[논문]시각 인지 기반의 영상 품질 측정 방법

이용헌; 서덕영

시각 인지 기반의 영상 품질 측정 방법
Human Vision Perception base Visual Quality Assessment 원문보기

이용헌 (경희대학교) , 서덕영 (경희대학교)

본 논문에서는 인간의 시각 인지 능력(Human Visual System; HVS)을 기반으로 하는 영상 품질 측정 방법을 제안한다. 보다 구체적으로 제안하는 시각 인지 기반의 영상 품질 측정 방법은 기존의 객관적인 품질 평가 방법인 PSNR 품질 측정 방법에 1) HVS 에 기반한 foveated contrast sensitivity 을 이용하여 집중 영역으로부터 거리에 따른 인식률 저하를 반영하였으며, 이와 동시에 2) Just Noticeable Distortion(JND)을 통해 영상의 휘도 대비 차이에서 오는 인식률 차이를 반영하여 사용자가 인지하는 품질을 계산하였다. 이러한 연구 결과는 특히 대형 영상의 부호화 과정에서 양자화 및 bit allocation, 또는 기 부호화된 영상의 전송 과정에서 차등화된 오류 보호 기술 등에 활용할 수 있을 것이다.

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

문제 정의

본 논문에서 제안하는 HVS 기반의 품질 측정 방법은 먼저 제안하는 영상 자극 인식 모델에 대해 기술한다. 그리고 이를 바탕으로 시각 인지 기반의 품질 측정 방법을 기술한다.
본 논문에서는 [2, 4]에서 연구된 시청 거리에 따른 HVS 에서의 foevated contrast sensitivity 및 JND 를 활용하는 품질 측정 방법을 제안하고자 한다. 본 논문의 구성은 다음과 같다.
본 논문에서는 대형 영상에 대한 HVS 의 시각 인지 기반 영상 품질 측정 방법을 제안하였다. 보다 구체적으로는 시청 환경에 따른 HVS 의 공간적 대비 값의 분해능 특징과 영상의 특징에 따라 달라지는 HVS 의 인식률 차이를 반영하는 영상 자극 인식 모델을 제안하였으며, 이를 이용하는 SCRP-MSE 품질 측정 방법을 제안하였다.
최근 Ultra High Definition(UHD) 및 파노라마 영상과 같이, 인간이 인지할 수 있는 시야각을 넘는 크기의 대형 영상을 이용하여 사용자에게 몰입감 및 현장감을 제공하는 멀티미디어 서비스에 대한 연구가 활발하게 진행되고 있다. 본 연구에서는 이러한 대형 영상의 멀티미디어 컨텐츠에 대한 품질 측정에 있어 HVS 의 foveated contrast sensitivity 및 JND 를 활용함으로써 사용자가 체감하는 품질(Quality of Experience)을 측정하는 방법을 제안한다.
본 절에서는 HVS 의 JND 및 foevation 기반의 HVS 모델에 대하여 자세히 살펴본다.

가설 설정

제안하는 시각 인지 기반의 품질 측정 방법에 대한 성능 검증을 위해 다음과 같은 시뮬레이션을 수행하였다. 시뮬레이션에서 가정하는 시청 환경은 시청 거리 v =3 으로 하며, 영상의 크기는 HD(1920x1080)으로 하였다. 실험 영상에 대하여 DCT 변환된 계수에 대하여 low-pass 필터를 적용하여 영상의 품질을 열화 시키고 각각 MSE 와 제안하는 SCRP-MSE 를 통해 품질을 측정하였다.

제안 방법

4)에 대하여 DCT 를 수행하고 변환된 계수에 대하여 제안하는 영상 자극 인식 모델에 기반하여 low-pass 필터를 적용하고, 이를 SCRP 를 적용한 원본 영상(Fig. 3 (a))과의 품질 비교를 위해 MSE 및 제안하는 SCRP-MSE 를 통해 품질을 측정하였다. 측정 결과 기존의 MSE 는 30.
그러므로 SCRP 를 이용하면 foevation 위치로부터의 거리에 따라 HVS 에서 구분 가능한 최소 휘도 신호의 차이를 계산할 수 있다. 다음으로 영상의 특징에 따른 HVS 의 영상 자극 인식률 차이를 반영하기 위하여 JND 를 반영한다. 앞서 2.
HVS 의 영상 자극 인식 모델은 앞서 2 절에서 설명한 HVS 의 두 가지 모델을 활용한다. 먼저 foevation 위치로부터의 거리에 따른 cutoff frequency 를 이용하여 거리에 따른 공간적 대비 값의 분해능(spatial contrast resolving power; SCRP)을 계산한다. SCRP 는 Fig.
본 논문에서는 대형 영상에 대한 HVS 의 시각 인지 기반 영상 품질 측정 방법을 제안하였다. 보다 구체적으로는 시청 환경에 따른 HVS 의 공간적 대비 값의 분해능 특징과 영상의 특징에 따라 달라지는 HVS 의 인식률 차이를 반영하는 영상 자극 인식 모델을 제안하였으며, 이를 이용하는 SCRP-MSE 품질 측정 방법을 제안하였다. 이를 통해 기존의 객관적인 품질 측정 방법에 제안하는 HVS 모델을 적용함으로써 대형 영상에 대한 사용자의 체감 영상 품질을 측정하는 방법을 제안하였다.
본 논문에서 제안하는 HVS 기반의 품질 측정 방법은 먼저 제안하는 영상 자극 인식 모델에 대해 기술한다. 그리고 이를 바탕으로 시각 인지 기반의 품질 측정 방법을 기술한다.
시뮬레이션에서 가정하는 시청 환경은 시청 거리 v =3 으로 하며, 영상의 크기는 HD(1920x1080)으로 하였다. 실험 영상에 대하여 DCT 변환된 계수에 대하여 low-pass 필터를 적용하여 영상의 품질을 열화 시키고 각각 MSE 와 제안하는 SCRP-MSE 를 통해 품질을 측정하였다.
보다 구체적으로는 시청 환경에 따른 HVS 의 공간적 대비 값의 분해능 특징과 영상의 특징에 따라 달라지는 HVS 의 인식률 차이를 반영하는 영상 자극 인식 모델을 제안하였으며, 이를 이용하는 SCRP-MSE 품질 측정 방법을 제안하였다. 이를 통해 기존의 객관적인 품질 측정 방법에 제안하는 HVS 모델을 적용함으로써 대형 영상에 대한 사용자의 체감 영상 품질을 측정하는 방법을 제안하였다. 나아가 제안하는 영상 자극 인식 모델은 대형 영상의 부호화 과정에서의 양자화 계수 선택 및 bit-allocation 에 활용할 수 있을 것이며, 기 부호화된 영상의 전송 과정에서 차등화된 오류 보호 기술에도 활용될 수 있을 것이다.
즉, 제안하는 HVS 의 영상 자극 인식 모델은 영상 신호와 관계 없이 최적 시야각으로부터 거리에 따른 영상의 대비에 대한 인식률 특성과 영상 자체의 특징(e.g. 고 대비)으로 인해 달라지는 HVS 의 인식률 차이를 동시에 반영한다.

이론/모형

그러므로 수식 (6)을 이용하여 원 영상의 휘도 신호를 변환하면, 주어진 시청 거리에서 HVS 가 인식하는 영상을 얻을 수 있다. 다음으로 l_hvs(n, x, y) 로 변환된 영상과 품질을 측정하고자 하는 영상과의 품질 비교는 수식 (5)의 SCRP 를 기반으로 하는 SCRP-MSE 를 활용한다. SCRP-MSE 는 다음과 같이 계산된다.
시각 인지 기반의 품질 측정을 위해 앞서 3.1 절에서 제안한 HVS 의 영상 자극 인식 모델을 활용한다. 먼저 품질 비교를 위한 원영상을 HVS 에서 인식하는 영상의 형태로 변화시키기 위해 다음과 같은 과정을 거친다.

성능/효과

3 (a))과의 품질 비교를 위해 MSE 및 제안하는 SCRP-MSE 를 통해 품질을 측정하였다. 측정 결과 기존의 MSE 는 30.01dB 를 SCRP-MSE 를 50.17dB 를 나타내었다. 이러한 결과는 MSE 의 경우 영상의 모든 영역에 대해서 동일한 기준으로 품질을 측정하는 반면, 제안하는 SCRP-MSE 의 경우에는 foevation 위치로부터 멀어질수록 품질 열화에 대한 가중치가 작아지므로 전체적인 영상의 품질에 미치는 영향이 작아지기 때문이다.

후속연구

이를 통해 기존의 객관적인 품질 측정 방법에 제안하는 HVS 모델을 적용함으로써 대형 영상에 대한 사용자의 체감 영상 품질을 측정하는 방법을 제안하였다. 나아가 제안하는 영상 자극 인식 모델은 대형 영상의 부호화 과정에서의 양자화 계수 선택 및 bit-allocation 에 활용할 수 있을 것이며, 기 부호화된 영상의 전송 과정에서 차등화된 오류 보호 기술에도 활용될 수 있을 것이다.

핵심어

질문

논문에서 추출한 답변

JND란 무엇인가?

Weber-Fechner 의 법칙으로도 불리우는 JND 는 자극(stimuli)에 대한 차이를 느끼기 위한 최소의 변화량을 정의하고 있으며, 이는 기준 자극이 커질수록 차이를 느끼기 위해 필요한 자극의 크기 또한 커져야 하며, 기준 자극이 작을 경우 약간의 변화만으로도 그 차이를 느낄 수 있다는 것을 의미한다. [2]에서는 HVS 에서의 시각 자극에 대한 JND 를 다음과 같이 정리하였다.

휘도 신호의 대비는 무엇인가?

HVS 는 영상의 휘도(luminance) 신호의 대비에 대한 민감도가 가장 높다. 특히 휘도 신호의 대비는 블록 기반의 DCT 를 이용하는 영상 압축 방법에서 각 블록의 평균 휘도 신호의 크기에 대한 비율로 정의되며, 평균 휘도 신호는 DCT 계수의 DC 컴포넌트 cDC 의 값으로 대표된다. 그러므로 cDC 에 따른 HVS 의 JND 는 다음과 같이 계산된다.

대형 영상에 대한 사용자의 체감 영상 품질을 측정하는 방법의 기대효과는?

이를 통해 기존의 객관적인 품질 측정 방법에 제안하는 HVS 모델을 적용함으로써 대형 영상에 대한 사용자의 체감 영상 품질을 측정하는 방법을 제안하였다. 나아가 제안하는 영상 자극 인식 모델은 대형 영상의 부호화 과정에서의 양자화 계수 선택 및 bit-allocation 에 활용할 수 있을 것이며, 기 부호화된 영상의 전송 과정에서 차등화된 오류 보호 기술에도 활용될 수 있을 것이다.

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

시각 인지 기반의 영상 품질 측정 방법
Human Vision Perception base Visual Quality Assessment 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

시각 인지 기반의 영상 품질 측정 방법 Human Vision Perception base Visual Quality Assessment 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

시각 인지 기반의 영상 품질 측정 방법
Human Vision Perception base Visual Quality Assessment 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper