<요약 정리> 영상처리특론

1.    가시광선 대역 Power Distribution인 Color와 연관된 물음에 답하시오.

o    눈의 두 유형 Photorecept인 Cone 및 Rod Cell의 특성

Cone 추상체	Rod 간상체
부채꼴 모양	길고 가는 모양
망막 근처	망막 멀리
밝을 때	어두울 때
색깔을 봄	흑백
세세함	대략적

o    Metamer에 대해 설명하고, 일상생활에서 이것의 유용성
실제로는 다르지만 사람이 보기에는 구분 할 수 없는 power distribution을 말함. Natural color를 표현하기 위해서 다른 color들을 섞어 표현할 수 있는 것도 metamer 덕분이다.

o    Opponent Process Theory와 Zone Theory 설명
Opponent Process Theory : Cone과 Rod가 색 자극에 대하여 대립된다는 이론으로서, 예를들어, 붉은색과 녹색에 반응하는 세포에 붉은 색 자극을 주면 붉은 영역 수용기는 자극을 받고 녹색 수용기는 억제된다는 이론이다.
ZoneTheory : opponent process 의 수식 모델이다.

o    컬러 모델이 다양한 이유를 설명하고, 활용 가이드라인을 제시
표현하고자 하는 색들의 distribution이 서로 다를 수 있고, 상황에 따라 색을 쉽게 표현하기 위해 다양한 컬러모델들이 존재한다.
Plankian curve : LED 램프의 색감을 따뜻함의 정도(온도)로 표현하고자 할 때

o    Color Consistency에 대하여 설명하시오

o    Image Processing에서 Illuminance Component가 Chromaticity Component보다 더 상세히 기술되어야 하는 이유
 

2.     CIE Color System과 관련하여 다음 항목에 대하여 설명하시오.

o    조명에 대한 표준화를 위해 CIE에서 제시한 방법
CIE Standard Illuminant을 제시, 각 Light Source에 따라 SPD(Spectral Power Distribution) 를 나타내는 표를 만들었다. Color Temperature, 색을 온도로 표현하는 방안 제시.

o    Color Matching Function을 제시한 이유
사람의 눈이 빨강, 녹색, 파랑 광원으로부터 어떻게 색깔을 매칭하는지를 정의하기 위해서 제시하였다.

o    Chromaticity Diagram에 모든 자연색(Natural Color)을 표현 가능한 이유
Toungue Diagram을 포함하는 이상적인 X, Y, Z Tristimulus Value로 색을 표현하기 때문이다.

o    Chromaticity Diagram에서 얻을 수 있는 Color의 속성
떨어진 거리의 비율로 색상과 채도, 색깔 영역을 알 수 있다.

o    MacAdam Diagram와 JND(Just-Noticable-Difference) 간의 관계
MacAdam Diagram의 타원 중심 색상과 경계의 색상이 JND color 관계이다.

 

3.     Image Enhancement 방법과 관련한 다음 물음에 대하여 간단히 설명하시오.

o    Log Transformation에 의해 얻어지는 효과와 활용 예
어두운 부분을 Sensitive 하게 만들어서 더 구분되게 해준다. x-ray 사진에서 밝은 부분은 거의 변화를 주지 않고 어두운 부분만 더 밝게 교정할 수 있다.

o    Histogram Equalization 효과 및 Histogram Specification 원리
PDF(Probability Density Function)의 분포를 같게 만들어준다. 원본의 Histogram과 목표 Histogram 모두 Equalize 했을 때 같은 점으로 mapping된다는 점을 이용한다.

o    Temporal Averaging에 비해 Temporal Median이 보다 유용한 경우
값의 분포가 균일하지 못하여 특정 값이 너무 크거나 작아, 전체 average에 영향을 미치는 경우 (Impulse Noise Handling)

o    Image Sharpening 방법들 제시 및 간단 설명
Laplacian - 2차 미분을 이용한다.
f(x,y) + ▽²f(x,y)

0	-1	0
-1	5	-1
0	-1	0

Unsharp Masking - 원본 이미지에서 blurred 이미지를 뺀다.

 

4.    Frequency Domain에서의 Image Enhancement와 관련하여 다음에 답하시오.

o    어떤 Image의 Fourier Spectrum을 보면서 얻을 수 있는 모든 정보 설명
Fourier Spectrum에 나타나는 형상의 방향에 수직되는 방향으로 Image의 패턴이 존재함을 알 수 있고, 그 형상이 원점에서 얼마나 떨어졌는가를 통해 해당 패턴의 빈도를 알 수 있다.

o    Frequency Domain에서의 Lowpass Filtering 과정 설명
Lowpass Filter로 저주파를 강조하려 할때, H(u,v)는 Frequency Domain에서 원점에서 가까운 점들에 큰 값, 원점에서 먼 점들에 작은 값을 곱해준다.

o    Convolution Theorem의 설명 및 활용 유용성
f(x,y)*h(x,y) <=> F(u,v)H(u,v)
f(x,y)h(x,y) <=> F(u,v)*H(u,v)

o    Laplacian 성분을 원래 영상에 추가하여 개선하는 방법 즉, f(x,y) - ▽²f(x,y)에 대한 Frequency Domain Filter 제시 (Hint) 미분에 대한 FT: dⁿf / dxⁿ => (ju)ⁿF(u)
f(x,y) -> F(u,v)
▽²f(x,y) -> (ju)²F(u,v) + (jv)²F(u,v) = -u²F(u,v) - v²F(u,v)
정답 : (1+u²+v²)F(u,v)

o    Frequency Domain에서 Gaussian Filter 의 Standard deviation과 Spatial Domain에서 Filter mask size와의 상관관계
반비례하다.