양한 문제가 발생하는데, 제안하는 방법은 다시점 카메라로 동시에 다수 영상을 취득하므로 이러한 문제가 발생하지 않는다. 예를 들어 촬영하는 객체의 깊이 변화가 크거나 객체가 움직이는 경우에도 고화질의 초고해상도 영상을 생성한다.
식 (3)을 통해 참조 영상의 화소 값을 고해상도 영상에 삽입하면, s의 값에 따라 세 가지의 경우가 발생하며, 그림 6은 각 경우에 대한 예제를 나타낸다. 본 논문에서는 참조 영상에서 일치점과 인접하여 고해상도 영상에 삽입되는 2개 또는 4개의 화소들을 일치 화소 집합으로 부른다.
실험을 통해 제안하는 방법의 성능이 PSNR과 SSIM 등을 통해 객관적으로 우수함을 확인하였다. 뿐만 아니라 제안하는 방법은 한 장의 저해상도 영상을 사용하는 기법과 달리 데이터베이스를 사용하지 않고 고화질의 영상을 추출하는 장점이 있다. 데이터베이스를 사용하게 되면, 데이터베이스에 대한 의존도가 높아지게 되고, 데이터베이스에 따라 성능이 달라지는 문제가 발생하여 다양한 환경에서 일관성 있는 결과를 도출하기 어렵다.
실험에는 352×288 또는 320×240 크기를 갖는 영상을 다운샘플링하여 176×144 또는 160×120 저해상도 영상을 만들고, 이를 입력 영상으로 사용하여, 가로 세로 각각 2배로 복원된 영상의 왜곡을 측정하도록 하였다.
단일 영상만을 사용하는 대부분의 초고해상도 영상 복원 기법은 사전에 취득한 고해상도 영상을 데이터베이스로 두고 이를 이용하여 초고해상도 영상을 생성한다. 우선 데이터베이스 내의 고해상도 영상에 대해 패치 별 특징을 통계적으로 구분하여 사전(dictionary)을 구성한다. 그리고 복원하고자 하는 저해상도 영상의 패치를 사전에 있는 패치들을 조합하여 표현하고, 이를 바탕으로 초고해상도 영상을 복원한다.
일치점 추정을 위한 스테레오 정합이 항상 정확하지 않고, 모든 일치점들이 초고해상도 영상 생성에 도움을 주는 것은 아니므로, 제안하는 기법에서는 일치점 확인 과정을 거쳐 영상 복원에 적합한 화소만을 사용한다. 참조 영상에서 일치하는 화소들의 RGB 값들은 입력 영상의 RGB 값과 유사해야 하며 동시에 고주파 성분이 강해야 한다.
두 카메라의 내부 매개변수를 각각 추출하였으므로, 체커보드 영상에 대한 일치점들을 식 (1)에 적용하면, 두 카메라간의 외부 매개변수 즉 회전 및 이동 정보를 추출할 수 있다. 정렬된 영상 간의 외부 매개변수는 x축 또는 y축 방향의 이동 벡터만 존재해야 하므로, 카메라 외부 매개변수를 통해 카메라 별 사영 변환(affine transform)을 추정하고 이를 적용하여 영상을 정렬한다. 최종적으로 촬영한 원본 영상에 대해 내부 매개변수와 사영 변환을 적용한 와핑 정보를 추출하여, 정렬된 영상 간의 정합 정보를 입력 영상에 대한 정합 정보로 변환할 수 있도록 한다.
최종적으로 변환한 변이지도를 다운샘플링하여 가운데 영상과 참조 영상 간의 부화소 단위의 일치점을 획득한다. 제안하는 기법에서는 24개의 참조 영상을 사용하므로 이와 같은 일치점 추정을 중심 저해상도 영상에 대해 24번 수행한다. 그림 4는 그래프 컷을 이용하여 추정한 변이지도의 예제이며, 붉은색으로 표시된 부분은 폐색 영역을 의미한다.
제안하는 기법은 저해상도 영상과 참조 영상간의 일치점을 이용하여 초고해상도 영상을 복원한다. 일반적으로 저해상도 영상의 화소 값은 고해상도 영상의 인접한 4개 화소 값의 평균이 된다.
제안하는 기법의 성능을 객관적으로 비교하기 위해, PSNR과 Structural Similarity(SSIM)^[15]를 이용하여 복원한 영상의 화질을 측정하였다. PSNR은 10 log₁₀ (255²/MSE)로 정의되며, 여기서 MSE는 두 장의 영상에 대한 평균 제곱 오차(mean square error)를 의미한다.
제안하는 방법에서는 부화소 값에 bicubic 보간법을 적용하여 X 에 대한 초기값을 구하였으며, 식 (8)을 통해 값이 수렴할 때까지 균일화를 반복한다. α와 β는 각각 0.
제안하는 방법에서는 입력 영상과 참조 영상간의 일치점 추정을 위해 우선 저해상도 영상과 참조 영상에 양선형 보간법을 적용하여 영상의 크기를 각각 두 배로 늘린다. 그리고 앞서 추정한 영상 와핑 정보를 이용하여 두 영상을 정렬하고, 정렬된 영상에 대해 스테레오 정합 기법을 이용하여 변이지도(disparity map)를 획득한다.
제안하는 방법은 5×5 배열로 구성된 다시점 카메라를 사용하여 해상도가 같은 25장의 영상을 취득하고, 중심 카메라에 해당하는 한 장의 초고해상도 영상을 생성한다.
앞에서 설명한 기존 방법들의 문제점을 보완하기 위해, 본 논문에서는 다시점 카메라를 이용한 초고해상도 영상 복원 기법을 제안한다. 제안하는 방법은 영상 취득 시 다시점 카메라를 사용하므로, 동일한 장면에 대해 여러 장의 영상을 동시에 취득할 수 있다. 따라서 영상 취득 단계에서 발생하는 문제점을 최소화 할 수 있으며, 복원하고자 하는 장면에 대한 충분한 정보를 취득하는 장점이 있다.
제안하는 초고해상도 영상 복원 기법은 다시점 카메라를 통해 취득한 여러 장의 저해상도 영상을 이용하여 한 장의 초고해상도 영상을 복원한다. 보간하려는 저해상도 영상은 5×5로 구성된 배열 중 가운데 카메라에 해당하는 영상으로, 나머지 24개의 참조 영상과의 일치점 추정을 통해 초고해상도 영상 정보를 복원한다.
초고해상도 영상을 복원하기 위해 제안하는 방법은 스테레오 정합 기법을 사용하여 일치점을 추정한다. 일치점을 추정하는 이유는 초고해상도 영상 복원에 필요한 정보를 참조 영상으로부터 가져오기 위함이다.

대상 데이터

bicubic 보간법, SC, ASDS, K&K에서는 5×5의 영상 중에서 가운데 영상만을 입력 영상으로 사용하였고, NC 기법에서는 25개의 영상을 모두 입력 영상으로 두고 실험을 진행하였다.
본 장에서는 제안하는 초고해상도 영상 복원 기법의 성능을 확인하기 위한 실험 결과를 제시한다. 실험에 대한 신뢰도를 높이기 위해 다양한 환경에서 촬영한 5개의 영상과 대표적 다시점 영상인 쓰쿠바(tsukuba) 영상을 실험 영상으로 사용하였다. 실험에는 352×288 또는 320×240 크기를 갖는 영상을 다운샘플링하여 176×144 또는 160×120 저해상도 영상을 만들고, 이를 입력 영상으로 사용하여, 가로 세로 각각 2배로 복원된 영상의 왜곡을 측정하도록 하였다.

데이터처리

제안하는 방법의 성능을 확인하기 위해 bicubic 보간법, normalized convolution(NC)[8], sparse coding(SC)[9], adaptive sparse domain selection(ASDS)[10], Kim과 Kwon의 기법(K&K)[11] 등의 기존 기법과 성능을 비교하였다.

이론/모형

제안하는 방법에서는 입력 영상과 참조 영상간의 일치점 추정을 위해 우선 저해상도 영상과 참조 영상에 양선형 보간법을 적용하여 영상의 크기를 각각 두 배로 늘린다. 그리고 앞서 추정한 영상 와핑 정보를 이용하여 두 영상을 정렬하고, 정렬된 영상에 대해 스테레오 정합 기법을 이용하여 변이지도(disparity map)를 획득한다. 여기서 입력 영상의 크기를 두 배로 늘리는 이유는 입력 영상에 대한 부화소 단위의 변이를 획득하기 위해서이다.
여기서 입력 영상의 크기를 두 배로 늘리는 이유는 입력 영상에 대한 부화소 단위의 변이를 획득하기 위해서이다. 변이 추정 방식은 빠르고 효과적인 그래프 컷(graph cut) 방법^[14]을 사용하며, 상호 검사(cross check)를 통해 폐색 영역도 추출한다. 폐색 영역에 해당하는 부분은 일치점이 없으므로 초고해상도 영상을 복원할 때 적절한 값을 반영할 수 없다.
식 (1)의 카메라 내부 매개변수는 체커보드 영상을 통해 획득한 다수의 영상 좌표와 3차원 좌표간의 일치점을 통해 추정할 수 있다. 본 연구에서는 체커보드로 획득한 일치점들을 Zhang이 제안한 Maximum likelihood 기법^[13]에 적용하여 각 카메라 별 내부 매개변수를 추출한다.
먼저, 중심 카메라의 저해상도 영상을 입력 영상으로 나머지 24개의 저해상도 영상을 참조 영상으로 둔다. 입력 영상과 참조 영상간의 일치점을 부화소(sub-pixel) 단위로 추정하기 위해 저해상도 영상들의 크기를 양선형 보간법(bilinear interpolation)을 이용하여 두 배로 늘린다. 그리고 입력 영상을 중심으로 24개의 참조 영상에 대한 일치점들을 각각 추정한다.
여기서 H는 인접한 화소에 대한 평균을 의미하는 행렬이다. 제안하는 방법에서는 식 (5)의 고해상도 영상 X 를 구하기 위해 Hong이 제안한 반복적 균일화 기법을 적용한다^[2]. 먼저, 식 (5)를 만족하는 X 에 대한 함수 M(X)를 다음과 같이 정의한다.

성능/효과

1dB 정도 개선되었다. bicubic 기법과 비교할 때, PSNR이 평균 3.1dB나 개선되었는데 이는 기존 방법들이 bicubic 기법보다 약 0.7~1.3dB 정도 개선된 것보다 현저하게 높다.
구체적으로 기존 방법인 NC, SC, ASDS, K&K 방법에 비해서 PSNR이 각각 평균 11.6, 2.3, 1.8, 2.1dB 정도 개선되었다.
최종적으로 입력 영상과 일치점들을 합성하여 초고해상도 영상을 복원하며, 반복적 균일화(iterative regularization)를 통해서 반복적으로 초고해상도 영상을 갱신한다. 다양한 실험을 통하여 본 논문에서 제안한 초고해상도 영상 복원 기법의 성능이 우수함을 확인한다.
04 정도 개선됨을 확인하였다. 또한 참조 영상 개수가 증가함에 따라 초고해상도 영상의 화질이 좋아짐을 확인하였고, 한 장의 참조 영상을 사용한 것에 비해 PSNR이 1.3~3.4dB 정도 개선되었다.
예를 들어 촬영하는 객체의 깊이 변화가 크거나 객체가 움직이는 경우에도 고화질의 초고해상도 영상을 생성한다. 뿐만 아니라 복원된 영상의 화질이 기존 방법에 비해 우수하고, 기존 방법에서는 어려웠던 초고해상도 비디오 복원으로도 확장이 가능하다.
실험 결과를 통해 160×120 영상을 320×240 영상으로 만드는데 제안하는 기법이 기존 방법에 비해서 PSNR이 0.8~3.2dB, SSID가 0.02~0.04 정도 개선됨을 확인하였다.
실험을 통해 제안하는 방법의 성능이 PSNR과 SSIM 등을 통해 객관적으로 우수함을 확인하였다. 뿐만 아니라 제안하는 방법은 한 장의 저해상도 영상을 사용하는 기법과 달리 데이터베이스를 사용하지 않고 고화질의 영상을 추출하는 장점이 있다.
제안하는 방법에서는 총 24개의 참조 영상을 사용하므로 제안하는 방법을 통해 참조 영상의 화소 값을 부화소 위치에 삽입할 때 중복되는 값이 생길 수 있다. 다시 말해, 동일한 위치에 여러 개의 화소 값이 중첩되는 경우가 발생하고, 이런 경우에는 화소 값들을 평균하여 부화소 값으로 지정한다.
그림 10은 참조 영상 개수에 대한 제안하는 기법의 PSNR 성능을 나타낸다. 참조 영상의 개수가 증가할수록 제안하는 방법의 PSNR 성능이 좋아짐을 확인할 수 있다.
NC 기법과 같이 여러 장의 저해상도 영상을 통해 초고해상도에는 이와 같은 방법들을 적용하는데 문제가 있으며, 표 1에서 확인할 수 있듯이 성능이 현저하게 떨어지게 된다. 표 1을 통해 제안하는 방법의 성능이 기존 방법에 비해 우수함을 알 수 있다. 구체적으로 기존 방법인 NC, SC, ASDS, K&K 방법에 비해서 PSNR이 각각 평균 11.

질의응답

핵심어	질문	논문에서 추출한 답변
	초고해상도 영상 복원은 어떤 기술인가?	초고해상도 영상 복원은 한 장 또는 여러 장의 저해상도 영상을 이용하여 고해상도 영상을 만드는 방법으로 영상 취득 장치의 한계를 극복하기 위한 기술이다. 최근 영상 처리 기술의 발전과 보급으로 허블 우주망원경, 초고배율 현미경, 첨단 의료 영상 기기 분야와 같은 산업분야에 적용되면서 기술의 중요성이 더욱 높아지고 있다.
	초고해상도 영상 복원 기법 중 여러 장의 저해상도 영상을 이용하는 기법에는 무엇이 있는가?	먼저 여러 장의 저해상도 영상을 이용하는 기법은 보간 기법[1-2], 주파수 영역 접근법[3-4], Bayesian 이론을 이용한 확률 기법[5-7], 이미지 합성 기법[8] 등이 대표적이다. 이 방법들은 초고해상도 영상을 복원하는 방식이 다를뿐 근본적으로는 영상 취득 모델을 이용하는 점에서 유사하다.
	여러 장의 저해상도 영상을 이용한 초고해상도 영상 복원 기법의 단점은 무엇인가?	따라서 여러 장의 저해상도 영상을 이용한 초고해상도 영상 복원 기법은 저해상도 영상의 개수가 많을수록 복원되는 영상의 정확도는 높아진다. 하지만 이러한 방식의 초고해상도 영상 복원 기법은 영상촬영 환경에 많은 영향을 받는 단점이 있다. 예를 들어 영상촬영 시에 발생하는 광원의 변화가 영상의 밝기 및 명암에 영향을 줄 수도 있고, 촬영하고자 하는 객체에 움직임이 발생할 수도 있다.

참고문헌 (15)

D. Keren, S. Peleg, and R. Brada, "Image sequence enhancement using sub-pixel displacements," in Proc. of IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR '88), pp. 742-746, June 1988.
M. C. Hong, M. G. Kang, and A. K. Katsaggelos, "A regularized multichannel restoration approach for globally optimal high resolution video sequence," in Proc. of SPIE VCIP, vol. 3024, pp. 1306-1317, 1997.
R. Y. Tsai and T. S. Huang, "Multiframe image restoration and registration," Advances in Computer Vision and Image Processing, JAI Press, Greenwich, Conn, USA, pp. 317-339, 1984.
S. H. Rhee and M.G. Kang, "Discrete cosine transform based regularized high-resolution image reconstruction algorithm," Optical Engineering, vol. 38, no. 8, pp. 1348-1356, Aug. 1999.

상세보기
L. C. Pickup, D. P. Capel, S. J. Roberts, and A. Zisserman, "Bayesian methods for image super-resolution," The Computer Journal, Vol. 52, no. 1, pp. 101-113, 2009.

상세보기
S. Villena, M. Vega, R. Molina, and A. K. Katsaggelos, "Bayesian super- resolution image reconstruction using an l1 prior," in 6th International Symposium on Image and Signal Processing and Analysis (ISPA 2009), pp. 152-157, 2009.
S. D. Babacan, R. Molina, and A.K. Katsaggelos, "Variational bayesian super resolution," IEEE Trans. Image Process., Vol. 20, no. 4, pp. 984-999, 2011.

상세보기
T. Q. Pham, L. J. V. Vliet and K. Schutte, "Robust fusion of irregularly sampled data using adaptive normalized convolution," EURASIP Journal on Applied Signal Processing, Vol. 2006, pp. 1-12, 2006.

상세보기
J. Yang, J. Wright, T. Huang, and Y. Ma, "Image super-resolution via sparse representation," IEEE Trans. Image Process., vol. 19, no. 11, pp. 2861-2873, Nov. 2010.

상세보기
W. Dong, L. Zhang, G. Shi, and X. Wu, "Image deblurring and super- resolution by adaptive sparse domain selection and adaptive regularization," IEEE Trans. Image Process., vol. 20, no. 7, pp. 1838-1857, Jul. 2011.

상세보기
K. I. Kim and Y. Kwon, "Single-image super-resolution using sparse regression and natural image prior", IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 32, no. 6, pp. 1127-1133, 2010.

상세보기
Point Greay Research, "Triclops on-line manual," http://www.ptgrey. com/.
Z. Y. Zhang, "Flexible camera calibration by viewing a plane from unknown orientations," in Proc. of International Conference on Computer Vision(ICCV), pp. 666-673, 1999.
V. Kolmogorov and R. Zabih, "Computing visual correspondence with occlusions using graph cuts," in Proc. of International Conference on Computer Vision(ICCV), pp. 508-515, 2001.
Z. Wang, A. C. Bovik, H. R. Sheikh and E. P. Simoncelli, "Image quality assessment: From error visibility to structural similarity," IEEE. Trans. Image Process., vol. 13, no. 4, pp. 600-612, Apr. 2004.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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