[논문]3차원 체적 모델의 생성을 위한 색상 최적화 함수 기반의 조명 보상 기법

박병서; 김경진; 김동욱; 서영호

doi:10.5909/jbe.2020.25.4.598

3차원 체적 모델의 생성을 위한 색상 최적화 함수 기반의 조명 보상 기법
A New Illumination Compensation Method based on Color Optimization Function for Generating 3D Volumetric Model 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.25 no.4, 2020년, pp.598 - 608

박병서 (광운대학교 전자재료공학과) , 김경진 (광운대학교 전자재료공학과) , 김동욱 (광운대학교 전자재료공학과) , 서영호 (광운대학교 전자재료공학과)

초록
AI-Helper

본 논문에서는 실사 3차원 모델 생성용 다시점 카메라 시스템을 통해 획득된 영상에 대한 조명 보상 기법을 제안하고자 한다. 3차원 체적에 대한 촬영은 실내에서 이루어지고 시간에 따른 조명의 위치와 강도는 일정하다고 가정한다. 다시점 카메라는 총 8대를 사용하고, 공간의 중심을 향해서 수렴하는 형태이므로 조명이 일정하다고 할지라도 각 카메라에 입사되는 빛의 강도 및 각도는 다르다. 따라서 모든 카메라는 색상 보정 차트를 촬영하고, 색상 최적화 함수를 이용하여 획득된 8개의 영상 사이의 관계를 정의하는 색상 변환 매트릭스를 획득한다. 이것을 이용하여 색상 보정 차트를 기준으로 모든 카메라로부터 입력되는 영상을 보정한다. 본 논문은 3차원 객체를 8대의 카메라를 이용해 영상 취득할 시 카메라 간의 색차를 최소화하기 위한 컬러 보정 방법을 제안한 것으로 3차원 영상으로 복원 시 영상 간의 색차가 줄어드는 것을 실험적으로 증명하였다.

Abstract ▼ AI-Helper

In this paper, we propose a color correction technique for images acquired through a multi-view camera system for acquiring a 3D model. It is assumed that the 3D volume is captured indoors, and the position and intensity of the light is constant over time. 8 multi-view cameras are used, and converging toward the center of the space, so even if the lighting is constant, the intensity and angle of light entering each camera may be different. Therefore, a color optimization function is applied to a color correction chart taken from all cameras, and a color conversion matrix defining a relationship between the obtained 8 images is calculated. Using this, the images of all cameras are corrected based on the standard color correction chart. This paper proposed a color correction method to minimize the color difference between cameras when acquiring an image using 8 cameras of 3D objects, and experimentally proved that the color difference between images is reduced when it is restored to a 3D image.

주제어

표/그림 (11)

그림 그림 1. 3D 포인트 클라우드 촬영 시스템 (a) 수직, (b) 수평 촬영 각도 및 범위 Fig. 1. 3D Point Cloud Shooting System (a) vertical, (b) horizontal photographing angle and range
그림 그림 2. 실사 기반 3차원 메쉬 모델 시퀀스 생성 흐름도 Fig. 2. Actual-based 3D Mesh Model Sequence Generation Flowchart
그림 그림 3. 카메라 보정과 색상 최적화에 대한 전체 과정 Fig. 3. The entire process of camera calibration and color optimization
그림 그림 4. 차루코 보드와 색상 보정 차트 Fig. 4. Charuco board and color correction chart
그림 그림 5. 색상 보상 알고리즘 Fig. 5. Color compensation algorithm
그림 그림 6. 카메라 시스템 Fig. 6. Camera system
그림 그림 7. 최적화를 위한 표준 색상 확인 차트 Fig. 7. Standard color checker chart for optimization
표 표 1. 각 카메라별 영상의 RGB 성분 오차 비교 Table 1. Error of RGB component for each camera
그림 그림 8. 각 카메라에서 촬영된 영상 Fig. 8. RGB images captured by each camera
그림 그림 9. 각 카메라에서 촬영된 영상 (a) 색상 보상 이전, (b) 색상 보상 이후 Fig. 9. RGB images captured by each camera (a) before, (b) after color correction
그림 그림 10. 3D 복원 영상 (a) 색상 보상 이전, (b) 색상 보상 이후 Fig. 10. 3D reconstruction images (a) before, (b) after color correction

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 실사 3차원 모델 생성용 다시점 카메라 시스템을 통해 획득된 영상에 대한 조명 보상 기법을 제안하였다. 3차원 체적에 대한 촬영은 실내에서 이루어지고 시간에 따른 조명의 위치와 강도는 일정하다고 가정 하였다.
본 논문에서는 조명불변 색상공간에 기반을 둔 색상 최적화 함수 기반의 조명 보상 기법을 제안하고자 한다. 제안한 방법은 카메라 캘리브레이션(camera calibration) 과정과 통합되어 처리될 수 있고, 실내 스튜디오 환경 하에서 여러 카메라에서 출력된 영상에 대해 동일한 밝기와 색상을 제공할 수 있는 알고리즘이다.
두데이터는 전방위라는 표현은 동시에 사용되지만, 이 정보를 획득하기 위한 카메라 시스템이 바깥을 향해 있는 형태와 안으로 수렴하고 있는 형태를 갖는다는 점에서 큰 차이가 있다. 본 논문에서는 후자의 경우에 대한 것으로 3차원 실사 객체를 획득하기 위한 분야에 대해 논의하고자 한다. 이 경우에 카메라 시스템은 전자와 마찬가지로 다시점으로 구성되고, 카메라의 광축은 수렴하는 형태이거나 중심을 기준으로 원통형을 이루는 형태를 갖는다.
본 절에서는 구현하고자 하는 3차원 체적 스캐닝 시스템을 간략히 설명하고, 이 시스템을 이용하여 실사의 3차원 체적 모델을 어떻게 생성하는지에 대해서 소개한다.

가설 설정

본 논문에서는 실사 3차원 모델 생성용 다시점 카메라 시스템을 통해 획득된 영상에 대한 조명 보상 기법을 제안하였다. 3차원 체적에 대한 촬영은 실내에서 이루어지고 시간에 따른 조명의 위치와 강도는 일정하다고 가정 하였다. 다시점 카메라는 총 8대를 사용하고, 공간의 중심을 향해서 수렴하는 형태이므로 조명이 일정하다고 할지라도 각 카메라에 입사되는 빛의 강도 및 각도는 다르기 때문에 기준이 되는 색상 보정 차트를 설정하였다.

제안 방법

3차원 모델을 생성하기에 앞서 RGB-D 카메라를 통해 촬영되는 깊이 및 RGB 이미지를 이용하여 깊이 카메라의 좌표계를 따르는 포인트 클라우드를 각 카메라에서 획득하고, 이를 이용하여 3D 메쉬 모델을 생성한다.
본 논문에서 제안한 포인트 클라우드 정합 방식은 깊이 및 RGB 이미지 모두를 이용하고, 최종 정합된 모델의 좌표계는 기준으로 설정한 카메라의 좌표계를 따르게 된다. 8대의 RGB-D 카메라를 이용하여 전방위 3차원 모델을 생성하기 위해 먼저 각 카메라에서 체스보드를 촬영한 RGB 이미지 획득 과정(RGB and Depth Capturing)을 수행한다. 이 이미지를 이용하여 초기 좌표변환 파라미터를 계산하고 체스보드 내부 코너의 픽셀 좌표를 얻는다.
3차원 모델을 생성하기에 앞서 RGB-D 카메라를 통해 촬영되는 깊이 및 RGB 이미지를 이용하여 깊이 카메라의 좌표계를 따르는 포인트 클라우드를 각 카메라에서 획득하고, 이를 이용하여 3D 메쉬 모델을 생성한다. 8대의 RGB-D 카메라의 배치는 물체를 모든 높이에서 촬영하기 위해 위아래에 카메라가 설치된 스탠드 형태의 촬영 장비를 사용하여 구성했다. 그리고 물체를 모든 방향에서 촬영하기 위해 4세트의 스탠드를 앞, 뒤, 양옆 네 방향에 배치하였다.
그림 8은 그림 6의 시스템에서 촬영된 8개 다시점 카메라의 컬러영상과 깊이영상을 나타낸다. 각 카메라의 컬러영상은 표 1과 같이 원본 컬러 값 \(R \)과 비교하여 각 R, G, B 성분의 평균 차이 값과 밝기 성분 I의 차이 값을 표기하였으며 본 논문에서 제안한 색상 최적화 알고리즘 적용 전 후 의 차이 값을 비교 하였다. 색상 최적화 알고리즘 적용전 촬영 영상에서의 R성분은 최대 37.
깊이지도를 이용하여 카메라마다 포인트 클라우드를 생성하고, 획득한 포인트 클라우드에서 저장해 둔 체스보드의 내부 코너 좌표의 3차원 좌표들만을 획득하여 반복적인 연산을 통해 이 좌표들 사이의 거리가 최소화가 되는 좌표변환 파라미터를 구한다. 그리고 보드면을 제공하는 과정(Board Plane Reconstruction)을 통해 획득된 파라미터를 이용하여 각 보드의 면을 구성하고, 다음으로 완전한 형태의 체스보드의 격자점을 추출하는 과정(Grid Points Detection)을 수행한다. 격자점이 모두 추출되면 이 정보를 바탕으로 ROI를 선택한 후에 각 카메라별로 색상 최적화 과정을 수행하여 3D 메쉬 모델을 생성하기 위한 RGB 영상을 업데이트한다.
7m되는 높이에 설치되었다. 깊이 값에 임계값을 설정하여 0.1m에서 2.5m내의 물체에 대한 포인트 클라우드를 획득할 수 있도록 하였다. 그림 6은 실제 구성한 카메라 시스템을 촬영한 것이다.
다음으로 카메라 위치를 찾는 과정(Camera Position Calculation)을 수행한다. 깊이지도를 이용하여 카메라마다 포인트 클라우드를 생성하고, 획득한 포인트 클라우드에서 저장해 둔 체스보드의 내부 코너 좌표의 3차원 좌표들만을 획득하여 반복적인 연산을 통해 이 좌표들 사이의 거리가 최소화가 되는 좌표변환 파라미터를 구한다. 그리고 보드면을 제공하는 과정(Board Plane Reconstruction)을 통해 획득된 파라미터를 이용하여 각 보드의 면을 구성하고, 다음으로 완전한 형태의 체스보드의 격자점을 추출하는 과정(Grid Points Detection)을 수행한다.
색상 확인 차트에 존재하는 24개 색상 값을 측정하기 위해 각 색상별 패치 영역 내 존재하는 모든 픽셀 값의 평균을 이용한다. 다음으로 각 카메라의 CCM을 각 카메라의 출력 영상의 RGB 화소 값에 대입하여 원본RGB값에 근접한 색상을 반복적으로 출력한다.
차루코 보드를 이용하여 내부 파라미터를 찾으면 2차원이 픽셀 좌표계에서 3차원의 카메라 좌표계로의 변환 관계를 구할 수 있다^[11][17]. 다음으로 카메라 외부 파라미터를 통해 카메라 좌표계에서 월드 좌표계로의 변환 관계를 얻고, 카메라 외부 파라미터를 구하기 위해 월드 좌표계를 설정한다. 월드좌표계는 차루코 보드의 왼쪽하단 모서리를 원점으로 두고 가로, 세로축을 각각 x축, y축으로 하고 x축과 y축을 외적한 방향을 z축으로 설정한다.
색상 보정을 위한 알고리즘은 그림 5와 같다. 먼저 색상 확인 차트의 각 24개 색상 영역을 찾기 위해 좌표변환 행렬에서 이용한 차루코 보드의 마커와 코너 정보를 사용한다. 촬영된 영상 내 차루코 보드의 각 마커의 위치 정보로부터 각 그리드의 코너를 탐색하고, 마커 아이디와 일치하는 24개 색상 영역의 그리드를 관심영역(region of interest)으로 설정한다.
먼저, 월드 좌표계를 구한 후 카메라 좌표계에서 월드 좌표계로의 변환 행렬을 계산한다. 식 (1)은 월드 좌표에서 카메라 좌표계로의 변환 식을 나타내며 \(P_W\)는 월드 좌표를 나타내고 \(P_C \)는 카메라 좌표를 나타낸다^[19].
다시점 카메라는 총 8대를 사용하고, 공간의 중심을 향해서 수렴하는 형태이므로 조명이 일정하다고 할지라도 각 카메라에 입사되는 빛의 강도 및 각도는 다르기 때문에 기준이 되는 색상 보정 차트를 설정하였다. 모든 카메라는 색상 보정 차트를 촬영하고, 색상 최적화 함수를 이용하여 획득된 8개의 영상 사이의 관계를 정의하는 색상 변환 매트릭스를 획득하는 단계와, 이를 입력 영상의 모든 화소에 적용하는 단계를 통해 모든 카메라로부터 입력되는 영상을 보정하였다. 본 논문의 실험에서는 보정 전 후의 각 영상과 색상확인 차트 영상의 24개 패치의 R, G, B 및 밝기에 해당하는 I값의 오차를 분석 함 으로서 색상 최적화 함수를 통해 R, G, B, I 성분의 오차가 크게 줄어드는 것을 확인 할 수 있었으며 3D복원 영상의 텍스쳐 복원 결과에서도 카메라 간 색상 차이가 색상 최적화 함수 적용 전 보다 크게 줄어드는 것을 확인 할 수 있었다.
본 논문에서 제안한 포인트 클라우드 정합 방식은 깊이 및 RGB 이미지 모두를 이용하고, 최종 정합된 모델의 좌표계는 기준으로 설정한 카메라의 좌표계를 따르게 된다. 8대의 RGB-D 카메라를 이용하여 전방위 3차원 모델을 생성하기 위해 먼저 각 카메라에서 체스보드를 촬영한 RGB 이미지 획득 과정(RGB and Depth Capturing)을 수행한다.
이와 같이 색상을 유사하게 만드는 과정을 최적화라고 하고, 그 결과로 RGB 색상에 대한 색상 보정 매트릭스(color correction matrix, CCM)를 얻는다. 색상 확인 차트에 존재하는 24개 색상 값을 측정하기 위해 각 색상별 패치 영역 내 존재하는 모든 픽셀 값의 평균을 이용한다. 다음으로 각 카메라의 CCM을 각 카메라의 출력 영상의 RGB 화소 값에 대입하여 원본RGB값에 근접한 색상을 반복적으로 출력한다.
설정된 색상 확인 차트의 각 24개 색상 RGB값과, 카메라로 색상 확인 차트를 촬영한 영상의 각 색상 값에 대한 RGB 값을 최대한 유사하도록 조정한다. 이와 같이 색상을 유사하게 만드는 과정을 최적화라고 하고, 그 결과로 RGB 색상에 대한 색상 보정 매트릭스(color correction matrix, CCM)를 얻는다.
이러한 이유로 촬영시 필터링은 최소한으로 적용하고, 촬영된 포인트 클라우드에 후처리로 샘플링 및 스무딩 작업을 추가하여 잡음을 줄인다^[14]. 이러한 전처리 단계(Pre-Processing) 단계를 거친 다음에 카메라 보정(Camera Calibration)과 본 논문에서 제안하고자 하는 조명 보상(Illumination Compensation) 과정을 거친다. 색상 보상 기법은 각 카메라별로 독립적으로 진행되고, 이를 통해 보상된 RGB 영상들(RGB’)은 잡음이 개선된 깊이지도(Depth’)와 함께 TSDF(Truncated Signed Distance Function)의 입력으로 사용된다^[22].
본 논문에서는 조명불변 색상공간에 기반을 둔 색상 최적화 함수 기반의 조명 보상 기법을 제안하고자 한다. 제안한 방법은 카메라 캘리브레이션(camera calibration) 과정과 통합되어 처리될 수 있고, 실내 스튜디오 환경 하에서 여러 카메라에서 출력된 영상에 대해 동일한 밝기와 색상을 제공할 수 있는 알고리즘이다.
촬영된 영상 내 차루코 보드의 각 마커의 위치 정보로부터 각 그리드의 코너를 탐색하고, 마커 아이디와 일치하는 24개 색상 영역의 그리드를 관심영역(region of interest)으로 설정한다.

대상 데이터

3차원 체적에 대한 촬영은 실내에서 이루어지고 시간에 따른 조명의 위치와 강도는 일정하다고 가정 하였다. 다시점 카메라는 총 8대를 사용하고, 공간의 중심을 향해서 수렴하는 형태이므로 조명이 일정하다고 할지라도 각 카메라에 입사되는 빛의 강도 및 각도는 다르기 때문에 기준이 되는 색상 보정 차트를 설정하였다. 모든 카메라는 색상 보정 차트를 촬영하고, 색상 최적화 함수를 이용하여 획득된 8개의 영상 사이의 관계를 정의하는 색상 변환 매트릭스를 획득하는 단계와, 이를 입력 영상의 모든 화소에 적용하는 단계를 통해 모든 카메라로부터 입력되는 영상을 보정하였다.
실사 기반의 체적형 3D 모델을 생성하기 위해 깊이 및 RGB 센서를 장착한 RGB-D 카메라를 사용한다. 모든 위치에서 관찰이 가능한 3D 모델을 생성하는 것이 목표이므로 8대의 RGB-D 카메라를 물체의 여러 시점에 배치한다. 3차원 모델을 생성하기에 앞서 RGB-D 카메라를 통해 촬영되는 깊이 및 RGB 이미지를 이용하여 깊이 카메라의 좌표계를 따르는 포인트 클라우드를 각 카메라에서 획득하고, 이를 이용하여 3D 메쉬 모델을 생성한다.
본 실험에서는 8대의 Microsoft Kinect Asure 카메라를 사용하여 실험을 진행했다. 카메라 배치는 그림 1에서 설명한 촬영 시스템을 따른다.

이론/모형

이러한 오차는 좋은 3D 모델을 생성할 수 없게 한다. 따라서 이러한 오차를 최소화하기 위해 경사하강법(gradient descent)^[20]을 이용하여 초기 오차를 최대한 축소한다^[7].
실사 기반의 체적형 3D 모델을 생성하기 위해 깊이 및 RGB 센서를 장착한 RGB-D 카메라를 사용한다. 모든 위치에서 관찰이 가능한 3D 모델을 생성하는 것이 목표이므로 8대의 RGB-D 카메라를 물체의 여러 시점에 배치한다.

성능/효과

04의 차이를 보였다. 각 카메라의 오차 평균값은 R성분에 대해 22.35, B 성분에 대해 16.15, B성분에 대해 4.25, 밝기 값 I에 대해 14.37의 평균 차이 값을 보였다. 최적화 알고리즘 적용 후 R성분의 최대 차이 값은 5.
모든 카메라는 색상 보정 차트를 촬영하고, 색상 최적화 함수를 이용하여 획득된 8개의 영상 사이의 관계를 정의하는 색상 변환 매트릭스를 획득하는 단계와, 이를 입력 영상의 모든 화소에 적용하는 단계를 통해 모든 카메라로부터 입력되는 영상을 보정하였다. 본 논문의 실험에서는 보정 전 후의 각 영상과 색상확인 차트 영상의 24개 패치의 R, G, B 및 밝기에 해당하는 I값의 오차를 분석 함 으로서 색상 최적화 함수를 통해 R, G, B, I 성분의 오차가 크게 줄어드는 것을 확인 할 수 있었으며 3D복원 영상의 텍스쳐 복원 결과에서도 카메라 간 색상 차이가 색상 최적화 함수 적용 전 보다 크게 줄어드는 것을 확인 할 수 있었다. 본 연구에서는 각 카메라의 화소와 컬러보정 차트와의 차이를 줄이는 방법에 대한 것으로 연계된 각 카메라 간 화소차이는 측정할 수 없는 한계가 있다.
각 카메라의 컬러영상은 표 1과 같이 원본 컬러 값 \(R \)과 비교하여 각 R, G, B 성분의 평균 차이 값과 밝기 성분 I의 차이 값을 표기하였으며 본 논문에서 제안한 색상 최적화 알고리즘 적용 전 후 의 차이 값을 비교 하였다. 색상 최적화 알고리즘 적용전 촬영 영상에서의 R성분은 최대 37.58, G 성분은 최대 31.79, B 최대 성분은 22.21의 차이를 보였으며 밝기값 I는 최대 29.04의 차이를 보였다. 각 카메라의 오차 평균값은 R성분에 대해 22.
최적화 알고리즘 적용 후 R성분의 최대 차이 값은 5.96, G성분의 최대 차이 값은 5.08, B성분의 최대 차이 값은 -6.04로 낮아 졌으며, 카메라 별 평균 차이 값은 R성분에 대해 3.03, G성분에 대해 2.10, B성분에 대해 –1.87, I에 대해 1.09로 색상 최적화 알고리즘 적용으로 각 카메라별 촬영 영상 간 색상 성분과 밝기 값의 차이가 알고리즘 적용 전과 비교하여 매우 작아 졌음을 확인 할 수 있었다.

후속연구

본 논문의 실험에서는 보정 전 후의 각 영상과 색상확인 차트 영상의 24개 패치의 R, G, B 및 밝기에 해당하는 I값의 오차를 분석 함 으로서 색상 최적화 함수를 통해 R, G, B, I 성분의 오차가 크게 줄어드는 것을 확인 할 수 있었으며 3D복원 영상의 텍스쳐 복원 결과에서도 카메라 간 색상 차이가 색상 최적화 함수 적용 전 보다 크게 줄어드는 것을 확인 할 수 있었다. 본 연구에서는 각 카메라의 화소와 컬러보정 차트와의 차이를 줄이는 방법에 대한 것으로 연계된 각 카메라 간 화소차이는 측정할 수 없는 한계가 있다. 후속 연구에서는 연계된 카메라 간 화소 차이를 비교하여 보다 정확한 조명 보상 및 색상 보정을 진행 할 예정이다.
본 연구에서는 각 카메라의 화소와 컬러보정 차트와의 차이를 줄이는 방법에 대한 것으로 연계된 각 카메라 간 화소차이는 측정할 수 없는 한계가 있다. 후속 연구에서는 연계된 카메라 간 화소 차이를 비교하여 보다 정확한 조명 보상 및 색상 보정을 진행 할 예정이다.

참고문헌 (22)

R. Schafer, P. Kauff, R. Skupin, Y. Sanchez and C. WeiBig, "Interactive Steaming of Panoramas and VR Worlds," SMPTE Motion Imaging Journal, Vol.126, No.1, pp. 35-42, Jan.-Feb. 2017.

상세보기
T. Nguyen, T. Qui, K. Xu, A. Cheok, S. Teo, Z. Zhou, A. Mallawaarachchi, S. Lee, W. Liu, H. Teo, L. Thang, Y. Li, H. Kato, "Real-time 3D human capture system for mixed-reality art and entertainment," IEEE Transactions on Visualization and Computer Graphics, Vol.11, No.6, pp. 706-721, November 2005.

상세보기
Z. Zhan, G. Zhou and X. Yang, "A Method of Hierarchical Image Retrieval for Real-Time Photogrammetry Based on Multiple Features," IEEE Access, Vol.8, pp. 21524-21533, January 2020.

상세보기
Photogrammetry, https://en.wikipedia.org/wiki/Photogrammetry (accessed May. 10, 2020).
S. Izadi, D. Kim, O. Hilliges, D. Molyneaux, R. Newcombe, P. Kohli, J. Shotton, S. Hodeges, D. Freeman and A. Davison, A. Fitzgibbon, "KinectFusion: Real-Time Dynamic 3D Surface Reconstruction and Interaction Using a Moving Depth Camera," International Conference on Computer Graphics and Interactive Techniques, SIGGRAPH 2011, Vancouver, Canada, pp. 127-136, 2011.
S. Choi, S. Park, "Convenient View Calibration of Multiple RGB-D Cameras Using a Spherical Object," KIPS Transactions on Software and Data Engineering, Vol.3, No.8, pp.309-314, August 2014.

원문보기 상세보기
K. Kim, B. Park, D. Kim and Y. Seo,"Point Cloud Registration Algorithm Based on RGB-D Camera for Shooting Volumetric Objects," Journal of Broadcast Engineering, Vol.24, No.5, September 2019.
A. Rizzi, C. Gatta and D. Marini, "A new algorithm for unsupervised global and local color correction," Pattern Recognition Letters, Vol.24, No.11, pp.1663-1677, July 2003.

상세보기
E. Provenzi. C. Gatta, M. Fierro and A. Rizzi, "A spatially variant white-patch and gray-world method for color image enhancement driven by local contrast," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.30, No.10, pp.1757-1770, August 2008.

상세보기
V. Vonikakis, I. Andreadis and A. Gasteratos, "Fast centre-surround contrast modication," IET Image processing, Vol.2, No.1, pp.19-34, February 2008.

상세보기
H. Le, H. Li, "Fused logarithmic transform for contrast enhancement," Electronics Letters, Vol, 44. No.1, pp.19-20, January 2008.

상세보기
C. Schlick, Quantization techniques for visualization of high dynamic range pictures, Photorealistic rendering techniques, Berlin and Heidelberg, pp.7-20. 1994.
W. Cao, R. Che and D. Ye, "An illumination-independent edge detection and fuzzy enhancement algorithm based on wavelet transform for non-uniform weak illumination images," Pattern Recognition Letters, Vol.29, No.3, pp.192-199, February 2008.

상세보기
C. Kuo, N. Yang, C. Liu, P. Tseng and C. Chang, "An effective and exible image enhancement algorithm in compressed domain," Multimedia Tools and Applications, Vol.75, No.2, pp.1177-1200. November 2016.

상세보기
T. Kong, N. Isa."Enhancer-based contrast enhancement technique for non-uniform illumination and low-contrast images," Multimedia Tools and Applications, pp.14305-14326. August 2016.
Y. Lai, P. Tsai, C. Yao and S. Ruan, "Improved local histogram equalization with gradient-based weighting process for edge preservation," Multimedia Tools and Applications, Vol.76, pp.1585-1613, December 2015.
S. Dubey, S. Singh and R. Singh, "A multi-channel based illumination compensation mechanism for brightness invariant image retrieval," Multimedia Tools and Applications, Vol.74, No.24, pp.11223-11253. August 2014.
Y. Rao, L. Hou, Z. Wang and L. Chen, "Illumination-based nighttime video contrast enhancement using genetic algorithm," Multimedia Tools and Applications, Vol.70, No.3, pp.2235-2254, September 2012.
J. Shen, X. Yang, Y. Jia and X. Li, "Intrinsic images using optimization," Computer Vision and Pattern Recognition, Providence, USA, pp.3481-3487, 2011.
Y. Han, Z. Zhang, "An ecient estimation method for intensity factor of illumination changes," Multimedia Tools and Applications, Vol.72, No.3, pp.2619-2632, July 2013.
A. Kushwaha, R. Srivastava, "Automatic moving object segmentation methods under varying illumination conditions for video data comparative study, and an improved method," Multimedia Tools and Applications, Vol.75 No.23, pp.16209-16264, September 2015.
B. Curless, M. Levoy. "volumetric method for building complex models from range images," ACM Transactions on Graphics (SIGGRAPH), New York, USA, pp.303-312, 1996.

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