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.
제안 방법
- 그러나 이러한 빠른 기술 발전을 뒷받침 할 수 있는 콘텐츠와 같은 제반 요소들이 정의되어있지 않은 상황이다. 4K UHD, Curved Display 등의 기술 집약적 제품에서 임장감을 극대화하고 임팩트를 줄 수 있는 화질을 구현하는 로컬 렌더링 기법을 영상에 적용하여 시청자들을 상대로 기존의 화질과의 인지 비교에 대한 실험을 해보았다.
- TV 콘텐츠에 대한 일반화를 위하여 콘텐츠의 다양성과 주요 카메라 구도에 따른 연출 등의 특성에 따라 선정한 실험 자극은 각 영상에 따라서 실감 화질을 표현할 수 있는 관심영역을 추출하여 배경과 분리하여 brightness, Contrast, Saturation에 대한 렌더링을 실시하였다. 이 실험 자극에 대하여 피험자들은 원본영상과 로컬 렌더링 영상, 전체 렌더링 영상을 서로 비교하여 원본이미지를 4점 기준으로 하여 실험 자극 이미지의 화질 정도를 7점 척도로 평가하도록 하였다.
- 따라서 화면의 입체감과 주목성을 증가시키기 위해서는 시선이 집중되는 대상이나 영역을 배경과 분리하여 이에 대한 지각 속성에 관련된 color rendering을 실행하면 더 입체적인 효과를 향상시키는 결과를 만들 수 있다.[9],[10] 이에 우리는 영상의 입체감과 주목성에 대한 효과는 채도, 명도, 명도 대비의 지각 속성에 따른 결과임을 확인할 수 있었고, 채도, 명도, 명도 대비를 복합적으로 조절하여 시청자를 대상으로 하는 주관적 화질 평가 실험을 시행하였다.
- 시청자들이 화질을 인지하는 속성 변화에 따른 실험 결과를 비교하기 위하여 각 이미지들은 관심영역을 설정하여 배경과 분리하여 고려하였다. 관심영역은 각 장면에서 시선이 집중되는 물체나 중심인물로서 그 이미지의 대표성을 띌 수 있는 영역으로 설정하였다.
- 실험 영상은 총 9개의 영상을 사용하였으며, 실험은 7점 척도의 Likert scale을 이용하여 피험자들에게 4점이라고 가정한 원본 영상에 대하여 실험 영상의 화질 점수를 정하도록 하였다. 대부분의 화질 점수는 원 영상 점수로 가정한 4점보다 높은 결과가 나타났고, 9개의 실험 샘플 이미지 중에서 6개의 영상에서 local color rendering 이미지의 화질 평가점수가 whole color rendering 이미지의 점수 보다 높은 점수를 받았다(그림 4).
- TV 콘텐츠에 대한 일반화를 위하여 콘텐츠의 다양성과 주요 카메라 구도에 따른 연출 등의 특성에 따라 선정한 실험 자극은 각 영상에 따라서 실감 화질을 표현할 수 있는 관심영역을 추출하여 배경과 분리하여 brightness, Contrast, Saturation에 대한 렌더링을 실시하였다. 이 실험 자극에 대하여 피험자들은 원본영상과 로컬 렌더링 영상, 전체 렌더링 영상을 서로 비교하여 원본이미지를 4점 기준으로 하여 실험 자극 이미지의 화질 정도를 7점 척도로 평가하도록 하였다. 실험의 결과는 실험 영상 중에서 단일 관심영역이 등장하고 관심영역과 배경의 채도 차이가 크게 나는 영상에서 로컬 렌더링이 전체 렌더링 보다 더 화질 선호도가 높게 나타났다.
- 관심영역은 각 장면에서 시선이 집중되는 물체나 중심인물로서 그 이미지의 대표성을 띌 수 있는 영역으로 설정하였다. 이러한 과정을 통하여 분리된 관심영역에 brightness, Contrast, Saturation에 대한color rendering을 실행하여 실험 샘플 이미지를 만들었으며, whole image에 대한 color rendering도 실행하여 이를 실험 비교 대상으로 사용하였다.
- 기존의 화질 변인 모드는 선명한 화면, natural화면, 영화화면 등의 제한된 모드로 TV에 탑재되어있으나, 임의로 조정해야 하는 것이며 장르와 같이 감성이 주요하게 작용되는 화질에 관해서는 정의 되어있지 않다. 장르별로 화질을 살펴봄으로써 장르별 최적 화질에 관해 알아보았다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.