[논문]단순 기울기 연산자 기반의 새로운 저복잡도 고성능 영상 화질 측정 척도

배성호; 김문철

단순 기울기 연산자 기반의 새로운 저복잡도 고성능 영상 화질 측정 척도
A Novel Low-Complex and High-Performance Image Quality Assessment Metric based on Simple Gradient Operators 원문보기

한국방송공학회 2015년도 추계학술대회, 2015 Nov. 06, 2015년, pp.81 - 83

배성호 (한국과학기술원 전기 및 전자 공학과) , 김문철 (한국과학기술원 전기 및 전자 공학과)

초록
AI-Helper

객관적 영상 화질 측정(Image Quality Assessment: IQA)방법은 영상 화질 최적화 문제해결을 목적으로 하는 영상 처리 및 컴퓨터 비전 분야에 매우 중요하게 사용된다. 이를 위해, 저복잡도, 고성능 및 좋은 수학적 특성(예를 들어, 척도성(metricability), 미분가능성(differentiability) 및 볼록 성질(convexity))을 모두 만족시키는 객관적 IQA 방법이 활발히 연구되어 왔다. 그러나, 위해 위에서 언급한 좋은 수학적 특성을 가지는 대부분의 객관적 IQA 방법들은 좋은 수학적 특성을 만족시키기 위해 상당한 예측성능의 감소를 초래했다. 본 논문은 위에서 언급한 좋은 수학적 특성을 모두 만족시키면서, 예측 성능이 향상된 새로운 IQA 방법을 제안한다. 인간 시각 체계의 감수영역은 광도 입력에 대해 공간 도메인에서 미분 형태의 응답을 가지므로, 제안 방법은 이러한 시각 체계 응답을 모방하여 기울기 연산자를 도입한다. 제안한 방법에서 도입한 기울기 연산자는 매우 단순하게 설계되어, 계산 복잡도가 매우 낮다. 광범위한 실험 결과, 제안하는 IQA 방법은 기존 수학적 특성이 좋은 IQA 방법들 대비 더 좋은 성능을 보이면서 계산 복잡도 또한 낮았다. 따라서 제안 IQA 방법은 다양한 영상 화질 최적화 문제에 매우 효과적으로 적용될 수 있다.

AI 본문요약
AI-Helper

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

문제 정의

본 논문에는 저복잡도, 고성능 및 좋은 수학적 특성을 만족시키는 FR-IQA 방법을 제안하였다. 제안하는 FR-IQA 방법 다른 FR-IQA 방법들과 비교하였을 때, 영상 화질 예측 성능 및 계산 복잡도의 모든 측면에서 매우 좋은 성능을 보였다.
본 논문에서는 이를 해결하기 위해 새로운 FR-IQA 방법(Simple Gradient operator-based Quality Metric:SGQM)을 제안한다. 제안 방법은 위에서 언급한 좋은 수학적 특성을 모두 만족한다.

제안 방법

SGQM 은 4 차원의 특징 벡터(f = [f₁, f₂, f₃, f₄])에 대한 가중치 합으로 모델링 되었다. SGQM 에서 2 개의 특징(f₁, f₂)을 모델링 하기 위해, 우리는 광도에 대한 인간 시각 체계(Human Visual System: HVS)의 시각 피질(visual cortex)에서의 감수 영역(receptive field) 응답을 모방한다. 감수 영역의 응답은 광도 입력에 대한 차분(또는 대비)을 출력으로 가지며, 시각 피질은 이러한 차분정보를 기반으로 외부 세계를 인식한다[17].
본 논문에서 제안하는 SGQM 은 YIQ 색 공간에서 수행된다. 즉, 원본 영상 X=[X_Y, X_I, X_Q], 왜곡 영상 Y=[ Y_Y, Y_I, Y_Q]에 대해 SGQM 이 수행된다.
감수 영역의 응답은 광도 입력에 대한 차분(또는 대비)을 출력으로 가지며, 시각 피질은 이러한 차분정보를 기반으로 외부 세계를 인식한다[17]. 본 논문에서는 이러한 차분 정보를 모델링 하기 위해 매우 단순한 기울기 연산자를 사용했다. 우리가 사용하는 기울기 연산자는 식 (1)로 표현된다.
는 컨볼루션 연산자를 의미한다. 우리는 다음으로, 색(chrominance) 왜곡에 대한 인지 화질을 반영하기 위해, 원본 영상과 왜곡 영상의 I 와 Q 성분에 대한 MSE 를 구한다. 즉 I 와 Q 성분 왜곡에 대한 특징 f₃과 f₄는 식 (3)과 같다.
여기서 SROC 가 FR-IQA 방법의 성능을 측정하기 위한 대표적 성능 지표로 사용된다[5]. 우리는 전체 성능을 보이기 위해 각각의 데이터세트에서의 성능 지표에 대해 데이터 세트의 샘플 개수에 의한 가중치평균을 전체 성능(overall performance)로 제시하였다. 우리는 계산된IQA 방법과 실제 측정한 주관적 화질 점수(MOS: mean opinion score)를 매핑시키기 위해 로지스틱 회귀법을 사용하였다 [19].
제안하는 SGQM 를 영상 화질 예측 정확도 와 계산 복잡도 측면에서 검증하였다. 우선 영상 화질 예측 정확도 검증을 위해, 우리는 현재 공식적으로 사용가능하며 가장 많은 데이터를 가지는 3 개의 데이터세트(TID2013[17], TID2008[18], CSIQ[11])에 대해 실험을 수행하였다.
결과적으로, 제안하는 SGQM 은 다른 비교 FR-IQA 방법들에 비해 전체 SROC, KROC 관점에서 가장 좋은 성능을 보였다. 추가로, 본 논문에서는 SCQM 의 연산속도를 PSNR, PAMSE, MoSSIM 과 비교한다.

대상 데이터

제안하는 SGQM 를 영상 화질 예측 정확도 와 계산 복잡도 측면에서 검증하였다. 우선 영상 화질 예측 정확도 검증을 위해, 우리는 현재 공식적으로 사용가능하며 가장 많은 데이터를 가지는 3 개의 데이터세트(TID2013[17], TID2008[18], CSIQ[11])에 대해 실험을 수행하였다. 표 1 은 실험에 사용된 데이터세트의 정보를 보인다.

데이터처리

성능 검증을 위해 도입한 4 개의 성능 지표는, SROC(Spearman Rank-Order Correlation coefficient), KROC (Kendall Rank-Order Correlation coefficients), PLCC(Pearson Linear Correlation coefficient), RMSE(Root Mean Squared Error)이다. 여기서 SROC 가 FR-IQA 방법의 성능을 측정하기 위한 대표적 성능 지표로 사용된다[5].

이론/모형

객관적 영상 화질 측정 방법은 참조 영상 정보의 사용 가능성 정도에 따라 완전 참조(Full-Reference: FR) IQA 방법, 감소 참조(Reduced-Reference: RR) IQA 방법, 무참조(No-Reference: NR) IQA 방법으로 나뉜다[5]. 본 논문에서는 완전 참조 IQA(FR-IQA) 방법만을 다룬다.
우리는 전체 성능을 보이기 위해 각각의 데이터세트에서의 성능 지표에 대해 데이터 세트의 샘플 개수에 의한 가중치평균을 전체 성능(overall performance)로 제시하였다. 우리는 계산된IQA 방법과 실제 측정한 주관적 화질 점수(MOS: mean opinion score)를 매핑시키기 위해 로지스틱 회귀법을 사용하였다 [19]. 표 2 는 영상 화질 예측 성능 실험 결과를 보인다.

성능/효과

표 2. 영상 화질 예측 성능 실험 결과

결과적으로, 제안하는 SGQM 은 다른 비교 FR-IQA 방법들에 비해 전체 SROC, KROC 관점에서 가장 좋은 성능을 보였다. 추가로, 본 논문에서는 SCQM 의 연산속도를 PSNR, PAMSE, MoSSIM 과 비교한다.
제안하는 FR-IQA 방법 다른 FR-IQA 방법들과 비교하였을 때, 영상 화질 예측 성능 및 계산 복잡도의 모든 측면에서 매우 좋은 성능을 보였다. 따라서 제안 FR-IQA 방법은 영상 화질 최적화 문제에 매우 효과적으로 적용될 수 있다.
제안 방법은 위에서 언급한 좋은 수학적 특성을 모두 만족한다. 또한 제안 FR-IQA 방법은 MSE, MoSSIM 및 PAMSE 대비 향상된 영상 화질 예측력을 가진다. 제안 방법은 매우 단순한 기울기 연산자를 이용해 만들어 졌기 때문에, 계산 복잡도 면에서도 매우 빠른 계산 속도를 보인다는 장점이 있다.
또한 제안 FR-IQA 방법은 MSE, MoSSIM 및 PAMSE 대비 향상된 영상 화질 예측력을 가진다. 제안 방법은 매우 단순한 기울기 연산자를 이용해 만들어 졌기 때문에, 계산 복잡도 면에서도 매우 빠른 계산 속도를 보인다는 장점이 있다.
GQM)을 제안한다. 제안 방법은 위에서 언급한 좋은 수학적 특성을 모두 만족한다. 또한 제안 FR-IQA 방법은 MSE, MoSSIM 및 PAMSE 대비 향상된 영상 화질 예측력을 가진다.

본 논문에는 저복잡도, 고성능 및 좋은 수학적 특성을 만족시키는 FR-IQA 방법을 제안하였다. 제안하는 FR-IQA 방법 다른 FR-IQA 방법들과 비교하였을 때, 영상 화질 예측 성능 및 계산 복잡도의 모든 측면에서 매우 좋은 성능을 보였다. 따라서 제안 FR-IQA 방법은 영상 화질 최적화 문제에 매우 효과적으로 적용될 수 있다.

제안하는 SGQM 은 PSNR 을 제외하면 3 개의 FR-IQA 방법 중 가장 빠른 연산 속도를 가진다. 또한 SCQM 은 PAMSE 보다 더 연산 속도가 빠르다.

질의응답

핵심어	질문	논문에서 추출한 답변
	무엇을 만족시키는 객관적 IQA 방법이 연구되어 왔는가?	객관적 영상 화질 측정(Image Quality Assessment: IQA)방법은 영상 화질 최적화 문제해결을 목적으로 하는 영상 처리 및 컴퓨터 비전 분야에 매우 중요하게 사용된다. 이를 위해, 저복잡도, 고성능 및 좋은 수학적 특성(예를 들어, 척도성(metricability), 미분가능성(differentiability) 및 볼록 성질(convexity))을 모두 만족시키는 객관적 IQA 방법이 활발히 연구되어 왔다. 그러나, 위해 위에서 언급한 좋은 수학적 특성을 가지는 대부분의 객관적 IQA 방법들은 좋은 수학적 특성을 만족시키기 위해 상당한 예측성능의 감소를 초래했다.
	객관적 IQA 방법은 영상 복원 문제에 있어서 무엇에 적용될 수 있는가?	예를 들어, 객관적 영상 화질 측정(Image Quality Assessment: IQA) 방법은 영상 처리 및 컴퓨터 비전 알고리즘을 통해 획득된 복원 영상의 화질을 쉽고 빠르게 측정하기 위한 척도로 사용된다[2], [3]. 또한, 객관적 IQA 방법은, 영상 복원 문제에 있어서 인지적으로 높은 화질 영상을 복원할 때 영상 화질 최적화 문제의 목적함수 또는 사전지식으로 사용되거나, 계산 복잡도를 줄이기 위한 국부-선택적인 영상복원 방법에 적용될수 있다[4].
	새로운 FR-IQA 방법의 장점은?	또한 제안 FR-IQA 방법은 MSE, MoSSIM 및 PAMSE 대비 향상된 영상 화질 예측력을 가진다. 제안 방법은 매우 단순한 기울기 연산자를 이용해 만들어 졌기 때문에, 계산 복잡도 면에서도 매우 빠른 계산 속도를 보인다는 장점이 있다.

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

원문 보기

이 논문과 함께 이용한 콘텐츠

연합인증

단순 기울기 연산자 기반의 새로운 저복잡도 고성능 영상 화질 측정 척도
A Novel Low-Complex and High-Performance Image Quality Assessment Metric based on Simple Gradient Operators 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

단순 기울기 연산자 기반의 새로운 저복잡도 고성능 영상 화질 측정 척도 A Novel Low-Complex and High-Performance Image Quality Assessment Metric based on Simple Gradient Operators 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

이론/모형

성능/효과

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

단순 기울기 연산자 기반의 새로운 저복잡도 고성능 영상 화질 측정 척도
A Novel Low-Complex and High-Performance Image Quality Assessment Metric based on Simple Gradient Operators 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper