[논문]향상된 Gradient Inverse Weighted Filter를 적용한 디인터레이싱 알고리듬

윤장혁; 유종상; 전광길; 정제창

향상된 Gradient Inverse Weighted Filter를 적용한 디인터레이싱 알고리듬
Deinterlacing Algorithm Using New Gradient Inverse Weighted Filter 원문보기

윤장혁 (한양대학교 전자컴퓨터통신공학과) , 유종상 (한양대학교 전자컴퓨터통신공학과) , 전광길 (인천대학교 임베디드시스템공학과) , 정제창 (한양대학교 전자컴퓨터통신공학과)

본 논문에서는 gradient inverse weighted filtering(GIWF) 보간법 기반의 화면 내 디인터레이싱 알고리듬을 제안한다. 소실된 화소 줄을 보간하기 위해서 먼저 선 처리 과정을 통해 정해진 마스크의 중간 지점의 예측 값을 생성한다. 이 때는 4-tap 필터를 이용을 한다. 다음으로 이웃 픽셀들 사이에서 마스크 내의 기울기 정보를 이용하여 gradient-weighted 필터의 가중치 계수를 계산한다. 그리고 마지막으로 새롭게 제시된 GIWF 보간법을 이용하여 소실된 화소 줄을 보간하게 된다. GIWF를 이용하여 영상의 디테일을 보존하고 잡음을 제거하는 효과를 얻게 되었다. 제안된 방법의 영상 시퀀스에 대한 실험 결과는 기존의 방법들에 비하여 성능의 우수함을 보여준다.

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

문제 정의

본 논문에서는 Gradient Inverse weighted filter 기반의 디인터레이싱 방법을 제안하였다. 기존의 GIWF에서 잡음제거를 위한 추가적인 방법이 제시된 새로운 GIWF가 적용되었다.
뛰어난 성능을 제공하지만 복잡한 연산 때문에 비용이 많이 든다 이에 따라 적은 연산량을 가지면서 뛰어난 화질을 제공하는 공간적 디인터레이싱 기술의 개발이 중요해 지고 있다. 본 논문에서는 화면 내 디인터레이싱 접근 방법을 제안한다. 화면 내 디인터레이싱은 많은 접근방법을 통해 다양한 방법들이 제시되었다[3-7]

제안 방법

이 영상은 디인터레이싱을 비롯한 일반적인 영상신호처리 분야에서 가장 많이 이용되는 시퀀스로써 실험의 특성을 잘 반영하기 위하여 움직임 정도에 따라 다양하게 분류하여 실험을 하였다. 그리고 기존의 잘 알려진 화면 내 디인터레이싱 알고리듬인 LDB, LA, ELA, EELA, MELA 와 성능비교를 제시한다. 객관적인 화질비교를 위해 PSNR 측정결과를 통해 제안된 알고리듬의 성능을 나타내었다.
본 논문에서는 Gradient Inverse weighted filter 기반의 디인터레이싱 방법을 제안하였다. 기존의 GIWF에서 잡음제거를 위한 추가적인 방법이 제시된 새로운 GIWF가 적용되었다. 마스크 내의 이웃 픽셀들의 정보를 이용하고 기울기 값을 구할 수 있었다.
앞 절에서 제시한 새로운 GIWF 적용한 디인터레이싱 알고리듬을 제안한다. 첫째로, 보간해야 할 위치 X 의 예측 값을 구하고, 마스크 내에서 가지고 있는 위쪽과 아래쪽의 6개의 값과 X의 예측 값을 더한 총 7개의 값만을 GIWF에서 이용을 하게 된다.
제안된 알고리듬의 성능 평가를 위해서 13개의 CIF 비디오 시퀀스를 대상으로 실험을 수행 하였다. 이 영상은 디인터레이싱을 비롯한 일반적인 영상신호처리 분야에서 가장 많이 이용되는 시퀀스로써 실험의 특성을 잘 반영하기 위하여 움직임 정도에 따라 다양하게 분류하여 실험을 하였다. 그리고 기존의 잘 알려진 화면 내 디인터레이싱 알고리듬인 LDB, LA, ELA, EELA, MELA 와 성능비교를 제시한다.
스무딩 연산은 경계의 블러링이 없이 영역 내의 노이즈를 줄이게 된다[8]. 제안된 논문에서는 인터레이스 된 신호의 잃어버린 화소 줄을 보간하여 순행주사 영상을 복원하기 위하여 GIWF를 이용한다. 이 필터는 식 (1)의 3×3의 마스크를 적용한다.
앞 절에서 제시한 새로운 GIWF 적용한 디인터레이싱 알고리듬을 제안한다. 첫째로, 보간해야 할 위치 X 의 예측 값을 구하고, 마스크 내에서 가지고 있는 위쪽과 아래쪽의 6개의 값과 X의 예측 값을 더한 총 7개의 값만을 GIWF에서 이용을 하게 된다. 전처리 과정을 통하여 x(i, j)의 예측 값을 생성해 내어야 된다.

대상 데이터

제안된 알고리듬의 성능 평가를 위해서 13개의 CIF 비디오 시퀀스를 대상으로 실험을 수행 하였다. 이 영상은 디인터레이싱을 비롯한 일반적인 영상신호처리 분야에서 가장 많이 이용되는 시퀀스로써 실험의 특성을 잘 반영하기 위하여 움직임 정도에 따라 다양하게 분류하여 실험을 하였다.

데이터처리

그리고 기존의 잘 알려진 화면 내 디인터레이싱 알고리듬인 LDB, LA, ELA, EELA, MELA 와 성능비교를 제시한다. 객관적인 화질비교를 위해 PSNR 측정결과를 통해 제안된 알고리듬의 성능을 나타내었다. 표 1은 평균 PSNR값을 비교함으로써 제안된 알고리듬이 기존의 방법보다 우수함을 보여준다.

성능/효과

마스크 내의 이웃 픽셀들의 정보를 이용하고 기울기 값을 구할 수 있었다. 결과 적으로 디테일을 유지하며 잡음을 제거한 효과적인 디인터레이싱 알고리듬성능을 보여주었다. 실험 결과는 제안된 방법이 다른 방법보다 우수한 성능을 보인다.
표 1은 평균 PSNR값을 비교함으로써 제안된 알고리듬이 기존의 방법보다 우수함을 보여준다. 기존의 에지경향을 판단 하는 방법들에 비해 필터링을 적용한 방법이지만 연산량 측면에서 비슷한 결과를 얻을 수 있었다.
결과 적으로 디테일을 유지하며 잡음을 제거한 효과적인 디인터레이싱 알고리듬성능을 보여주었다. 실험 결과는 제안된 방법이 다른 방법보다 우수한 성능을 보인다.
그림 2는 football 영상의 부분을 확대한 것이다. 제안한 알고리듬은 다른 방법들에 비해 자연스러운 보간이 되었으며, 잡음이 많이 감소하였음을 볼 수 있다. 예를 들어 영상에서 숫자와 헬멧, 팔의 견장 부분 등 사선이 많이 포함된 영역에서 특히 잡음이 없음을 알 수 있다.

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

향상된 Gradient Inverse Weighted Filter를 적용한 디인터레이싱 알고리듬
Deinterlacing Algorithm Using New Gradient Inverse Weighted Filter 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

향상된 Gradient Inverse Weighted Filter를 적용한 디인터레이싱 알고리듬 Deinterlacing Algorithm Using New Gradient Inverse Weighted Filter 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

향상된 Gradient Inverse Weighted Filter를 적용한 디인터레이싱 알고리듬
Deinterlacing Algorithm Using New Gradient Inverse Weighted Filter 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper