KR100955180B1 - Method and System for Computing Quality Value of Image - Google Patents
Method and System for Computing Quality Value of Image Download PDFInfo
- Publication number
- KR100955180B1 KR100955180B1 KR1020080033784A KR20080033784A KR100955180B1 KR 100955180 B1 KR100955180 B1 KR 100955180B1 KR 1020080033784 A KR1020080033784 A KR 1020080033784A KR 20080033784 A KR20080033784 A KR 20080033784A KR 100955180 B1 KR100955180 B1 KR 100955180B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- information
- value
- quality index
- color
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
이미지로부터 추출되는 하나 이상의 특징정보를 이용하여 해당 이미지의 품질지수를 산출할 수 있는 본 발명의 일 측면에 따른 이미지 품질지수 산출 방법은, 소정 이미지로부터 이미지 기본정보, 칼라 분포정보, 그레이(Gray) 분포정보, 및 텍스추어(Texture) 정보 중 적어도 하나를 포함하는 특징정보를 추출하는 단계; 및 상기 특징정보들 중 2개 이상의 특징정보를 이용하여 상기 이미지의 품질지수를 산출하는 단계를 포함한다.Image quality index calculation method according to an aspect of the present invention that can calculate the quality index of the image by using one or more feature information extracted from the image, image basic information, color distribution information, gray (Gray) from a predetermined image Extracting feature information including at least one of distribution information and texture information; And calculating a quality index of the image by using at least two feature information of the feature information.
이미지, 품질, 지수, 특징정보 Image, Quality, Index, and Features
Description
본 발명은 이미지 처리에 관한 것으로서 보다 상세하게는 이미지의 품질지수를 산출하는 방법에 관한 것이다.The present invention relates to image processing, and more particularly, to a method for calculating a quality index of an image.
인터넷의 발달 및 인터넷 보급의 증가로 인해 인터넷을 이용한 다양한 서비스가 제공되고 있는데, 그 중 대표적인 예가 검색 서비스라 할 수 있다. 검색 서비스는 사용자가 검색하고자 하는 단어 또는 단어의 조합을 쿼리로 입력하면, 검색 엔진이 입력된 쿼리에 상응하는 검색결과 문서(예컨대, 사용자로부터 입력된 검색 쿼리를 포함하는 웹 사이트, 기사)를 사용자에게 제공하는 서비스를 의미한다.Due to the development of the Internet and the increase of the Internet, various services are provided using the Internet, and a representative example thereof is a search service. When a search service inputs a word or a combination of words to be searched by a user, the search engine searches a search result document (eg, a web site or an article including a search query entered by the user) corresponding to the search engine. Means services provided to
최근에는 사용자들의 다양한 검색요구에 부응하기 위해 검색 서비스 제공자들은 텍스트 형태의 검색결과뿐만 아니라 동영상이나 이미지와 같은 컨텐츠를 검색결과로 제공하고 있다. 이때, 검색결과로써 동영상이나 이미지를 제공함에 있어서, 사용자가 입력한 쿼리를 포함하는 파일명을 갖는 동영상 또는 이미지나, 동영상이나 이미지와 관련된 텍스트에 사용자가 입력한 쿼리가 포함되어 있는 동영상이나 이미지를 제공하게 된다.Recently, in order to meet various search demands of users, search service providers have provided content such as a video or an image as a search result as well as a textual search result. In this case, in providing a video or image as a search result, a video or image having a file name including a query input by the user or a video or image including a query input by the user in text related to the video or image is provided. Done.
그러나 검색결과로써 이미지를 제공하는 경우 상술한 바와 같이, 해당 이미지의 파일명에 사용자가 입력한 쿼리가 포함되어 있거나 해당 이미지와 관련된 텍스트 파일에 사용자가 입력한 쿼리가 포함되어 있는 경우 해당 이미지를 검색결과로 제공하기 때문에, 검색결과로 제공되는 이미지가 사용자가 입력한 쿼리와 관련이 없는 것이거나 열악한 품질을 가진 것일 수 있고, 이러한 이미지들이 검색결과로 제공되는 경우 검색 서비스에 대한 신뢰도가 저하될 수 있다는 문제점이 있다.However, when providing an image as a search result, as described above, when the file name of the image includes the query entered by the user or the query entered by the user in the text file related to the image, the image is returned as the search result. Since the images provided in the search results may not be related to the query entered by the user or have poor quality, the reliability of the search service may be lowered when these images are provided as the search results. There is a problem.
또한, 상술한 검색 서비스 이외에 인터넷을 통해 게시판 서비스를 제공하는 경우에 있어서도 다양한 이미지 컨텐츠들이 등록되어 제공되고 있지만, 상술한 바와 같이 품질이 열악한 이미지들이 게시판에 등록되어 제공되는 경우 사용자들에 대한 신뢰도가 저하될 수 있다는 문제점이 있다.In addition, in the case of providing a bulletin board service through the Internet in addition to the above-described search service, various image contents are registered and provided. However, as described above, when images of poor quality are registered and provided in the bulletin board, the reliability of users is high. There is a problem that can be degraded.
이러한 이미지의 품질에 따른 문제는 인터넷을 통한 서비스 제공의 범위가 확대되어 감에 따라 더욱 심각해 질 수 있으므로, 이러한 문제점을 해결하기 위해 이미지의 품질을 평가할 수 있는 방법이 요구되고 있다. Since the problem of the quality of the image may become more serious as the range of service provision through the Internet is expanded, a method of evaluating the quality of the image is required to solve such a problem.
본 발명은 상술한 문제점을 해결하기 위한 것으로서, 이미지로부터 추출되는 하나 이상의 특징정보를 이용하여 해당 이미지의 품질지수를 산출할 수 있는 이미지 품질지수 산출 방법 및 시스템을 제공하는 것을 기술적 과제로 한다.SUMMARY OF THE INVENTION The present invention has been made in an effort to provide an image quality index calculation method and system capable of calculating a quality index of a corresponding image by using one or more feature information extracted from an image.
상술한 목적을 달성하기 위한 본 발명의 일 측면에 따른 이미지 품질지수 산출 방법은, 소정 이미지로부터 이미지 기본정보, 칼라 분포정보, 그레이(Gray) 분포정보, 및 텍스추어(Texture) 정보 중 적어도 하나를 포함하는 특징정보를 추출하는 단계; 및 상기 특징정보들 중 2개 이상의 특징정보를 이용하여 상기 이미지의 품질지수를 산출하는 단계를 포함한다.An image quality index calculation method according to an aspect of the present invention for achieving the above object includes at least one of the image basic information, color distribution information, gray distribution information, and texture information from a predetermined image. Extracting feature information; And calculating a quality index of the image by using at least two feature information of the feature information.
일 실시예에 있어서, 상기 이미지 기본정보는 상기 이미지의 크기값, 상기 이미지의 폭(Width)과 높이(Height)의 비율, 상기 이미지의 압축정보 중 적어도 하나를 포함하는 것을 특징으로 한다. 여기서, 상기 이미지의 크기값은 상기 이미지의 폭(Width)과 높이(Height)의 곱이 임계치보다 큰 경우 제1 값으로 결정되고, 상기 이미지의 폭과 높이의 곱이 상기 임계치 이하인 경우 상기 이미지의 폭과 높이의 곱에 대한 로그값과 상기 임계치의 로그값의 비율로 결정되고, 상기 이미지의 압축정보는 상기 이미지의 바이트 크기(Bytesize)와 상기 이미지의 폭과 높이를 곱한값의 비율로 정의될 수 있다.The basic image information may include at least one of a size value of the image, a ratio of a width and a height of the image, and compression information of the image. Here, the size value of the image is determined as a first value when the product of the width and the height of the image is larger than a threshold value, and the width and the width of the image when the product of the width and height of the image is less than or equal to the threshold value. It is determined by the ratio of the log value of the product of the height and the log value of the threshold, the compression information of the image may be defined as the ratio of the byte size of the image multiplied by the width and height of the image. .
한편, 상기 칼라 분포정보는 칼라 히스토그램(Histogram) 정보, 칼라 채널정 보, 및 기하하적(Geometry) 칼라 분포 정보 중 적어도 하나를 포함한다. 여기서, 상기 칼라 히스토그램 정보는 상기 이미지에 포함된 전체 칼라 빈들 중 출현확률값이 임계치 이상인 칼라 빈들의 개수, 상기 전체 칼라 빈들의 출현확률 값 중 최대값, 상기 전체 칼라 빈들의 출현확률값 중 최대값과 2번째 최대값의 비율, 칼라/흑백 플래그, 및 기준 칼라 히스토그램에 포함된 칼라 빈들의 출현확률값과 상기 이미지의 칼라 히스토그램에 포함된 칼라 빈의 출현확률값의 차이값 중 적어도 하나를 포함하고, 상기 칼라 채널정보는 상기 이미지 전체의 평균 HSV(Hue, Saturation, Value) 값 및 상기 이미지 중 중앙 영역의 평균 HSV 값 중 적어도 하나를 포함하며, 상기 기하학적 칼라 분포정보는 상기 이미지 전체의 평균 HSV 값 각각과 상기 이미지 중 중앙 영역의 평균 HSV 값 각각의 차이값을 포함하는 것을 특징으로 한다.The color distribution information includes at least one of color histogram information, color channel information, and geometric color distribution information. Here, the color histogram information includes the number of color bins in which the probability of occurrence of color bins included in the image is greater than or equal to a threshold, the maximum value of the probability of occurrence of all color bins, and the maximum value of the probability of occurrence of all color bins. And at least one of a ratio of a second maximum value, a color / monochrome flag, and a difference value between an appearance probability value of color bins included in a reference color histogram and an occurrence probability value of color bins included in a color histogram of the image, wherein the color channel The information includes at least one of an average HSV (Hue, Saturation, Value) value of the entire image and an average HSV value of a central region of the image, wherein the geometric color distribution information is each of the average HSV value of the entire image and the image. It characterized in that it comprises a difference value of each average HSV value of the middle region.
또한, 상기 그레이 분포정보는 상기 이미지에 포함된 전체 그레이 빈(Bin)들 중 출현확률값이 임계치 이상인 그레이 빈의 개수, 상기 전체 그레이 빈들의 출현확률 값 중 최대값, 및 상기 전체 그레이 빈들의 출현확률값 중 최대값과 2번째 최대값의 비율 중 적어도 하나를 포함한다.The gray distribution information may include the number of gray bins having an appearance probability value greater than or equal to a threshold value among the total gray bins included in the image, a maximum value of the appearance probability values of all gray bins, and an appearance probability value of all gray bins. At least one of the ratio of the maximum value and the second maximum value.
또한, 상기 텍스추어 정보는 상기 이미지를 구성하는 그레이 값들의 공간적 분포에 대한 통계값으로 정의되는 것으로서, 상기 텍스추어 정보는 GLCM(Gray-Level Co-occurrence Matrix)을 이용하여 산출될 수 있으며, 여기서, 상기 텍스추어 정보는 상기 GLCM을 이용하여 산출된 에너지(Energy) 값, 엔트로피(Entropy) 값, 상관도(Correlation) 값, 관성(Inertia) 값, 및 지역적 동질성(Local Homogeneity) 값 중 적어도 하나인 것을 특징으로 한다.In addition, the texture information is defined as a statistical value for the spatial distribution of gray values constituting the image, the texture information may be calculated using a Gray-Level Co-occurrence Matrix (GLCM), wherein the The texture information is at least one of an energy value, an entropy value, a correlation value, an inertia value, and a local homogeneity value calculated using the GLCM. do.
일 실시예에 있어서, 상기 이미지 품질 지수 산출 단계는, 상기 추출된 특징정보들 중 2개 이상의 특징정보들을 이용하여 상기 이미지의 품질지수를 계산하는 단계; 상기 추출된 특징정보들 중 특정 특징정보들이 소정 범위 이내에 포함되는 경우 상기 품질지수에 패널티를 적용하는 단계; 및 상기 품질지수에 상기 패널티를 적용한 결과 상기 품질지수가 기준값 이하가 되는 경우 상기 품질지수를 보상함으로써 최종 품질지수를 산출하는 단계를 더 포함할 수 있다.In an embodiment, the calculating of the image quality index may include: calculating a quality index of the image using at least two feature information of the extracted feature information; Applying a penalty to the quality index when specific feature information of the extracted feature information is included within a predetermined range; And calculating a final quality index by compensating for the quality index when the quality index becomes a reference value or less as a result of applying the penalty to the quality index.
또한, 상기 이미지 품질지수 산출 방법은, 상기 추출된 특징정보들 중 일부 특징정보들을 이용하여 해당 이미지가 비정상적인 이미지인지 여부를 판단하는 단계를 더 포함하고, 판단결과, 해당 이미지가 비정상적인 이미지인 경우 해당 이미지의 품질지수를 최하값으로 결정하는 것을 특징으로 한다.The image quality index calculation method may further include determining whether the corresponding image is an abnormal image by using some characteristic information of the extracted feature information. It is characterized by determining the quality index of the image as the lowest value.
또한, 상기 이미지 품질지수 산출 방법은, 상기 추출된 특징정보 각각에 각 특징정보 별로 산출된 가중치를 반영하는 단계를 더 포함하고, 상기 이미지 품질 지수 산출단계에서, 상기 가중치가 반영된 특징정보를 이용하여 상기 이미지 품질 지수를 산출하는 것을 특징으로 한다. 이때, 상기 가중치는 미리 정해진 트레이닝 셋(Training Set)에 대해 회귀분석기법(Logistic Regression)을 적용함으로써 산출되는 것을 특징으로 한다.The image quality index calculation method may further include reflecting weights calculated for each feature information in each of the extracted feature information. In the image quality index calculation step, the feature information reflecting the weights may be used. The image quality index may be calculated. In this case, the weight may be calculated by applying a logistic regression method to a predetermined training set.
상술한 목적을 달성하기 위한 본 발명의 다른 측면에 따른 이미지 품질지수 산출 시스템은, 소정 이미지로부터 이미지 기본정보, 칼라 분포정보, 그레이 분포정보, 및 텍스추어(Texture) 정보 중 적어도 하나를 포함하는 특징정보를 특징정보 추출부; 및 상기 특징정보들 중 2개 이상의 특징정보를 이용하여 상기 이미지의 품질지수를 산출하는 품질지수 산출부를 포함한다.The image quality index calculation system according to another aspect of the present invention for achieving the above object, the feature information including at least one of the image basic information, color distribution information, gray distribution information, and texture information from a predetermined image Feature information extraction unit; And a quality index calculator for calculating a quality index of the image by using at least two feature information of the feature information.
상술한 바와 같이 본 발명에 따르면, 소정 이미지로부터 추출되는 이미지 기본정보, 칼라 분포정보, 그레이 분포정보, 및 텍스추어 정보 중 적어도 하나의 특징정보를 이용하여 해당 이미지의 해당 이미지의 품질지수를 산출하기 때문에, 해당 이미지의 품질을 정확하게 평가할 수 있다는 효과가 있다.As described above, according to the present invention, since the quality index of the corresponding image of the corresponding image is calculated using at least one feature information of image basic information, color distribution information, gray distribution information, and texture information extracted from a predetermined image. This has the effect of accurately assessing the quality of the image.
이하 첨부된 도면을 참조하여 본 발명의 실시예에 대해 상세히 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일 실시예에 따른 이미지 품질지수 산출 시스템의 블록도이다. 도시된 바와 같이, 이미지 품질지수 산출 시스템(100)은 특징정보 추출부(110), 비정상 이미지 판단부(120), 가중치 반영부(125), 및 품질지수 산출부(130)를 포함한다.1 is a block diagram of an image quality index calculation system according to an embodiment of the present invention. As shown, the image quality
특징정보 추출부(110)는 소정 이미지로부터 해당 이미지의 특징정보들을 추출하는 것으로서, 특징정보 추출부(110)는 다양한 포맷으로 압축된 이미지를 이미지 디코딩 라이브러리(Image Decoding Library)를 이용하여 디코딩 함으로써 RGB(Red, Blue, Green) 형태의 로우 데이터(Raw Data)를 생성한다. 이후, 생성된 로우 데이터에 이미지 처리 기법을 적용함으로써 해당 이미지로부터 특징정보를 추출한다.The
일 실시예에 있어서, 특징정보 추출부(110)는 해당 이미지의 특징정보로써 이미지 기본정보, 칼라 분포(Color Distribution)정보, 그레이 분포(Gray Distribution)정보, 및 텍스추어(Texture) 정보를 추출할 수 있다. 이를 위해 특징정보 추출부(110)는 도 1에 도시된 바와 같이, 이미지 기본정보 추출부(112), 칼라 분포정보 추출부(114), 그레이 분포정보 추출부(116), 및 텍스추어 정보 추출부(118)를 포함한다.In one embodiment, the
이미지 기본정보 추출부(112)는 소정 이미지로부터 이미지 기본정보를 추출하는 것으로서, 일 실시예에 있어서 이미지 기본정보 추출부(112)는 이미지 기본정보로써 이미지의 크기값, 이미지의 폭(Width)과 높이(Height)의 비율(Ratio), 및 이미지의 압축정보 중 적어도 하나를 추출할 수 있다.The basic
이미지 크기값은 소정 이미지의 크기를 나타내는 값으로서, 이미지 기본정보 추출부(112)는 해당 이미지의 폭과 높이를 곱한 값을 임계치와 비교함으로써 이미지의 크기값을 결정할 수 있다. 구체적으로, 해당 이미지의 폭과 높이를 곱한 값이 임계치보다 큰 경우 해당 이미지의 크기값으로 1을 결정하고, 해당 이미지의 폭과 높이를 곱한 값이 임계치 이하인 경우 해당 이미지의 폭과 높이를 곱한 값에 대한 로그값과 임계치의 로그값의 비율을 해당 이미지의 크기값으로 결정할 수 있다. 일 실시예에 있어서 이미지의 크기값을 결정하기 위한 임계치는 이미지의 최대 크기(Maximum Size)값으로 설정될 수 있는데, 그 폭은 300이고 높이는 400일 수 있다. 이미지 크기값을 산출하는 방법을 수학식으로 표현하면 아래의 수학식 1과 같다.The image size value is a value representing the size of a predetermined image, and the image
이미지의 폭과 높이의 비율은 1 이하의 범위 내에서 결정될 수 있는데, 이는 이미지의 높이와 폭이 동일한 이미지에 대해 최대값인 1을 설정한다는 것을 의미한다.The ratio of the width to the height of the image can be determined within a range of 1 or less, which means that it sets a maximum value of 1 for an image with the same height and width of the image.
이미지 압축정보는 이미지는 압축이 많이 된 것보다 적게 된 것이 이미지의 화질이 좋을 수 있다는데 착안한 것으로서, 이미지 기본정보 추출부(112)는 이미지를 구성하는 픽셀당 비트 수(Bit Per Pixel)를 계산함에 의해 압축정보를 산출할 수 있다. 이때, 픽셀당 비트 수는 해당 이미지를 구성하는 바이트 크기(Bytesize)를 해당 이미지의 폭과 높이의 곱으로 나눔으로써 산출할 수 있는데 이를 수학식으로 표현하면 아래의 수학식 2와 같다.The image compression information is conceived that the image may have better quality than that of which the image is compressed much. The image basic
다음으로, 칼라 분포정보 추출부(114)는 해당 이미지로부터 칼라 분포정보를 추출하는 것으로서, 일 실시예에 있어서 칼라 분포정보 추출부(114)는 칼라 분포정보로써 칼라 히스토그램(Color Histogram) 정보, 칼라 채널분포(Color Channel Distribution)정보, 및 기하학적 칼라 분포(Geometry Color Distribution)정보를 추출할 수 있다.Next, the color
칼라 히스토그램이란 해당 이미지의 각 픽셀들의 HSV(Hue, Saturation, Value)값을 이용하여 각 픽셀에 상응하는 칼라 빈(Color Bin)을 결정하고, 이러한 칼라 빈들의 출현확률을 그래프 형태로 나타낸 것을 의미한다. 여기서 H는 해당 이미지의 색상을 의미하고, S는 해당 이미지의 명도를 의미하며, V는 해당 이미지의 채도를 의미한다.The color histogram means that color bins corresponding to each pixel are determined by using HSV (Hue, Saturation, Value) values of each pixel of the corresponding image, and the probability of occurrence of these color bins is represented graphically. . Where H means the color of the image, S means the brightness of the image, V means the saturation of the image.
칼라 분포정보 추출부(114)는 칼라 히스토그램 정보로써, 해당 이미지에 포함된 전체 칼라 빈들 중 출현확률값이 임계치 이상인 칼라 빈들의 개수, 해당 이미지에 포함된 전체 칼라 빈들의 출현확률값 중 최대값, 해당 이미지에 포함된 전체 칼라 빈들의 출현확률값들 중 최대값과 두 번째로 큰 값의 비율, 해당 이미지를 구성하는 전체 칼라 빈들 각각의 출현확률값과 유니폼(Uniform)한 출현확률값을 가지는 기준 칼라 히스토그램의 칼라 빈들의 출현확률값의 차이값, 및 칼라/흑백 플래그 중 적어도 하나를 추출한다.The color distribution
예컨대, 도 2a에 도시된 바와 같이, 칼라 빈의 출현확률값에 대한 임계치가 0.02인 경우 512개의 전체 칼라 빈들 중 그 출현확률이 0.02이상인 칼라 빈은 7개이고, 출현확률의 최대값은 0.241이며, 출현확률의 최대값(0.241)과 두 번째로 큰 값(0.232)의 비율은 1.04임을 알 수 있다. 여기서, 출현확률값의 최대값과 두 번째로 큰 값의 비율이 크다는 것은 이미지의 품질이 좋지 않다는 것을 의미할 수 있다.For example, as shown in FIG. 2A, when the threshold for the appearance probability value of the color bins is 0.02, among the 512 color bins, there are seven color bins whose probability of occurrence is 0.02 or more, and the maximum value of the appearance probability is 0.241. It can be seen that the ratio of the maximum value of the probability (0.241) and the second largest value (0.232) is 1.04. Here, the ratio of the maximum value of the probability of occurrence to the second largest value may mean that the image quality is not good.
또한, 해당 이미지를 구성하는 전체 칼라 빈들 각각의 출현확률값과 유니폼한 출현확률값을 가지는 기준 칼라 히스토그램의 칼라 빈들의 출현확률값의 차이값 은, 도 2b에 도시된 바와 같이 칼라 빈의 출현확률값이 0.1으로 모두 동일한 기준 칼라 히스토그램을 이용하여 산출할 수 있다. 이때, 기준 칼라 히스토그램의 칼라빈의 출현확률값과 해당 이미지의 칼라 히스토그램의 칼라 빈의 출현확률값의 차이(D)는 다음의 수학식 3을 이용하여 산출할 수 있다.In addition, the difference between the appearance probability value of each of the color bins constituting the image and the appearance probability value of the color bins of the reference color histogram having a uniform appearance probability value is 0.1 as the probability value of the color bin is 0.1. All can be calculated using the same reference color histogram. At this time, the difference (D) between the appearance probability value of the color bins of the reference color histogram and the color bins of the color histogram of the corresponding image may be calculated using Equation 3 below.
여기서, I는 기준 칼라 히스토그램에 상응하는 이미지를 나타내고, I'는 해당 이미지를 나타내며, fj는 기준 칼라 히스토그램의 j번째 칼라 빈의 출현확률값을 나타내고, fj'는 해당 이미지지의 칼라 히스토그램의 j번째 칼라 빈의 출현확률값을 나타낸다.Where I represents an image corresponding to the reference color histogram, I 'represents the image, f j represents the probability of occurrence of the j-th color bin of the reference color histogram, and f j ' represents j of the color histogram of the image. The probability of occurrence of the first color bean.
한편, 칼라/흑백 플래그는 해당 이미지의 흑백/칼라 여부를 나타내는 것으로서, 해다 이미지의 흑백/칼라 여부는 해당 이미지의 픽셀값이 특정 칼라에 분포되어 있는 정도를 이용하여 결정할 수 있다. 예컨대, 해당 이미지의 픽셀값이 HSV 색 공간(Color Space) 상에서 흑색과 백색 축에만 밀집되어 있는 경우 해당 이미지는 흑백 이미지로 결정하게 된다.On the other hand, the color / black and white flag indicates whether the image is black and white / color, and whether or not the black and white / color of the image can be determined using the degree that the pixel value of the image is distributed in a specific color. For example, when the pixel values of the image are concentrated only on the black and white axes in the HSV color space, the image is determined as a black and white image.
칼라 채널분포 정보는 해당 이미지 전체의 평균 HSV 값 및 해당 이미지 중 중앙영역의 평균 HSV값 중 적어도 하나를 포함한다. 즉, 칼라 분포정보 추출부(114)는 도 2c에 도시된 바와 같이, 해당 이미지를 구성하는 모든 픽셀들의 H값 의 평균, S값의 평균, 및 V값의 평균 및 해당 이미지의 중앙 영역을 구성하는 모든 픽셀들의 H값의 평균, S값의 평균, 및 V값의 평균 중 적어도 하나를 해당 이미지의 칼라 채널분포 정보로 산출하는 것이다.The color channel distribution information includes at least one of an average HSV value of the entire image and an average HSV value of the center region of the image. That is, as shown in FIG. 2C, the color
한편, 기하학적 칼라 분포정보는, 해당 이미지의 평균 HSV값 각각과 해당 이미지의 중앙영역의 평균 HSV값의 차이를 의미한다. 즉, 칼라 분포정보 추출부(114)는 도 2C에 도시된 바와 같이, 전체 이미지의 평균 HSV값 각각과 해당 이미지의 중앙 영역의 평균 HSV값 각각의 차이값을 해당 이미지의 기하학적 칼라 분포정보로 산출하는 것이다.On the other hand, the geometric color distribution information means a difference between each average HSV value of the image and the average HSV value of the center region of the image. That is, as shown in FIG. 2C, the color distribution
여기서, 산출된 차이값이 작다는 것, 즉, 해당 이미지에서 특징이 될 수 있는 중앙 영역의 평균 HSV값과 이미지 전체의 HSV값의 차이가 작다는 것은 해당 이미지의 품질이 좋지 않다는 것을 의미할 수 있다.Here, a small difference between the calculated HSV value of the center region and the entire HSV value of the image, which may be characteristic of the image, may mean that the quality of the image is not good. have.
다음으로, 그레이 분포정보 추출부(116)는 해당 이미지로부터 그레이 분포정보를 추출하는 것으로서, 일 실시예에 있어서 그레이 분포정보 추출부(114)는 그레이 분포정보로써 그레이 히스토그램(Color Histogram) 정보를 추출할 수 있다.Next, the gray
그레이 히스토그램이란 해당 이미지를 구성하는 모든 그레이 빈(Color Bin)의 출현확률값을 그래프 형태로 나타낸 것으로서, 그레이 분포정보 추출부(116)는 그레이 히스토그램 정보로써 도 3에 도시된 바와 같이, 해당 이미지에 포함된 전체 그레이 빈들 중 출현확률값이 임계치 이상인 그레이 빈들의 개수, 해당 이미지에 포함된 전체 그레이 빈들의 출현확률값 중 최대값, 및 해당 이미지에 포함된 전체 그레이 빈들의 출현확률값들 중 최대값과 두 번째로 큰 값의 비율 중 적어도 하나 를 추출할 수 있다.The gray histogram is a graph showing probability values of all gray bins constituting the image in a graph form, and the gray
예컨대, 도 3에서는, 그레이 빈의 출현확률값에 대한 임계치가 0.02인 경우 128개의 전체 그레이 빈들 중 그 출현확률이 0.02이상인 칼라 빈은 5개이고, 출현확률의 최대값은 0.241이며, 출현확률의 최대값(0.241)과 두 번째로 큰 값(0.232)의 비율은 1.04임을 알 수 있다.For example, in FIG. 3, when the threshold for the appearance probability value of the gray bins is 0.02, five color bins having a probability of occurrence of 0.02 or more out of 128 total gray bins are 5, the maximum value of the probability of occurrence is 0.241, and the maximum value of the probability of appearance. We can see that the ratio of (0.241) to the second largest value (0.232) is 1.04.
그레이 히스토그램 정보 또한 칼라 히스토그램 정보와 마찬가지로, 출현확률값의 최대값과 두 번째로 큰 값의 비율이 크다는 것은 이미지의 품질이 좋지 않다는 것을 의미할 수 있다.Like the histogram information, the gray histogram information may mean that the image quality is not good because the ratio of the maximum value of the appearance probability value to the second largest value is large.
다음으로, 텍스추어 정보 추출부(118)는 해당 이미지로부터 해당 이미지의 텍스추어 정보를 추출하는 것으로서, 여기서, 텍스추어 정보란 해당 이미지를 구성하는 그레이 값들의 공간적 분포에 대한 통계값으로 정의된다. 일 실시예에 있어서, 텍스추어 정보 추출부(118)는 해당 이미지의 텍스추어 정보를 GLCM(Gray-Level Co-occurrence Matrix) 기법을 이용하여 산출할 수 있다.Next, the
GLCM 기법은 두 픽셀 사이의 공간적 관계성을 표현하기 위한 방법으로서, 도 4에 도시된 바와 같이 서로 이웃하는 픽셀 간의 거리 및 각도를 이용하여 서로 이웃하는 픽셀의 밝기 값의 관계를 평균, 대비, 상관관계 등과 같은 기본적인 통계량으로 계산하고, 다시 그 계산 값을 커널내의 중심 픽셀에 새로운 밝기 값으로 할당해서 표현하며 해당 이미지의 부분적인 텍스추어 특징으로 표현하는 기법이다.The GLCM technique is a method for expressing the spatial relationship between two pixels. As shown in FIG. 4, the average, contrast, and correlation of brightness values of neighboring pixels are averaged using distances and angles between neighboring pixels. It is a technique of calculating basic statistics such as relations, and expressing the calculated values by assigning new brightness values to the central pixels in the kernel and expressing them as partial texture features of the image.
일 실시예에 있어서 텍스추어 정보 추출부(118)는 GLCM을 이용하여 에너지(Energy)값, 엔트로피(Entropy)값, 상관도(Correlation)값, 관성(Inertia)값, 및 동질성(Homogeneity)값을 해당 이미지의 텍스추어 정보로 산출할 수 있다.In one embodiment, the
여기서, 에너지값은 해당 이미지 내에서 명암값의 균일도(Uniformity)를 나타내는 값으로서, 명암값이 일정하거나 반복된 형태로 나타나는 경우 해당 이미지는 큰 에너지값을 갖게 되고 그렇지 않은 경우 해당 이미지는 낮은 에너지 값을 가지게 된다.Here, the energy value is a value representing the uniformity of the contrast value in the image, and if the contrast value appears in a constant or repeated form, the image has a large energy value, otherwise the image has a low energy value. Will have
엔트로피값은 해당 이미지의 무질서 또는 혼란 정도, 즉 명암도 분포의 임의성을 나타내는 값으로서, 해당 이미지 내에서 픽셀들의 명암의 차이값이 다양하면 해당 이미지는 큰 엔트로피 값을 갖게 되고, 명암의 차이값이 다양하지 않으면 해당 이미지는 작은 엔트로피 값을 갖게 된다. 즉, 엔트로피 값은 에너지 값에 반비례하는 경향이 있음을 알 수 있다.The entropy value represents the degree of disorder or confusion of the image, that is, the randomness of the intensity distribution. If the difference in contrast between pixels in the image varies, the image has a large entropy value, and the difference in contrast varies. Otherwise, the image will have a small entropy value. In other words, it can be seen that the entropy value tends to be inversely proportional to the energy value.
상관도값은 해당 이미지 내에서 이웃한 두 픽셀간의 명암의 선형 의존도를 나타내는 것으로서, 명암값의 분포에 특정 패턴이 존재한다면 서로 상관관계가 있다고 판단된다. 예컨대, 상관도값이 0인 경우 상관관계가 없다는 것을 나타내고, 상관도값이 1인 경우 완벽한 상관관계에 있다는 것을 나타낸다. 즉, 특정거리에 비슷한 명암 패턴이 나타나면 해당 이미지는 높은 상관도값을 갖게 되는 것이다.The correlation value represents a linear dependence of contrast between two neighboring pixels in the image, and if a specific pattern exists in the distribution of contrast values, it is determined that there is a correlation. For example, a correlation value of 0 indicates no correlation, and a correlation value of 1 indicates perfect correlation. That is, if a similar contrast pattern appears at a specific distance, the image has a high correlation value.
관성값은 해당 이미지 내에서의 명암의 관성도를 나타내는 것으로서, 관성값은 인접한 두 픽셀의 명암의 차이값을 이용하여 산출할 수 있는데, 두 픽셀간의 명암차가 큰 값이 많을수록 해당 이미지는 큰 관성도값을 가지게 된다.The inertia value represents the inertia of the contrast within the image. The inertia value can be calculated using the difference between the contrasts of two adjacent pixels. The larger the difference between the two pixels, the larger the inertia of the image. It will have a value.
동질성값은 해당 이미지 내에서의 픽셀들의 동질성을 나타내는 것으로서, 일정 거리 내에 비슷한 명암값이 많을 수록 해당 이미지는 큰 동질성값을 갖게 되고, 일정 거리 내에 다른 명암값이 많을수록 해당 이미지는 작은 동질성값을 갖게 된다.The homogeneity value indicates the homogeneity of the pixels in the image. The more similar contrast values within a certain distance, the greater the homogeneity of the image. The more contrast values within a certain distance, the smaller the homogeneity of the image. do.
이때, 텍스추어 정보 추출부(118)는 에너지값, 엔트로피값, 상관도 값, 관성값, 및 동질성 값의 산출에 이용되는 GLCM을 아래의 수학식 4를 이용하여 산출할 수 있다.In this case, the
여기서, P(i,j;d,Θ)는 공동 확률 밀도 함수(Joint Probability Density Function)를 의미하는 것으로서, i 및 j는 각각 해당 이미지 중 제1 좌표(k,l)와 제2 좌표(m,n)의 그레이 값을 의미하고, d는 제1 좌표 및 제2 좌표의 거리를 의미하는 것으로서 수학식 5와 같이 정의되며, Θ는 제1 좌표 및 제2 좌표 사이의 각도를 의미하는 것으로서 수학식 6과 같이 정의된다. Here, P (i, j; d, Θ) means a joint probability density function, i and j are the first coordinate (k, l) and the second coordinate (m) of the corresponding image, respectively. , n) means a gray value, and d means the distance between the first coordinate and the second coordinate, and is defined as in Equation 5, and Θ means the angle between the first coordinate and the second coordinate. It is defined as Equation 6.
정리하여 설명하면, 특징정보 추출부(110)는 이미지 기본정보 추출부(112), 칼라 분포정보 추출부(114), 그레이 분포정보 추출부(116), 및 텍스추어 정보 추출부(118)을 이용하여 해당 이미지로부터 이미지 기본정보, 칼라 분포정보, 그레이 분포정보, 및 텍스추어 정보를 추출한다.In summary, the
다음으로, 비정상 이미지 판단부(120)는 해당 이미지가 비정상적인 이미지인지 여부를 판단하는 기능을 수행하는 것으로서, 여기서 비정상 이미지라 함은 예컨대, 해당 이미지가 그래프나 테이블로만 구성되어 있거나, 해당 이미지가 검정색 또는 흰색으로만 구성되어 있거나, 해당 이미지의 폭과 높이의 비율이 임계치 미만인 경우와 같은 이미지를 의미한다.Next, the abnormal
일 실시예에 있어서, 비정상 이미지 판단부(120)는 특징정보 추출부(110)에 의해 추출된 특징정보들 중 일부 특징정보들이 사전에 정해진 값 이하인 경우 해당 이미지를 비정상 이미지로 결정할 수 있다.In an embodiment, the
예컨대, 특징정보 추출부(110)에 의해 추출된 특징정보들 중 이미지의 압축정보, 해당 이미지에 포함된 전체 칼라 빈들 중 출현확률값이 임계치 이상인 칼라 빈들의 개수, 해당 이미지에 포함된 전체 그레이 빈들의 출현확률값 중 최대값, 해당 이미지에 포함된 전체 칼라 빈들의 출현확률값들 중 최대값과 두 번째로 큰 값의 비율, 칼라/흑백 플래그, 해당 이미지에 포함된 전체 그레이 빈들 중 출현확률값이 임계치 이상인 그레이 빈들의 개수, 해당 이미지에 포함된 전체 그레이 빈들의 출현확률값 중 최대값, 및 해당 이미지에 포함된 전체 그레이 빈들의 출현확률값들 중 최대값과 두 번째로 큰 값의 비율 등과 같은 특징 정보들이 임계치 보다 작은 경우 해당 이미지를 비정상 이미지로 판단할 수 있다.For example, among the feature information extracted by the
비정상 이미지 판단부(120)에 의해 해당 이미지가 비정상적인 이미지로 판단되는 경우, 후술하는 가중치 반영 및 품질지수 산출의 과정을 거치지 않고 해당 이 미지의 품질지수를 0으로 결정할 수 있다.If it is determined by the abnormal
가중치 반영부(125)는 특징정보 추출부(110)에 의해 추출된 각각의 특징정보 별 가중치를 산출하고, 산출된 특징정보 별 가중치를 특징정보에 반영한다. 일 실시예에 있어서, 가중치 반영부(125)는 소정 이미지들을 이용하여 트레이닝 셋(Training Set)을 구성한 후, 트레이닝 셋에 대해 로지스틱 회귀분석(Logistic Regression)과 같은 회귀분석기법을 적용함으로써 각 특징정보 별 가중치를 산출한다.The
상술한 실시예에 있어서는 가중치 반영부(125)가 이미지 품질지수 산출 시스템(100)의 필수 구성요소인 것으로 기재하였으나, 각 특징정보에 가중치를 반영하는 것은 선택적인 사항이므로 가중치 반영부(125)는 선택적으로 포함될 수 있을 것이다. 또한, 상술한 실시예에 있어서는 가중치 반영부(125)가 각 특징정보 별로 가중치를 산출하여 각 특징정보 별로 반영하는 것으로 기재하였지만, 변형된 실시예에 있어서는 모든 특징정보에 대해 하나의 가중치를 산출하여 이를 각 특징정보 별로 반영할 수도 있을 것이다.In the above-described embodiment, although the
품질지수 산출부(130)는 특징정보 추출부(110)에 의해 추출된 특징정보들을 이용하여 해당 이미지의 품질지수를 산출한다. 여기서, 추출된 각 특징정보들에는 가중치 반영부(125)에 의해 각 특징정보 별로 산출된 가중치가 반영되어 있을 수 있다.The
해당 이미지의 품질지수를 산출하기 위해 품질지수 산출부(130)는 도 1에 도시된 바와 같이 품질지수 계산부(132), 패널티 적용부(134), 및 품질지수 보상 부(136)을 포함할 수 있다.In order to calculate the quality index of the image, the
품질지수 계산부(132)는 추출된 특징정보들 중 2개 이상의 특징정보를 합산함으로써 해당 이미지의 품질지수를 산출한다. 이때, 각 특징정보들에는 상술한 바와 같이 각 특징정보 별로 산출된 가중치가 반영되어 있을 수 있다.The
패널티 적용부(134)는 추출된 특징정보들 중 일부 특징정보들이 소정 범위 이내에 포함되는 경우 품질지수 계산부(132)에 의해 산출된 품질지수에 소정 패널티를 적용한다. 패널티 적용부(134)를 통해 품질지수에 패널티를 적용하는 이유는 특정 특징정보들이 소정 범위 이내에 포함되는 경우 다른 특징정보들에 관계없이 이미지의 품질이 매우 열악할 수 있기 때문에, 이를 이미지 품질지수에 반영하기 위한 것이다.The
일 실시예에 있어서, 패널티 적용부(134)는 해당 이미지의 크기값이 임계치 이하이거나, 해당 이미지의 폭과 높이의 비율이 임계 범위 이내이거나, 해당 이미지의 압축정보가 임계치 이하이거나, 해당 이미지를 구성하는 전체 칼라 빈 중 그 출현확률값이 소정 값 이상인 칼라 빈의 개수가 임계치 이하이거나, 해당 이미지에 포함된 전체 그레이 빈들의 출현확률값들 중 최대값이 임계치 이상이거나, 해당 이미지에 포함된 전체 그레이 빈들의 출현확률값들 중 최대값과 두 번째로 큰 값의 비율이 임계치 이상이거나, 해당 이미지의 중앙 영역의 평균 S값이 임계치 이하인 경우 해당 이미지에 패널티를 적용할 수 있다. In an embodiment, the
품질지수 보상부(136)는 품질지수 계산부(132)에 의해 계산된 품질지수에 패널티를 적용한 결과 해당 이미지의 품질지수가 음의 값이 되거나, 해당 이미지의 품질지수가 기준값보다 작아지는 경우 패널티가 적용된 품질지수를 보상함으로써 해당 이미지에 대한 최종적인 품질지수를 산출한다.The
일 실시예에 있어서, 품질지수 산출부(130)는 상술한 방법을 통해 산출된 이미지 품질지수를 이용하여 해당 이미지의 품질등급을 결정할 수 있다. 예컨대, 해당 이미지의 최종 품질지수가 0인 경우 해당 이미지는 비정상적인 이미지 등급으로 결정하고, 최종 품질지수가 0.001보다 작은 경우 해당 이미지는 매우 열악한 등급으로 결정하며, 최종 품질지수가 0.001 이상이고 0.002보다 작은 경우 해당 이미지는 열악한 등급으로 결정하고, 최종 품질지수가 0.001 이상이고 1보다 작은 경우 해당 이미지는 일반적인 등급으로 결정할 수 있다.In one embodiment, the
이하에서는 도 5를 참조하며 본 발명의 일 실시예에 따른 이미지 품질지수 산출방법에 대해 구체적으로 설명한다.Hereinafter, a method of calculating an image quality index according to an embodiment of the present invention will be described in detail with reference to FIG. 5.
먼저, 소정 이미지로부터 특징정보들을 추출한다(S500). 일 실시예에 있어서, 해당 이미지의 특징정보로써 이미지 기본정보, 칼라 분포정보, 그레이 분포정보, 및 텍스추어 정보 중 적어도 하나를 추출할 수 있다.First, feature information is extracted from a predetermined image (S500). In one embodiment, at least one of basic image information, color distribution information, gray distribution information, and texture information may be extracted as feature information of the corresponding image.
여기서, 이미지 기본정보는 이미지의 크기값, 이미지의 폭과 높이의 비율, 이미지의 압축정보 중 적어도 하나를 포함하고, 칼라 분포정보는 칼라 히스토그램 정보, 칼라 채널정보, 및 기하하적 칼라 분포 정보 중 적어도 하나를 포함하며, 그레이 분포정보는 해당 이미지의 그레이 히스토그램 정보를 포함한다. 칼라 히스토그램 정보, 칼라 채널정보, 기하하적 칼라 분포정보, 그레이 히스토그램 정보는 다시 다양한 세부 정보들을 포함할 수 있는데, 각 정보들에 포함되는 다양한 세부 정 보들은 상술한 이미지 품질지수 산출 시스템의 설명부분에서 상세히 설명하였으므로 구체적인 설명은 생략하기로 한다.Here, the basic image information includes at least one of a size value of the image, a ratio of the width and height of the image, and compression information of the image, and the color distribution information includes color histogram information, color channel information, and geometric color distribution information. The gray distribution information includes at least one gray histogram of the corresponding image. The color histogram information, the color channel information, the geometric color distribution information, and the gray histogram information may again include various detailed information. The various detailed information included in each information may be described in the description of the image quality index calculation system described above. Since the description in detail will be omitted.
한편, 텍스추어 정보는 해당 이미지를 구성하는 그레이 값들의 공간적 분포에 대한 통계값을 의미한 것으로서, 일 실시예에 있어서 GLCM(Gray-Level Co-occurrence Matrix)을 이용하여 산출될 수 있다. 구체적으로, 본 발명은 이러한 텍스추어 정보로써 GLCM값으로부터 에너지값, 엔트로피값, 상관도값, 관성값, 및 동질성값을 산출할 수 있다.Meanwhile, the texture information refers to a statistical value of a spatial distribution of gray values constituting the image, and may be calculated using a gray-level co-occurrence matrix (GLCM) in one embodiment. Specifically, the present invention can calculate the energy value, entropy value, correlation value, inertia value, and homogeneity value from the GLCM value with such texture information.
다음으로 추출된 특징정보들을 이용하여 해당 이미지가 비정상(Abnormal) 이미지인지 여부를 판단한다(S510). 여기서, 비정상적인 이미지라 함은 해당 이미지가 그래프나 테이블로만 구성되어 있거나, 해당 이미지가 검정색 또는 흰색으로만 구성되어 있거나, 해당 이미지의 폭과 높이의 비율이 임계치 미만인 경우와 같은 이미지를 의미한다.Next, it is determined whether the corresponding image is an abnormal image using the extracted feature information (S510). Here, the abnormal image refers to an image such as when the image is composed only of a graph or table, the image is composed only of black or white, or the ratio of the width and height of the image is less than a threshold.
일 실시예에 있어서, 본 발명은 추출된 특징정보들 중 일부 특징정보들이 사전에 정해진 값 이하인 경우 해당 이미지를 비정상 이미지로 결정할 수 있는데, 이때, 비정상 이미지 판단을 위해 이미지의 압축정보, 해당 이미지에 포함된 전체 칼라 빈들 중 출현확률값이 임계치 이상인 칼라 빈들의 개수, 해당 이미지에 포함된 전체 그레이 빈들의 출현확률값 중 최대값, 해당 이미지에 포함된 전체 칼라 빈들의 출현확률값들 중 최대값과 두 번째로 큰 값의 비율, 칼라/흑백 플래그, 해당 이미지에 포함된 전체 그레이 빈들 중 출현확률값이 임계치 이상인 그레이 빈들의 개수, 해당 이미지에 포함된 전체 그레이 빈들의 출현확률값 중 최대값, 및 해당 이 미지에 포함된 전체 그레이 빈들의 출현확률값들 중 최대값과 두 번째로 큰 값의 비율 등과 같은 특징 정보를 이용할 수 있다.According to an embodiment of the present disclosure, when some feature information of the extracted feature information is less than or equal to a predetermined value, the present invention may determine the corresponding image as an abnormal image. The number of color bins in which the probability of occurrence of color bins is greater than or equal to the threshold, the maximum value of the probability of occurrence of all gray bins included in the image, and the maximum value of the probability of occurrence of all the color bins included in the image. The ratio of large values, color / monochrome flags, the number of gray bins whose threshold probability is above the threshold, the maximum of all gray bins included in the image, and included in the image Characteristics such as the ratio of the maximum value to the second largest value of the occurrence probability of the entire gray bins Information is available.
판단결과, 해당 이미지가 비정상적인 이미지인 것으로 판단되면 해당 이미지의 최종적인 품질지수를 0으로 결정하고(S580), 해당 이미지가 비정상적인 이미지가 아닌 것으로 판단되면, 특징정보 별 가중치를 추출된 각 특징정보 별로 반영한다(S520). 일 실시예에 있어서, 특징정보 별 가중치는 소정 이미지들을 이용하여 트레이닝 셋(Training Set)을 구성한 후, 트레이닝 셋에 대해 회귀분석기법(Logistic Regression)을 적용함으로써 산출할 수 있다.As a result, if it is determined that the image is an abnormal image, the final quality index of the image is determined as 0 (S580). If it is determined that the image is not an abnormal image, the weight for each feature information is extracted for each feature information extracted. Reflect (S520). In one embodiment, the weight for each feature information may be calculated by configuring a training set using predetermined images and then applying a logistic regression method to the training set.
본 실시예에 있어서는 가중치 반영단계가 필수적인 과정인 것으로 기재하였으나, 가중치 반영은 선택적인 것이므로, 이러한 가중치 반영단계는 선택적으로 포함될 수 있을 것이다. 또한, 상술한 실시예에 있어서는 각 특징정보 별로 산출된 가중치를 각 특징정보 별로 반영하는 것으로 기재하였지만, 변형된 실시예에 있어서는 모든 특징정보에 대해 동일한 가중치를 반영할 수도 있을 것이다.In the present embodiment, the weight reflecting step is described as an essential process, but since the weight reflecting is optional, the weight reflecting step may be selectively included. In addition, in the above-described embodiment, the weight calculated for each feature information is described as reflecting each feature information. However, in the modified embodiment, the same weight may be reflected for all feature information.
다음으로, 가중치가 반영된 특징정보들 중 2개 이상의 특징정보들을 합산함으로써 해당 이미지의 품질지수를 산출한다(S530).Next, the quality index of the corresponding image is calculated by summing two or more feature information among the feature information reflecting the weight (S530).
이후, S500단계에서 추출된 특징정보들 중 특정 특징정보가 소정 범위 이내에 포함되는지 여부를 판단하여(S540), 소정 범위 이내에 포함되는 경우 S530단계에서 산출된 품질지수에 소정 패널티를 적용한다. 여기서, 품질지수에 패널티를 적용하는 이유는 특정 특징정보들이 소정 범위 이내에 포함되는 경우 다른 특징정보들에 관계없이 이미지의 품질이 매우 열악할 수 있기 때문에, 이를 이미지 품질 지수에 반영하기 위한 것이다.Thereafter, it is determined whether the specific feature information among the feature information extracted in step S500 is included within a predetermined range (S540), and when included within the predetermined range, a predetermined penalty is applied to the quality index calculated in step S530. Here, the reason for applying the penalty to the quality index is to reflect this in the image quality index since the quality of the image may be very poor regardless of other feature information when the specific feature information is included within a predetermined range.
예컨대, 해당 이미지의 크기값이 임계치 이하이거나, 해당 이미지의 폭과 높이의 비율이 임계 범위 이내이거나, 해당 이미지의 압축정보가 임계치 이하이거나, 해당 이미지를 구성하는 전체 칼라 빈 중 그 출현확률값이 소정 값 이상인 칼라 빈의 개수가 임계치 이하이거나, 해당 이미지에 포함된 전체 그레이 빈들의 출현확률값들 중 최대값이 임계치 이상이거나, 해당 이미지에 포함된 전체 그레이 빈들의 출현확률값들 중 최대값과 두 번째로 큰 값의 비율이 임계치 이상 이거나, 해당 이미지의 중앙 영역의 평균 S값이 임계치 이하인 경우 해당 이미지에 패널티를 적용할 수 있다.For example, the size value of the image is less than or equal to the threshold, the ratio of the width and height of the image is within the threshold range, the compression information of the image is less than or equal to the threshold, and the probability of occurrence of all color bins constituting the image is predetermined. The number of color bins above the value is less than or equal to the threshold, or the maximum of the probability values of all the gray bins included in the image is greater than or equal to the threshold, or second to the maximum value of the probability of the total gray bins included in the image. If the ratio of the large value is more than the threshold or the average S value of the central region of the image is less than the threshold, a penalty may be applied to the image.
한편, S540단계의 판단결과 특정 특징정보가 소정 범위 이내에 포함되지 않는 경우 S530단계에서 산출된 품질지수를 해당 이미지의 최종 품질지수로 결정한다(S580).On the other hand, if the specific feature information is not included within the predetermined range as a result of the determination in step S540 determines the quality index calculated in step S530 as the final quality index of the image (S580).
다음으로, 패널티가 적용된 품질지수가 음수 또는 기준값 이하인지 여부를 판단하여(S560), 품질지수가 음수 또는 기준값 이하인 것으로 판단되면 패널티가 적용된 품질지수를 보상하고(S570), 보상된 품질지수를 해당 이미지에 대한 최종적인 품질지수로 결정한다(S580).Next, it is determined whether the quality index to which the penalty is applied is negative or less than the reference value (S560). If the quality index is determined to be negative or less than the reference value, the quality index to which the penalty is applied is compensated (S570), and the compensated quality index is applied. Determine the final quality index for the image (S580).
한편, S560단계의 판단결과 패널티가 적용된 품질지수가 음수 또는 기준값 이하가 아닌 경우, 패널티가 적용된 품질지수를 해당 이미지의 최종 품질지수로 결정한다(S580).On the other hand, if it is determined in step S560 that the quality index to which the penalty is applied is not negative or less than the reference value, the quality index to which the penalty is applied is determined as the final quality index of the image (S580).
일 실시예에 있어서, 최종 품질지수 결정단계에서, 상술한 과정을 통해 산출 된 최종적인 이미지 품질지수를 이용하여 해당 이미지의 품질등급을 결정할 수 있다. 예컨대, 최종 이미지 품질지수가 0인 경우 해당 이미지는 비정상적인 이미지 등급으로 결정하고, 최종 품질지수가 0.001보다 작은 경우 해당 이미지는 매우 열악한 등급으로 결정하며, 최종 품질지수가 0.001 이상이고 0.002보다 작은 경우 해당 이미지는 열악한 등급으로 결정하고, 최종 품질지수가 0.001 이상이고 1보다 작은 경우 해당 이미지는 일반적인 등급으로 결정할 수 있다.In an embodiment, in the final quality index determination step, the quality grade of the corresponding image may be determined using the final image quality index calculated through the above-described process. For example, if the final image quality index is 0, the image is determined to be an abnormal image grade; if the final quality index is less than 0.001, the image is determined to be very poor; if the final quality index is greater than 0.001 and less than 0.002, An image may be determined to be of poor grade, and if the final quality index is greater than 0.001 and less than 1, the image may be of general grade.
상술한 이미지 품질지수 산출 방법은 다양한 컴퓨터 수단을 이용하여 수행될 수 있는 프로그램 형태로도 구현될 수 있는데, 이때 이미지 품질지수 산출 방법을 수행하기 위한 프로그램은 하드 디스크, CD-ROM, DVD, 롬(ROM), 램, 또는 플래시 메모리와 같은 컴퓨터로 판독할 수 있는 기록 매체에 저장된다.The above-described image quality index calculation method may also be implemented in a program form that can be executed using various computer means. In this case, a program for performing the image quality index calculation method may include a hard disk, a CD-ROM, a DVD, a ROM ( ROM), a RAM, or a flash memory, such as a computer readable recording medium.
본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다.Those skilled in the art to which the present invention pertains will understand that the present invention can be implemented in other specific forms without changing the technical spirit or essential features.
예컨대, 상술한 실시예에 있어서는 패널티 적용부 및 품질지수 보상부 및 패널티 적용과정 및 품질지수 보상과정이 필수적인 구성요소인 것으로 기재하였으나, 패널티의 적용 및 품질지수의 보상 없이 특징정보들을 단순히 합산한 결과를 해당 이미지의 최종 품질지수로 결정할 수도 있으므로, 이러한 경우 패널티 적용부 및 품질지수 보상부 및 패널티 적용과정 및 품질지수 보상과정은 생략될 수도 있을 것이다.For example, in the above-described embodiment, the penalty application unit, the quality index compensation unit, the penalty application process, and the quality index compensation process are described as essential components, but the result of simply adding the feature information without applying the penalty and compensation of the quality index Since may be determined as the final quality index of the image, in this case, the penalty application unit, the quality index compensation unit, the penalty application process and the quality index compensation process may be omitted.
그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적 인 것이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.Therefore, it is to be understood that the embodiments described above are exemplary in all respects and not restrictive. The scope of the present invention is shown by the following claims rather than the detailed description, and all changes or modifications derived from the meaning and scope of the claims and their equivalent concepts should be construed as being included in the scope of the present invention. do.
도 1은 본 발명의 일 실시예에 따른 이미지 품질지수 산출 시스템의 개략적인 블록도.1 is a schematic block diagram of an image quality index calculation system according to an embodiment of the present invention.
도 2a는 본 발명의 일 실시예에 따라 칼라 히스토그램 정보를 추출하는 방법을 보여주는 도면.2A illustrates a method of extracting color histogram information in accordance with an embodiment of the present invention.
도 2b는 본 발명의 일 실시예에 따라 칼라 채널 분포정보를 추출하는 방법을 보여주는 도면.2B illustrates a method of extracting color channel distribution information according to an embodiment of the present invention.
도 2c는 본 발명의 일 실시예에 딸 기하학적 칼라 분포정보를 추출하는 방법을 보여주는 도면.2C is a diagram illustrating a method of extracting daughter geometric color distribution information in an embodiment of the present invention.
도 3은 본 발명의 일 실시예에 따라 그레이 히스토그램 정보를 추출하는 방법을 보여주는 도면.3 is a diagram illustrating a method of extracting gray histogram information according to an embodiment of the present invention.
도 4는 본 발명의 일 실시예에 따라 텍스추어 정보를 추출하는 방법을 보여주는 도면.4 is a diagram illustrating a method of extracting texture information according to an embodiment of the present invention.
도 5는 본 발명의 일 실시예에 따른 이미지 품질지수 산출 방법을 보여주는 플로우차트.5 is a flowchart showing a method of calculating an image quality index according to an embodiment of the present invention.
Claims (22)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020080033784A KR100955180B1 (en) | 2008-04-11 | 2008-04-11 | Method and System for Computing Quality Value of Image |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020080033784A KR100955180B1 (en) | 2008-04-11 | 2008-04-11 | Method and System for Computing Quality Value of Image |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20090108388A KR20090108388A (en) | 2009-10-15 |
KR100955180B1 true KR100955180B1 (en) | 2010-04-30 |
Family
ID=41551790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020080033784A KR100955180B1 (en) | 2008-04-11 | 2008-04-11 | Method and System for Computing Quality Value of Image |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR100955180B1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104010189A (en) * | 2014-05-28 | 2014-08-27 | 宁波大学 | Objective video quality assessment method based on chromaticity co-occurrence matrix weighting |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104282019B (en) * | 2014-09-16 | 2017-06-13 | 电子科技大学 | Based on the blind image quality evaluating method that natural scene statistics and perceived quality are propagated |
CN111915548B (en) * | 2019-05-08 | 2023-09-01 | 杭州海康威视数字技术股份有限公司 | Image texture evaluation method and device |
CN111833340B (en) * | 2020-07-21 | 2024-03-26 | 阿波罗智能技术(北京)有限公司 | Image detection method, device, electronic equipment and storage medium |
CN116228777B (en) * | 2023-05-10 | 2023-07-21 | 鱼台汇金新型建材有限公司 | Concrete stirring uniformity detection method |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010048785A (en) * | 1999-11-29 | 2001-06-15 | 구자홍 | Multimedia Feature And Method Of Multimedia Retrieval System Using Binary Color Histogram |
KR20030005908A (en) * | 2001-07-10 | 2003-01-23 | 주식회사 오픈비주얼 | apparatus and method for representative feature extraction of objects and, its application to content-based image retrieval |
KR20050084940A (en) * | 2005-05-04 | 2005-08-29 | 에이전시 포 사이언스, 테크놀로지 앤드 리서치 | A method for generating a quality oriented significance map for assessing the quality of an image or video |
KR20070021912A (en) * | 2005-08-19 | 2007-02-23 | 삼성전자주식회사 | Image processing device for determining image quality and method thereof |
-
2008
- 2008-04-11 KR KR1020080033784A patent/KR100955180B1/en active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010048785A (en) * | 1999-11-29 | 2001-06-15 | 구자홍 | Multimedia Feature And Method Of Multimedia Retrieval System Using Binary Color Histogram |
KR20030005908A (en) * | 2001-07-10 | 2003-01-23 | 주식회사 오픈비주얼 | apparatus and method for representative feature extraction of objects and, its application to content-based image retrieval |
KR20050084940A (en) * | 2005-05-04 | 2005-08-29 | 에이전시 포 사이언스, 테크놀로지 앤드 리서치 | A method for generating a quality oriented significance map for assessing the quality of an image or video |
KR20070021912A (en) * | 2005-08-19 | 2007-02-23 | 삼성전자주식회사 | Image processing device for determining image quality and method thereof |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104010189A (en) * | 2014-05-28 | 2014-08-27 | 宁波大学 | Objective video quality assessment method based on chromaticity co-occurrence matrix weighting |
CN104010189B (en) * | 2014-05-28 | 2015-11-04 | 宁波大学 | A kind of objective evaluation method of video quality based on the weighting of colourity co-occurrence matrix |
Also Published As
Publication number | Publication date |
---|---|
KR20090108388A (en) | 2009-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bora | Importance of image enhancement techniques in color image segmentation: a comprehensive and comparative study | |
JP4573706B2 (en) | Digital image segmentation method | |
Huang et al. | Thresholding technique with adaptive window selection for uneven lighting image | |
US8750602B2 (en) | Method and system for personalized advertisement push based on user interest learning | |
US9092668B2 (en) | Identifying picture areas based on gradient image analysis | |
Hadizadeh et al. | Full-reference objective quality assessment of tone-mapped images | |
KR100955180B1 (en) | Method and System for Computing Quality Value of Image | |
TWI475495B (en) | Image identification method, electronic device, and computer program product | |
CN108074239A (en) | A kind of non-reference picture assessment method for encoding quality based on priori perceived quality characteristic pattern | |
Silvestre-Blanes | Structural similarity image quality reliability: Determining parameters and window size | |
CN108764352A (en) | Duplicate pages content detection algorithm and device | |
Alrubaie et al. | Dynamic weights equations for converting grayscale image to RGB image | |
KR100955181B1 (en) | Method and System for Searching Image | |
CN113971644A (en) | Image identification method and device based on data enhancement strategy selection | |
Caron et al. | Use of power law models in detecting region of interest | |
CN111047618A (en) | Multi-scale-based non-reference screen content image quality evaluation method | |
Yang et al. | Recursive algorithms of maximum entropy thresholding on circular histogram | |
CN117911370A (en) | Skin image quality evaluation method and device, electronic equipment and storage medium | |
KR20100034782A (en) | System and method for detecting pornographic contents | |
Chang et al. | Image Quality Evaluation Based on Gradient, Visual Saliency, and Color Information | |
Lizarraga-Morales et al. | Improving a rough set theory-based segmentation approach using adaptable threshold selection and perceptual color spaces | |
Lizarraga-Morales et al. | Integration of color and texture cues in a rough set–based segmentation method | |
Khan et al. | Sparsity based stereoscopic image quality assessment | |
US20150003728A1 (en) | Image processing apparatus | |
Jiao et al. | A visual consistent adaptive image thresholding method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20130329 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20160329 Year of fee payment: 7 |
|
FPAY | Annual fee payment |
Payment date: 20170328 Year of fee payment: 8 |
|
FPAY | Annual fee payment |
Payment date: 20190401 Year of fee payment: 10 |