[논문]Dark Channel Prior를 이용한 영상 블러 측정

박한훈; 문광석

Dark Channel Prior를 이용한 영상 블러 측정
Image Blur Estimation Using Dark Channel Prior 원문보기

信號處理·시스템學會論文誌 = Journal of the institute of signal processing and systems, v.15 no.3, 2014년, pp.80 - 84

초록
AI-Helper

Dark channel prior는 열화되지 않은 실외 영상의 경우 각 픽셀과 이웃 픽셀의 컬러 채널 중에 하나는 0에 가까운 값을 가진다는 것으로, 열화된 영상의 열화 정도를 추정하는 데 활용될 수 있다. 즉, 영상이 블러에 의해 열화되면 dark channel 값이 주변 픽셀과의 평균을 통해 증가하게 된다. 본 논문에서는 이러한 dark channel의 변화를 이용하여 영상블러의 세기를 측정하는 방법을 제안한다. 주어진 크기의 가우시안 블러와 수평 모션 블러를 삽입한 영상에 대한 실험을 통해 제안된 방법의 유용성을 검증한다.

Abstract ▼ AI-Helper

Dark channel prior means that, for undistorted outdoor images, at least one color channel of a pixel or its neighbors have values close to 0, and thus the prior can be used to estimate the amount of distortion for given distorted images. In other words, if an image is distorted by blur, its dark channel values are averaged with neighbor pixel values and thus increase. This paper proposes a method that estimates blur strengths by analyzing the variation of dark channel values caused by blur. Through experiments with images distorted by Gaussian and horizontal motion blur with given strengths, the usefulness of the proposed method is verified.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 dark channel prior를 이용하여 영상 블러의 세기를 측정하는 방법을 제안하였다. 실험을 통해 에지 영역에서 dark channel 값을 계산함으로써, 0.

가설 설정

이를 위해 블러된 영상으로부터 측정된 dark channel 값으로부터 블러의 세기를 추정하는 방법을 제안하고 성능을 검증한다. 이는 블러된 영상의 경우 dark channel의 값이 주변 픽셀에 의해 영향을 받아 변화될 것이며 블러의 세기에 비례해서 밝기가 증가할 것이라는 가정을 기반으로 한다.

제안 방법

He 등은 안개 제거 알고리즘 개발을 목적으로 안개를 포함하지 않는 실외 자연 및 도시 경관 사진 5000장을 선별하여, 각 영상을 500 500 크기로 변환한 후, 각 픽셀을 중심으로 15×15 사각 영역에 대한 연산을 통해 각 픽셀의 dark channel 값을 측정하였다.
그러나, [5]에서 가정한 선형적인 비례 관계는 아니며, 비선형적인 비례 관계를 가진다. 본 논문에서는 이를 다음과 같이 2차원 다항식으로 모델링하고, 그 성능을 검증한다.
본 논문에서는 dark channel prior가 영상 블러(blur) 측정에도 활용될 수 있음을 보여준다. 이를 위해 블러된 영상으로부터 측정된 dark channel 값으로부터 블러의 세기를 추정하는 방법을 제안하고 성능을 검증한다. 이는 블러된 영상의 경우 dark channel의 값이 주변 픽셀에 의해 영향을 받아 변화될 것이며 블러의 세기에 비례해서 밝기가 증가할 것이라는 가정을 기반으로 한다.
제안하는 방법의 초기 실험 결과는 [5]에서 소개되었으나, 본 논문에서는 dark channel prior와 영상 블러의 관계를 엄밀히 분석하고, 보다 다양한 실험을 통해 제안 방법의 성능을 검증한다.

대상 데이터

그림 3. 실험에 사용된 영상 및 블러된 영상 일부.
실험에 사용된 영상은 총 12장이며, 영상의 크기는 768×512이고, 열화되지 않은 각 영상에 대해 OpenCV[8]의 cvSmooth 함수를 이용하여 σ = 0.3*(0.5*f - 1)+ 0.8, (f = 3, 5, 7, …, 25)의 크기를 가지는 가우시안 블러 및[#]의 커널과 w = f, (f = 3, 5, 7, …, 25)의 크기를 가지는 수평 모션 블러를 삽입하였다.
제안된 알고리즘의 성능을 분석하기 위해 LIVE 데이터베이스[7]의 영상을 사용하였다(일부 영상은 그림 3 참조). 실험에 사용된 영상은 총 12장이며, 영상의 크기는 768×512이고, 열화되지 않은 각 영상에 대해 OpenCV[8]의 cvSmooth 함수를 이용하여 σ = 0.

이론/모형

3씩 증가한다. 알고리즘은 Matlab을 이용하여 구현되었으며, i5-2400 3.1G CPU와 4GB RAM을 탑재한 PC에서 실행되었다. 에지 검출을 위해 Canny 방법[9]을 이용했다.
1G CPU와 4GB RAM을 탑재한 PC에서 실행되었다. 에지 검출을 위해 Canny 방법[9]을 이용했다.

성능/효과

544였다. 결과적으로, 가우시안 블러에 대한 결과에서와 마찬가지로 에지 영역에 대해서만 계산하는 것이 정확성 면에서 우수한 성능을 가졌다.
결과적으로, 블러의 종류에 상관없이 dark channel 값으로부터 성공적으로 영상 블러를 추정할 수 있으며, 블러의 종류에 따른 성능의 차이는 없었다. 또한, 에지 영역에 대해서만 dark channel 값을 구해서 블러를 추정하는 것이 더 효율적임을 알 수 있었다.
식 (5)에서 dcp는 dark channel 값을 계산한 픽셀들에 대한 평균값이다. 결과적으로, 에지 영역에 대해서만 계산하는 것이 추정 오차가 작았으며, 그림 5(a)에서 보는 것처럼 전체 영역에 대해 계산할 경우 dark channel 값과 블러 세기의 관계는 일부 구간에서 단조 증가하지 않는 문제도 있었다. 또한, 전체 영역에 대해 계산할 경우 픽셀 값의 변화가 적은 영역을 많이 포함하기 때문에 블러의 세기가 0일 때도 dark channel 값이 에지 영역에 대해 계산할 경우에 비해 상대적으로 크게 나타났다(즉, dark channel prior에서 크게 벗어났다).
그러므로, x_i를 중심으로 한 사각영역 내의 모든 픽셀의 컬러 채널 값 중에 최소값이 x_i의 dark channel 값이 된다. 그 결과, 75% 이상의 픽셀에서 0의 값이 측정되었고, 90%의 픽셀에서 25보다 작은 값이 측정되었다. 이를 dark channel prior라고 한다[1].
결과적으로, 블러의 종류에 상관없이 dark channel 값으로부터 성공적으로 영상 블러를 추정할 수 있으며, 블러의 종류에 따른 성능의 차이는 없었다. 또한, 에지 영역에 대해서만 dark channel 값을 구해서 블러를 추정하는 것이 더 효율적임을 알 수 있었다.
결과적으로, 에지 영역에 대해서만 계산하는 것이 추정 오차가 작았으며, 그림 5(a)에서 보는 것처럼 전체 영역에 대해 계산할 경우 dark channel 값과 블러 세기의 관계는 일부 구간에서 단조 증가하지 않는 문제도 있었다. 또한, 전체 영역에 대해 계산할 경우 픽셀 값의 변화가 적은 영역을 많이 포함하기 때문에 블러의 세기가 0일 때도 dark channel 값이 에지 영역에 대해 계산할 경우에 비해 상대적으로 크게 나타났다(즉, dark channel prior에서 크게 벗어났다). 이는 전체 영역에 대해 계산하는 것보다 에지 영역에서만 계산하는 것이 정확성, 신뢰성 면에서 우수한 성능을 가짐을 보여준다.
마지막으로, 추정 시간은 블러의 종류와 상관없이 전체 영역에 대해 계산할 경우 1.69초, 에지 영역에 대해서만 계산할 경우 0.36초였다.
본 논문에서는 dark channel prior를 이용하여 영상 블러의 세기를 측정하는 방법을 제안하였다. 실험을 통해 에지 영역에서 dark channel 값을 계산함으로써, 0.95 ~ 4.25의 세기를 가지는 가우시안 블러에 대해서 0.106의 추정 오차, 3 ~ 25의 세기를 가지는 수평 모션 블러에 대해서는 0.544의 추정오차를 가지고 블러의 세기를 측정할 수 있음을 검증하였다.

후속연구

본 논문에서는 dark channel prior가 영상 블러(blur) 측정에도 활용될 수 있음을 보여준다. 이를 위해 블러된 영상으로부터 측정된 dark channel 값으로부터 블러의 세기를 추정하는 방법을 제안하고 성능을 검증한다.
이후, dark channel prior는 안개 제거에만 효과적일 뿐만 아니라, 수중 영상 화질 개선 [2], 야간 영상 화질 개선 [3], 전반사 성분 분리 [4] 등에도 효과적이라는 연구 결과들이 보고되고 있다. 이처럼 dark channel prior는 어떠한 왜곡에도 노출되지 않은 영상이 가진 기본적인 특성이기 때문에, 다양한 왜곡에 의해 손상된 영상으로부터 왜곡 정도를 추정하고, 이를 복원하는 것과 관련된 다양한 응용 분야에 활용될 수 있을 것으로 예상된다.
본 논문에서는 식 (2)에서 잡음의 영향을 고려하지 않았다. 향후, 제안 방법의 실용성을 향상시키기 위해 잡음을 전처리 과정에서 없애거나 잡음의 영향을 고려하여 블러의 세기를 추정하도록 제안 방법을 개선하는 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	He 등은 어떤 목적으로 안개를 포함하지 않는 실외 자연 및 도시 경관 사진 5000장을 선별하였는가?	He 등은 안개 제거 알고리즘 개발을 목적으로 안개를 포함하지 않는 실외 자연 및 도시 경관 사진 5000장을 선별하여, 각 영상을 500 500 크기로 변환한 후, 각 픽셀을 중심으로 15×15 사각 영역에 대한 연산을 통해 각 픽셀의 dark channel 값을 측정하였다. 이때, 픽셀 x 에서의 dark channel 값은 다음과 같이 측정된다.
	Dark channel prior는 무엇인가?	Dark channel prior는 열화되지 않은 실외 영상의 경우 각 픽셀과 이웃 픽셀의 컬러 채널 중에 하나는 0에 가까운 값을 가진다는 것으로, 열화된 영상의 열화 정도를 추정하는 데 활용될 수 있다. 즉, 영상이 블러에 의해 열화되면 dark channel 값이 주변 픽셀과의 평균을 통해 증가하게 된다.
	전체 영역에 대해 계산하는 것보다 에지 영역에서만 계산하는 것이 정확성, 신뢰성 면에서 우수한 성능을 가짐을 보여주는 근거는?	식 (5)에서 dcp는 dark channel 값을 계산한 픽셀들에 대한 평균값이다. 결과적으로, 에지 영역에 대해서만 계산하는 것이 추정 오차가 작았으며, 그림 5(a)에서 보는 것처럼 전체 영역에 대해 계산할 경우 dark channel 값과 블러 세기의 관계는 일부 구간에서 단조 증가하지 않는 문제도 있었다. 또한, 전체 영역에 대해 계산할 경우 픽셀 값의 변화가 적은 영역을 많이 포함하기 때문에 블러의 세기가 0일 때도 dark channel 값이 에지 영역에 대해 계산할 경우에 비해 상대적으로 크게 나타났다(즉, dark channel prior에서 크게 벗어났다). 이는 전체 영역에 대해 계산하는 것보다 에지 영역에서만 계산하는 것이 정확성, 신뢰성 면에서 우수한 성능을 가짐을 보여준다.

참고문헌 (9)

K. He, J. Sun, and X. Tang, "Single image haze removal using dark channel prior," Proc. of CVPR, pp. 1956-1963, 2009.
H. Wen, Y. Tian, T. Huang, and W. Gao, "Single underwater image enhancement with a new optical model," Proc. of ISCAS, pp. 753-756, 2013.
X. Jiang, et al., "Night video enhancement using improved dark channel prior," Proc. of ICIP, pp. 553-557, 2013.
H. Kim, H. Jin, S. Hadap, and I. Kweon, "Specular reflection separation using dark channel prior," Proc. of CVPR, pp. 1460-1467, 2013.
박한훈, 조정아, 문광석, "Dark channel prior를 이용한 영상 블러 측정에 관한 연구," 한국신호처리시스템학회 하계학술대회 논문집, 2014.
R. L. Lagendijk and J. Biemond, Iterative Identification and Restoration of Images, Kluwer Academic Publishers, 1991.
Live database, http://live.ece.utexas.edu/research/quality/
OpenCV library, http://opencv.willowgarage.com/wiki/
J. Canny, "A computational approach to edge detection," IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 8, Issue 6, pp. 679-698, 1986.

저자의 다른 논문 :

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

Dark Channel Prior를 이용한 영상 블러 측정
Image Blur Estimation Using Dark Channel Prior 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (9)

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

Dark Channel Prior를 이용한 영상 블러 측정 Image Blur Estimation Using Dark Channel Prior 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

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

박한훈 (29) 문광석 (72)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

Dark Channel Prior를 이용한 영상 블러 측정
Image Blur Estimation Using Dark Channel Prior 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper