가우시안 분포 기반 제어 함수와 영상 밝기 정보를 이용한 명도 보정 기법

국문 초록 (Abstract)

물체 인식은 촬영된 영상 내에서 물체를 탐색하고 판별하는 과정을 말한다. 하지만 촬영 환경의 조도가 적절하지 않아 영상이 너무 어둡거나 밝게 찍힐 경우 물체를 탐색하는데 어려운 요인이 된다. 이는 또한 물체의 색상 정보에도 영향을 준다. 물체 인식에서 물체의 색상은 고유한 특징으로써, 물체 인식의 정확도에 영향을 미친다. 따라서 물체 인식의 정확도를 높이기 위해서 어둡거나 밝게 찍힌 부분의 명도를 조절할 필요가 있다. 이에 본 논문에서는 영상의 명도 정보를 기반으로 한 명도 제어 함수를 설계함으로 촬영된 영상의 명도를 조절하고자 한다. 기존의 알고리즘들은 기준 영상을 기반으로 하거나 연산 시간이 길지만, 본 논문에서는 간단한 제어 함수를 통해 명도 정보를 보정하고자 한다. 이를 구현하기 위해 기존의 RGB 영상을 명도 정보를 나타내는 CIE L*a*b* 컬러 공간으로 변환하였다. CIE L*a*b* 컬러 공간에서 L 성분은 명도 정보를 포함하고 있으므로, 이를 기반으로 제어 함수를 설계하였다. 설계된 제어 함수를 통해 명도 보정 계수를 구하였고, 실험 결과 제안하는 방법을 통해 명도 정보가 적절히 보정됨을 확인할 수 있었다.

다국어 초록 (Multilingual Abstract)

Object recognition represents the process which detects and recognizes an object in an image captured. However, in case of improper luminance in working condition, an image is captured unclearly. It becomes a difficult factor for analyzing the image. It also has an effect on color information and an accuracy of recognizing an object. Therefore, it is necessary to adjust brightness in the area which looks quite dark and bright for improving an accuracy. For this reason, this paper proposes the method to adjust brightness by designing control function based on brightness information of an image. Traditional algorithms are based on ground truth or take long computational time. However, this paper suggests uncomplicated control function for compensating brightness. To implement this idea, RGB image is converted to CIE L*a*b*. Because L component of CIE L*a*b* color space includes brightness information, we design control function based on L component. The coefficient of brightness adjustment is calculated by control function. As experimental results, the proposed method shows that it can audsjt brightness information properly.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 영상의 색 공간과 명도 정보
• 3. 밝기 정보 기반 명도 조정 제어 함수 설계
• 4. 실험 및 결과 분석
• 5. 결론 및 향후 연구
• References

참고문헌 (Reference)

• 1 진태석, "행동차단을 위한 이동로봇의 추적경로 생성" 한국지능시스템학회 23 (23): 460-465, 2013
• 2 이민중, "퍼지기법을 이용한 영상분할 및 물체추적에 관한 연구" 한국지능시스템학회 17 (17): 368-373, 2007
• 3 김영균, "밝기변화에 강인한 Genetic Programming 기반의 비파라미터 다중 컬러 검출 모델" 한국지능시스템학회 20 (20): 780-785, 2010
• 4 M. Bryson, "True color correction of autonomous underwater vehicle imagery" 853-874, 2016
• 5 S. P. Kim, "The First Step of Deep Learning: from machine learning to convolutional neural network" Hanbit Publishing Network, Inc 2016
• 6 P. Corke, "Robotics, vision and control: funcamental algorithms in MATLAB vol. 73" Springer 2011
• 7 P. Allen, "Robotic Object Recognition using Vision and Touch, vol. 34" Springer Science & Business Media 2012
• 8 S. T. Jeong, "Practical Image Processing using Visual C++" Life & Power Press 2014
• 9 S. G. Im, "Object Recognition based on the Speeded-Up Robust Features using Error Back Propagation" 21 (21): 70-71, 2011
• 10 B. Cyganek, "Object Detection and Recognition in Digital Images: Theory and Practice" John Wiley & Sons 2013
• 11 K. Yamamoto, "Multiview video coding using view interpolation and color correction" 17 (17): 1436-1449, 2007
• 12 MathWorks, "Image Processing Toolbox: User’s Guide" Incorporated 2016
• 13 D. Scharstein, "High-resolution stereo datasets with subpixel-accurate ground truth" 31-42, 2014
• 14 이희열, "GrabCut을 이용한 IR 영상 분할" 한국지능시스템학회 21 : 260-267, 2011
• 15 S. A. Fezza, "Featurebased color correction of multiview video for coding and rendering enhancement" 24 (24): 1486-1498, 2014
• 16 C. W. Kim, "Digital Image Processing with MATLAB" Life & Power Press 2016
• 17 R. C. Gonzalez, "Digital Image Processing Using MATLAB" McGraw Hill Education 2010
• 18 G. Sharma, "Digital Color Imaging Handbook" CRC Press 2000
• 19 J. Ruminski, "Application of smart glasses for fast and automatic color correction in health care" 4950-4953, 2015
• 20 L. Zhuo, "An SA-GA-BP neural network-based color correction algorithm for TCMtonque images" 134 : 111-116, 2014
• 21 A. Rizzi, "A new algorithm for unsupervised global and local color correction" 24 (24): 1663-1677, 2003