공간 주파수 특성을 가지는 다중 신경 회로망을 이용한 영상 보간

Image Interpolation Using Multiple Neural Networks with Spatial Frequency Characteristic

  • 우동헌 (부산대학교 전자공학과) ;
  • 엄일규 (밀양대학교 정보통신공학과) ;
  • 김유신 (부산대학교 컴퓨터 및 정보통신 연구소)
  • 발행 : 2004.09.01

초록

영상 보간은 기존에 존재하는 화소의 정보로 빈 화소를 계산하여 영상을 확대하는 방법이다. 자연 영상은 다양한 공간 주파수 성분을 포함하기 때문에 하나의 영상 보간 방법으로 다양한 주파수 성분에 대한 보간을 모두 수행하기에는 어려운 점이있다. 본 논문에서는 공간 주파수 특성을 가지는 다중 신경회로망 구조를 이용하여 영상을 보간하는 방법은 제안한다. 입력 영상은 국부 분산에 의해 공간 주파수에 따라 분리되어 공간 주파수 대역 별로 설정된 신경회로망을 통하여 보간 된다. 제안 방법은 deinterlacing에서의 적용성 때문에 관심이 커지고 있는 2배의 영상 보간에 적용되었다. 모의 실험에서 제안 방법은 기존의 알고리즘들뿐 아니라 단일 신경 회로망을 사용하는 방법보다 개선된 PSNR 성능을 보여주었다.

Image interpolation is an image enlargement method that calculates an empty pixel value using the information of given pixel values. Since a natural image is composed of various spatial frequency components, it is difficult for one method to interpolate pixels with various spatial frequencies. In this paper, we propose an image interpolation method using multiple neural networks with spatial frequency characteristic. Input image is segmented according to spatial frequency by local variance, and each segmented image is interpolated using neural network established for spatial frequency band. The proposed method is applied to line doubling that becomes an important part in image interpolation because of deinterlacing. In simulation the proposed algorithm shows the improved PSNR result compared with conventional algorithms and method using single neural network.

키워드

참고문헌

  1. Nathalie Plaziac, 'Image interpolation using neural networks,' IEEE Trans. Image Processing, Vol. 8, No. 11, pp. 1647-1651, Nov. 1999 https://doi.org/10.1109/83.799893
  2. A. V. Oppenheim, and R. W. Schafer, Discretetime Signal Processing, Prentice Hall, pp. 102-111, 1989
  3. G. D. Haan and E. B. Bellers, 'Deinterlacing An Overview', Proceedings of IEEE, Vol. 86, No. 9, pp. 1839 -1857, September 1998 https://doi.org/10.1109/5.705528
  4. X. Li and M. T. Orchard, 'New edge-directed interpolation,' IEEE Trans. Image Processing, Vol. 10, No. 10, pp. 1521-1527, Oct. 2001 https://doi.org/10.1109/83.951537
  5. J. M. Zurada, Introduction to Artificial Neural System, PWS Publishing Co., pp.163-250, 1995
  6. ISO/IEC/JTC1/WG11/MPEG93/143, Rome, Italy, Jan. 1993
  7. S. W. Lee, 'Off-line recognition of totally unconstrained handwritten numerals using multilayer cluster neural network,' IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 18, No. 6, pp. 648-652, June 1996 https://doi.org/10.1109/34.506416
  8. Dong-Hun Woo, Charm-Han Ko, Hyun-Min Kang, Yoo-Shin Kim, Hyung-Soon Kim, 'Narrowband to Wideband Conversion of Speech Using Modularized Neural Network,' 7th International Symposium Artificial Life and Robotics, Vol.2, pp.622-625, Beppu, Japan, Jan. 2002