KR102509122B1 - 색 변환 장치 및 색 변환 방법 - Google Patents

색 변환 장치 및 색 변환 방법 Download PDF

Info

Publication number
KR102509122B1
KR102509122B1 KR1020210100222A KR20210100222A KR102509122B1 KR 102509122 B1 KR102509122 B1 KR 102509122B1 KR 1020210100222 A KR1020210100222 A KR 1020210100222A KR 20210100222 A KR20210100222 A KR 20210100222A KR 102509122 B1 KR102509122 B1 KR 102509122B1
Authority
KR
South Korea
Prior art keywords
image
color
pair
brightness
color conversion
Prior art date
Application number
KR1020210100222A
Other languages
English (en)
Other versions
KR20230018253A (ko
Inventor
김하나
이지호
Original Assignee
(주)한국색채디자인개발원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)한국색채디자인개발원 filed Critical (주)한국색채디자인개발원
Priority to KR1020210100222A priority Critical patent/KR102509122B1/ko
Publication of KR20230018253A publication Critical patent/KR20230018253A/ko
Application granted granted Critical
Publication of KR102509122B1 publication Critical patent/KR102509122B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/64—Circuits for processing colour signals
    • H04N9/67—Circuits for processing colour signals for matrixing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control
    • H04N1/6016—Conversion to subtractive colour signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Image Processing (AREA)

Abstract

색 변환 방법이 개시된다. 본 발명에 따른 색 변환 방법은, 색약자의 구분이 필요한 원본 이미지 쌍을 색약자가 구분이 가능하도록 하기 위한 색 변환 기준을 획득하는 단계, 및, 상기 색 변환 기준을 기반으로, 하나의 전체 이미지 내 상기 원본 이미지 쌍 중 제1 이미지와 상기 원본 이미지 쌍 중 제2 이미지 간의 명도 차를 설정 값만큼 증가시킨 변환 이미지 쌍을 생성하는 단계를 포함한다.

Description

색 변환 장치 및 색 변환 방법{COLOR CONVERSION DEVICE AND COLOR CONVERSION METHOD}
본 발명은, 색약자를 위하여, 자연스러운 색감 및 명확한 대비를 모두 만족시키는 색 변환 기준을 제공하기 위한 색 변환 장치 및 색 변환 방법에 관한 것이다.
전 세계 색약자는 남성 8%, 여성 0.5%의 수치를 기록하고 있다. 서양에서는 남자가 8%, 여자가 0.5%가 색각 이상이라고 하며, 국내에서는 전체 남자의 5.9%, 전체 여자의 0.4%가 색각 이상이라고 알려져 있다. 색각이상 중에서는 일반적으로 녹색약(Deuteranomaly)이 가장 많아 전체 색각 이상의 25~45%를 차지한다. 그 다음으로 녹색맹(Deuteranopia), 적색맹(Protanopia), 적색약(Protanomaly)의 순서이다. 하지만 이 세 가지의 빈도는 서로 비슷하여 각각 전체 남자인구 중 약 1%에 해당한다. 제삼 색각 이상이나 전색맹은 매우 드물어서 약 0.005%의 빈도를 보인다.
적색약자와 녹색약자는 북유럽 혈통에서 남성 8%, 여성 0.5%로 인구의 약 20명의 1명 비율로 색약을 가지고 있다. 적색약과 녹색약이 가장 흔한 형태이고, 청색약과 전색약이 그 뒤를 잇는다.
최근, 물리적으로 유전자를 조작하여 색 구별 능력을 회복하거나, 기기를 착용함으로써 색약을 교정하는 연구가 진행되었다. 하지만 이러한 연구들은 시간과 비용을 필요로 하는 문제가 있다.
따라서 색약자가 구분할 수 없는 색상을 색약자가 구분할 수 있는 색상으로 용이하게 변환할 필요성이 있으며, 특히 색약자가 구분할 수 있는 색상으로 변환하면서도 원본 이미지 본래의 색감을 유지해야 할 필요성이 대두되었다.
본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은 색약자를 위하여, 자연스러운 색감 및 명확한 대비를 모두 만족시키는 색 변환 기준을 제공하기 위한 색 변환 장치 및 색 변환 방법에 관한 것이다.
본 발명의 실시 예에 따른 색 변환 방법은, 색약자의 구분이 필요한 원본 이미지 쌍을 색약자가 구분이 가능하도록 하기 위한 색 변환 기준을 획득하는 단계, 및, 상기 색 변환 기준을 기반으로, 하나의 전체 이미지 내 상기 원본 이미지 쌍 중 제1 이미지와 상기 원본 이미지 쌍 중 제2 이미지 간의 명도 차를 설정 값만큼 증가시킨 변환 이미지 쌍을 생성하는 단계를 포함한다.
이 경우 상기 설정 값은, 상기 색약자의 시점에서 상기 제1 이미지 및 상기 제2 이미지를 구분할 수 있는 최소의 명도차일 수 있다.
이 경우 상기 변환 이미지 쌍을 생성하는 단계는, 상기 제1 이미지의 색 영역 및 상기 제2 이미지의 색 영역을 결정하고, 상기 제1 이미지의 색 영역 및 상기 제2 이미지의 색 영역에 기초하여 상기 제1 이미지와 상기 제2 이미지 간의 명도 차를 상기 설정 값만큼 증가시킨 변환 이미지 쌍을 생성하는 단계를 포함할 수 있다.
이 경우 상기 색 영역은, 상기 색약자의 시점에서 동일 계열로 보이는 색들을 그룹핑한 영역일 수 있다.
한편 상기 제1 이미지의 색 영역 및 상기 제2 이미지의 색 영역에 기초하여 상기 변환 이미지 쌍을 생성하는 단계는, 상기 제1 이미지의 색 영역과 상기 제2 이미지의 색 영역이 동일한 경우 상기 제1 이미지와 상기 제2 이미지 간의 명도 차를 제1 설정 값만큼 증가시킨 변환 이미지 쌍을 생성하고, 상기 제1 이미지의 색 영역과 상기 제2 이미지의 색 영역이 상이한 경우 상기 제1 이미지와 상기 제2 이미지 간의 명도 차를 제2 설정 값만큼 증가시킨 변환 이미지 쌍을 생성하고, 상기 제1 설정 값은 상기 제2 설정 값보다 클 수 있다.
이 경우 상기 제1 설정 값의 범위는 L 채널 값으로 20 내지 25이고, 상기 제2 설정 값의 범위는 L 채널 값으로 15 내지 20일 수 있다.
한편 상기 변환 이미지 쌍을 생성하는 단계는, 상기 제1 이미지 및 상기 제2 이미지 중, 명도가 더 낮은 상기 제1 이미지의 명도를 감소시키고 명도가 더 높은 상기 제2 이미지의 명도를 증가시켜 상기 변환 이미지 쌍을 생성할 수 있다.
이 경우 인공지능 모델의 트레이닝을 위하여, 상기 원본 이미지 쌍을 포함하는 원본 트레이닝 이미지 및 상기 변환 이미지 쌍을 포함하는 타겟 트레이닝 이미지를 생성하는 단계를 더 포함할 수 있다.
한편 상기 설정 값은, 상기 원본 이미지 쌍에 대응하는 명도가 낮을수록 더욱 클 수 있다.
본 발명에 따른 색 변환 장치는, 색약자의 구분이 필요한 원본 이미지 쌍을 색약자가 구분이 가능하도록 하기 위한 색 변환 기준을 저장하는 메모리, 및, 상기 색 변환 기준을 기반으로, 상기 원본 이미지 쌍 중 제1 이미지와 상기 원본 이미지 쌍 중 제2 이미지 간의 명도 차를 설정 값만큼 증가시킨 변환 이미지 쌍을 생성하는 제어부를 포함한다.
본 발명에 따르면, 색 변환 기준에 기반하여 원본 이미지의 색감을 최대한 유지하면서도 색약자가 구분이 가능한 변환 이미지를 생성할 수 있는 장점이 있다.
도 1은 본 발명에 따른 색 변환 장치를 설명하기 위한 블록도이다.
도 2는 본 발명에 따른 색 변환 방법을 설명하기 위한 순서도이다.
도 3 내지 도 4는 본 발명에 따른, 색 변환 기준을 수립하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명에 따른 색 영역을 설명하기 위한 도면이다.
도 6은 제1 설정 값 및 제2 설정 값에 대한 설문 결과를 도시한 도면이다.
도 7은 본 발명에 따른, 색 변환의 예시를 도시한 도면이다.
도 8은 본 발명에 따른, 색약자의 구분이 필요한 원본 이미지 쌍을 선정하는 방법을 설명하기 위한 도면이다.
도 9는 본 발명에 따른, 원본 이미지 쌍과 변환 이미지 쌍의 활용 예를 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.
먼저 본 명세서에서 사용되는 용어를 정리한다.
“이미지 쌍”은 인접한 두 개의 이미지의 페어(pair)를 의미할 수 있다. 또한 “이미지 쌍”은 하나의 전체 이미지 내에 배치될 수 있다. 예를 들어 하나의 전체 이미지는, 이미지 쌍 중의 제1 이미지 및 이미지 쌍 중의 제2 이미지를 포함할 수 있다. 또한 “인접한”의 의미는, 하나의 전체 이미지 내에서 제1 이미지 및 제2 이미지가 반드시 붙어있을 필요는 없으며, 상호 간에 이격 되어 있어도 무방하다.
이미지 쌍이 두 개의 이미지를 포함하고, 일반인 시점 및 색약자 시점 모두에서 두 개의 이미지를 구분할 수 있는 경우, 해당 이미지 쌍은 “색약자의 구분이 가능한 이미지 쌍”으로 명칭될 수 있다.
이미지 쌍이 두 개의 이미지를 포함하고, 일반인 시점에서는 두 개의 이미지의 구분이 가능하지만, 색약자 시점에서는 색의 왜곡이 심하게 진행되어 두 개의 이미지를 구분할 수 없는 경우, 해당 이미지 쌍은 “색약자의 구분이 필요한 이미지 쌍”으로 명칭될 수 있다.
또한 “원본 이미지 쌍”은 변환되기 이전의 이미지 쌍을 의미할 수 있으며, “변환 이미지 쌍”은 원본 이미지 쌍을 색 변환 기준에 따라 변환시킨 이미지 쌍을 의미할 수 있다.
또한 앞서 설명한 바와 같이, “이미지 쌍”은 하나의 전체 이미지 상에 배치될 수 있다. 따라서 “원본 이미지 쌍”은 하나의 전체 이미지에 배치된, 변환되기 이전의 이미지 쌍을 의미할 수 있으며, “변환 이미지 쌍”은 상기 전체 이미지에 배치된, 변환된 이후의 이미지 쌍을 의미할 수 있다.
한편 전체 이미지는 “이미지 쌍” 만으로 구성될 수 있다. 다만 이에 한정되지 않으며, 전체 이미지는, “이미지 쌍”뿐만이 아니라, 변환의 대상이 되지 않는 다른 이미지도 포함할 수 있다. 따라서 변환 전의 전체 이미지는 원본 이미지 쌍 및 다른 이미지를 포함할 수 있으며, 변환 후의 전체 이미지는 변환 이미지 쌍 및 다른 이미지(변환되지 않은)를 포함할 수 있다.
한편 본 발명에서의 명도는 CIEL*a*b* 색 공간에서의 L* 값인 것으로 설명한다. 다만 이에 한정되지는 않으며, 이미지의 명도를 나타낼 수 있는 다양한 형태의 값이 명도의 측정 및 명도 차의 산출에 사용될 수 있다. 한편 본 명세서에서는 L* 값을 L 채널 값이라 명칭한다.
도 1은 본 발명에 따른 색 변환 장치를 설명하기 위한 블록도이다.
본 발명에 따른 색 변환 장치(800)는, 입력부(810), 제어부(820), 통신부(830) 및 메모리(840)를 포함할 수 있다.
도 1에서 도시한 구성 요소들이 모두 필수적인 구성요소는 아닌 것으로, 색 변환 장치(800)는 더 적은 또는 더 많은 구성 요소를 포함할 수 있다.
입력부(810)는 외부로부터 데이터를 수신할 수 있다.
구체적으로 입력부(800)는 사용자로부터 색 변환 기준에 대한 입력을 수신할 수 있다. 또한 입력부(810)는 외부로부터 색약자의 구분이 필요한 원본 이미지 쌍을 수신할 수 있다.
제어부(820)는 색 변환 장치(800)의 전반적인 동작을 제어할 수 있다. 또한 제어부(820)는 색 변환 기준에 기반하여, 원본 이미지 쌍을 변환 이미지 쌍으로 변환할 수 있다.
한편 통신부(830)는 외부 장치와 통신하기 위한 통신 회로 또는 통신 인터페이스를 구비하고 외부 장치와 통신할 수 있다. 예를 들어 통신부(830)는 외부 장치로부터 색 변환 기준에 대한 입력을 수신하거나, 외부 장치로부터 색약자의 구분이 필요한 원본 이미지 쌍을 수신할 수 있다. 또한 통신부(830)는 인공지능 모델이 탑재된 장치에 원본 트레이닝 이미지 및 타겟 트레이닝 이미지를 포함하는 트레이닝 데이터 셋을 전송할 수 있다.
한편 메모리(840)는 색 변환 장치(800)의 동작을 위한 명령어 및 기타 데이터를 저장할 수 있다. 또한 메모리(840)는 색 변환 기준을 저장할 수 있다.
한편 색 변환 장치(800)는 원본 이미지 쌍, 변환 이미지 쌍, 원본 트레이닝 이미지, 타겟 트레이닝 이미지 등을 디스플레이 하기 위한 디스플레이부(미도시)를 더 포함할 수 있다.
도 2는 본 발명에 따른 색 변환 방법을 설명하기 위한 순서도이다.
본 발명에 따른 색 변환 방법은, 색약자의 구분이 필요한 원본 이미지 쌍을 색약자가 구분이 가능하도록 하기 위한 색 변환 기준을 획득하는 단계(S210), 상기 색 변환 기준을 기반으로, 하나의 전체 이미지 내 상기 원본 이미지 쌍 중 제1 이미지와 상기 원본 이미지 쌍 중 제2 이미지 간의 명도 차를 설정 값만큼 증가시킨 변환 이미지 쌍을 생성하는 단계(S230), 인공지능 모델의 트레이닝을 위하여, 원본 이미지 쌍을 포함하는 원본 트레이닝 이미지 및 변환 이미지 쌍을 포함하는 타겟 트레이닝 이미지를 생성하는 단계(S250)를 포함할 수 있다.
이하에서는, 도 2의 색 변환 방법이 도 1에서 설명한 색 변환 장치(800)에 의해 수행되는 것으로 설명하나 이에 한정되지 않으며, 본 발명에 따른 색 변환 방법은 다른 장치나 행위에 의해 수행될 수도 있다.
S210과 관련하여, 제어부(820)는 색약자의 구분이 필요한 원본 이미지 쌍을 색약자가 구분이 가능하도록 하기 위한 색 변환 기준을 획득할 수 있다.
예를 들어 메모리(840)에는 색 변환 기준이 저장될 수 있으며, 이 경우 제어부(820)는 메모리(840)에 저장된 색 변환 기준을 독출할 수 있다. 다른 예를 들어 제어부(820)는 입력부(810) 또는 통신부(830)를 통하여 색 변환 기준을 외부로부터 수신할 수 있다.
본 발명에서 원본 이미지 쌍을 변환 이미지 쌍으로 변환하는 과정은 색 변환 기준에 기반하여 수행된다. 따라서 먼저, 색 변환 기준에 대하여 설명한다.
도 3 내지 도 4는 본 발명에 따른, 색 변환 기준을 수립하는 과정을 설명하기 위한 도면이다.
색 변환 기준의 제1 목적은, 원본 이미지 쌍을 색약자가 구분 가능하도록, 원본 이미지 쌍을 구성하는 두 개의 이미지 간에 명확한 대비를 두는 것이다. 또한 색 변환 기준의 제2 목적은, 원본 이미지 쌍이 고유하게 가지고 있는 색감을 최대한 유지하여, 자연스럽고 실제 원본 이미지 쌍의 색상과 유사한 변환 이미지 쌍을 색약자에게 제공하는 것이다.
한편 제1 목적만을 달성하기 위해서는 두 개의 이미지 간의 명도 차를 크게 하는 것이 최선이다. 예를 들어 원본 이미지 쌍의 제1 이미지를 흰색으로, 제2 이미지를 검은 색으로 변환하는 경우, 두 개의 이미지 간의 대비가 매우 명확해진다. 하지만 이 경우, 제2 목적의 달성이 불가능하다.
한편 원본 이미지 쌍의 두 개의 이미지 간의 명도 차가 커질수록 두 이미지 간에 대비는 커지는데 반해, 두 개의 이미지의 색감을 유지하기가 힘들어진다. 따라서 본 발명에서는, 색약자의 시점에서 원본 이미지 쌍 내 두 개의 이미지를 구분할 수 있는 최소한의 명도 차를 찾는 것을 목적으로 한다.
또한 원본 이미지 쌍 내 두 개의 이미지를 구분할 수 있는 최소한의 명도 차는, 다양한 요소에 따라 달라질 수 있다. 따라서 본 발명에서는 다양한 요소를 고려하여, 원본 이미지 쌍 내 두 개의 이미지를 구분할 수 있는 최소한의 명도 차를 찾는 것을 목적으로 한다.
색 변환 기준을 수립하기 위하여 색약자를 대상으로 한 다양한 설문이 진행되었다. 도 3 내지 도 4에서 도시된 이미지는 다양한 설문에 사용된 이미지로, 설문 문항은 텍스트를 읽기 쉬운가?(가독성), 색채로 구분된 그래프 정보를 직관적으로 알 수 있는가?(직관성, 효율성), 색채로 구분된 영역이 모두 다른 영역으로 보이는가?(인지도), 주요정보요소(지시선, 점선 등)가 배경 대비 잘 구분되는가?(시인성), 색채로 구분된 그룹이 인지가 쉬운가?(이해도) 등일 수 있다.
그 밖에도, 가독성, 직관성 및 효율성, 인지도, 시인성, 이해도, 안정성, 범용성 및 편리성, 공평성, 조화성 및 심미성, 만족도 등을 평가하기 위한 다양한 설문 문항이 설문에 사용되었다.
추가적으로, 앞서 설명한 바와 같이, 본 발명에서는 원본 이미지 쌍 내 두 개의 이미지를 구분할 수 있는 최소한의 명도 차를 찾는 것을 목적으로 하기 때문에, 하나의 설문 문항은 객관식으로 구성되어 복수의 보기 이미지 쌍을 포함할 수 있다.
여기서 하나의 설문 문항에 대응하는 복수의 보기 이미지 쌍은, 동일한 이미지 쌍에 대하여 명도 차를 상이하게 만든 이미지 쌍들을 의미할 수 있다.
예를 들어 설문 문항은“다음 중 두 이미지가 구분되기 시작하는 이미지 쌍은 무엇입니까?”일 수 있으며, 1번 보기는 동일 이미지 쌍에 대하여 L 채널(L*) 값의 차이가 5인 이미지 쌍, 2번 보기는 동일 이미지 쌍에 대하여 L 채널(L*) 값의 차이가 10인 이미지 쌍, 3번 보기는 동일 이미지 쌍에 대하여 L 채널(L*) 값의 차이가 15인 이미지 쌍, 4번 보기는 동일 이미지 쌍에 대하여 L 채널(L*) 값의 차이가 20인 이미지 쌍일 수 있다. 그리고 특정 색약자가 3번 보기를 선택하는 경우, 특정 색약자가 해당 이미지 쌍에 대하여 두 개의 이미지를 구분할 수 있는 최소한의 명도 차는 15가 된다.
이와 같은 방식으로, 설정 값(두 개의 이미지를 구분할 수 있는 최소한의 명도 차)를 포함하는 색 변환 기준이 생성될 수 있다. 또한 다양한 환경에 대응하는 설정 값들(다양한 환경에서 두 개의 이미지를 구분할 수 있는 최소한의 명도 차)을 포함하는 색 변환 기준이 생성될 수 있다. 색 변환 기준에 대한 구체적인 예시들은 S230과 함께 설명하도록 한다.
제어부(820)는, 색 변환 기준을 기반으로, 하나의 전체 이미지 내 원본 이미지 쌍 중 제1 이미지와 원본 이미지 쌍 중 제2 이미지 간의 명도 차를 설정 값만큼 증가시킨 변환 이미지 쌍을 생성할 수 있다.
구체적으로 제어부(820)는 제1 이미지의 명도 및 제2 이미지의 명도를 이용하여, 원본 이미지 쌍을 구성하는 제1 이미지 및 제2 이미지 간의 명도 차를 산출할 수 있다. 또한 제어부(820)는 원본 이미지 제1 이미지와 제2 이미지 간의 명도 차를 설정 값만큼 증가시킨 변환 이미지 쌍을 생성할 수 있다.
한편 원본 이미지 쌍은 하나의 전체 이미지 내에 배치될 수 있다. 따라서 제어부(820)가 변환 이미지 쌍을 생성한다는 것은, 제어부(820)가 원본 이미지 쌍 대신 변환 이미지 쌍을 포함하는 전체 이미지를 생성한다는 것을 의미할 수 있다.
그리고 설정 값은, 색약자의 시점에서 제1 이미지 및 제2 이미지를 구분할 수 있는 최소한의 명도차일 수 있다.
예를 들어, 제1 이미지의 L 채널(L*) 값이 50, 제2 이미지의 L 채널(L*) 값이 60, 설정 값이 20인 것으로 가정한다.
이 경우 제어부(820)는 제1 이미지 및 제2 이미지 간의 명도 차인 10을 산출할 수 있다. 한편 제1 이미지 및 제2 이미지 간의 명도 차인 10이 설정 값인 20보다 작기 때문에, 원본 이미지 쌍은 변환 대상이 될 수 있다. 따라서, 제어부(820)는 제1 이미지와 제2 이미지 간의 명도 차를 설정 값인 20으로 증가시킨 변환 이미지 쌍을 생성할 수 있다. 예를 들어 변환 이미지 쌍은 명도가 45로 변환된 제1 이미지 및 명도가 65로 변환된 제2 이미지 쌍을 포함할 수 있다.
한편 제어부(820)는 다양한 방식으로, 제1 이미지와 제2 이미지 간의 명도 차를 설정 값으로 증가시킬 수 있다.
예를 들어 제어부(820)는, 더 낮은 명도를 가진 제1 이미지의 명도를 고정시킨 상태에서 더 높은 명도를 가진 제2 이미지의 명도를 증가시킴으로써, 제1 이미지와 제2 이미지 간의 명도 차를 설정 값으로 증가시킬 수 있다.
다른 예를 들어 제어부(820)는, 더 높은 명도를 가진 제2 이미지의 명도를 고정시킨 상태에서 더 낮은 명도를 가진 제1 이미지의 명도를 감소시킴으로써, 제1 이미지와 제2 이미지 간의 명도 차를 설정 값으로 증가시킬 수 있다.
또 다른 예를 들어, 제어부(820)는 더 낮은 명도를 가진 제1 이미지의 명도를 명도의 최소값으로 감소시킨 상태에서 더 높은 명도를 가진 제2 이미지의 명도를 증가시킴으로써, 제1 이미지와 제2 이미지 간의 명도 차를 설정 값으로 증가시킬 수 있다.
또 다른 예를 들어, 제어부(820)는 더 높은 명도를 가진 제2 이미지의 명도를 명도의 최대값으로 증가시킨 상태에서 더 낮은 명도를 가진 제1 이미지의 명도를 감소시킴으로써, 제1 이미지와 제2 이미지 간의 명도 차를 설정 값으로 증가시킬 수 있다.
한편 제어부(820)는, 제1 이미지 및 제2 이미지 중, 명도가 더 낮은 제1 이미지의 명도를 감소시키고 명도가 더 높은 제2 이미지의 명도를 증가시켜 변환 이미지 쌍을 생성할 수 있다.
구체적으로, 원본 이미지 쌍 및 변환 이미지 쌍은 인공지능 모델의 트레이닝 데이터로 사용될 수 있다. 더욱 구체적으로, 제어부(820)는 원본 이미지 쌍 및 다른 이미지들(색약자의 구분이 가능한 이미지)을 포함하는 원본 트레이닝 이미지를 생성하고, 변환 이미지 쌍 및 다른 이미지들(색약자의 구분이 가능한 이미지)을 포함하는 타겟 트레이닝 이미지를 생성할 수 있다. 이 경우 원본 트레이닝 이미지에 포함되는 다른 이미지와, 타겟 트레이닝 이미지에 포함되는 다른 이미지는 서로 동일하다.
그리고 인공지능 모델은, 원본 트레이닝 이미지 내의 색약자가 구분할 수 없는 이미지 쌍에 대하여, 색약자가 구분 가능하도록 색을 변환하는 것을 목적으로 한다. 따라서 앞서 설명한 “다른 이미지”는, 인공지능 모델이 색을 변환해야 하는 대상이 아니다.
따라서 인공지능 모델은, 원본 트레이닝 이미지 내에서, 어느 영역이 색의 변환 대상인지, 그리고 어느 영역이 색의 변환 대상이 아닌지를 알아야 한다. 다만 인공지능 모델에 제공되는 정보는, 원본 트레이닝 이미지 및 타겟 트레이닝 이미지로 제한되어 있다.
따라서 본 발명에서는, 인공지능에게 색의 변환 대상이 무엇인지를 암시적으로 알려주기 위하여, 제어부(820)는, 제1 이미지의 명도 및 제2 이미지의 명도 모두를 변경할 수 있다. 또한 원본 이미지 쌍에서의 색감을 최대한 유지시키기 위하여, 제어부(820)는 명도가 낮은 제1 이미지의 명도는 감소시키고 명도가 높은 제2 이미지의 명도는 증가시켜 변환 이미지 쌍을 생성할 수 있다.
이 경우 인공지능 모델은, 원본 트레이닝 이미지 내 제1 이미지의 명도와 타겟 트레이닝 이미지 내 제1 이미지의 명도가 상이하다는 것을 인지하고, 원본 트레이닝 이미지 내 제2 이미지의 명도와 타겟 트레이닝 이미지 내 제2 이미지의 명도가 상이하다는 것을 인지하며, 원본 트레이닝 이미지 내 다른 이미지와 타겟 트레이닝 이미지 내 다른 이미지 간의 색상은 동일하다는 것을 인지할 수 있다. 이에 따라 인공지능 모델은, 원본 트레이닝 이미지 내 제1 이미지와 제2 이미지가 색의 변환 대상인 것으로 인지하고, 제1 이미지와 제2 이미지를 중심으로 색을 변환하여 예측 이미지를 출력할 수 있다.
한편 앞서 설명한 색 변환 기준은, 색 영역의 동일 여부에 따른 설정값을 포함할 수 있다.
이와 관련해서는 도 5를 참고하여 설명한다.
도 5는 본 발명에 따른 색 영역을 설명하기 위한 도면이다.
도 5의 좌측에는 일반인 시점의 색들이 도시되어 있으며, 도 5의 우측에는 색약자 시점의 색들이 도시되어 있다.
한편 색 영역은, 동일 계열로 보이는 색들을 하나로 그룹핑한 영역이다.
구체적으로 제1 색 영역(Yellow zone)은 색약자의 시점에서 노란색 계열로 보이는 색들을 그룹핑한 영역이고, 제2 색 영역(Blue zone)은 색약자의 시점에서 파란색 계열로 보이는 색들을 그룹핑한 영역이며, 제3 색 영역(Gray zone)은 색약자의 시점에서 회색 계열로 보이는 색들을 그룹핑한 영역이다.
구체적으로 동일한 계열에 속하는 색들은 서로 간에 색상 차가 상대적으로 작기 때문에, 원본 이미지 쌍에 포함되는 두 이미지들이 동일한 색 영역에 속하는 경우에는 두 이미지 들의 명도 차를 더욱 크게 증가시켜야 색약자의 구분이 가능하다.
반면에 다른 계열에 속하는 색들은 서로 간에 색상 차가 상대적으로 크기 때문에, 원본 이미지 쌍에 포함되는 두 이미지들이 서로 다른 색 영역에 속하는 경우에는, 두 이미지 들의 명도 차를 상대적으로 적게 증가시켜도 색약자의 구분이 가능하며 이는 색상의 유지 측면에도 유리하다.
여기서 중요한 것은, 색 영역이 “색약자의 시점”에서 동일 계열로 보이는 색들을 그룹핑 한 것이라는 점이다.
구체적으로, 본 발명에서는 색약자가 두 이미지를 구분 가능하도록 하는 것을 목적으로 하기 때문에, 두 이미지가 “색약자 시점”에서 동일 계열로 보이는지에 따라 색 영역을 구분하는 것이 필요하다.
예를 들어 실제 두 이미지가 빨간색 및 초록색인 경우, 일반인 시점에서는 두 이미지가 빨간색 및 초록색으로 보일 것이며, 따라서 일반인 시점에서는 두 이미지가 동일 계열로 보이지 않는다. 다만 색약자 시점에서는 빨간색 이미지 및 초록색 이미지가 모두 노란색 계열로 보이기 때문에, 빨간색 및 초록색은 동일한 색 영역(Yellow zone)에 속하게 된다.
한편 제어부(820)는 원본 이미지 쌍의 제1 이미지의 색상(예를 들어 RGB 채널 값) 및 제2 이미지의 색상(예를 들어 RGB 채널 값)을 이용하여 제1 이미지의 색 영역 및 제2 이미지의 색 영역을 결정할 수 있다.
그리고 나서 제어부(820)는, 제1 이미지의 색 영역 및 제2 이미지의 색 영역에 기초하여, 제1 이미지와 제2 이미지 간의 명도 차를 설정 값만큼 증가시킨 변환 이미지 쌍을 생성할 수 있다.
한편 앞서 설명한 바와 같이, 색약자 시점에서 동일한 계열에 속하는 색들은 색약자 시점에서 서로 간에 색상 차가 상대적으로 작은 것으로 보이고, 색약자 시점에서 다른 계열에 속하는 색들은 색약자 시점에서 서로 간에 색상 차가 상대적으로 큰 것으로 보이다.
따라서 제1 이미지의 색 영역과 제2 이미지의 색 영역이 동일한 경우, 제어부(820)는 제1 이미지와 제2 이미지 간의 명도 차가 제1 설정 값인 변환 이미지 쌍을 생성할 수 있다.
또한 제1 이미지의 색 영역과 제2 이미지의 색 영역이 상이한 경우, 제어부(820)는 제1 이미지와 제2 이미지 간의 명도 차가 제2 설정 값인 변환 이미지 쌍을 생성할 수 있다.
그리고 제1 설정 값은 제2 설정 값보다 클 수 있다.
아래의 표에서는, 색 변환 기준을 생성하는 과정을 통해 산출된 설정 값이 개시된다.
기준 색각 시뮬레이션 후 색 영역 색 변환 원칙 설정 값
(L* 값 차이)
1 같은 영역일 경우 L*값이 높은 것은 높게,
낮은 것은 낮게		 20-25
2 다른 영역일 경우 L*값이 높은 것은 높게,
낮은 것은 낮게		 15-20
표 1을 참고하면, 원본 이미지 쌍으로부터 색의 변환되는 것을 줄이기 위하여, 제어부(820)는 명도가 낮은 제1 이미지의 명도는 감소시키고 명도가 높은 제2 이미지의 명도는 증가시켜 변환 이미지 쌍을 생성할 수 있다.
또한 표 1을 참고하면, 두 이미지의 색 영역이 동일한 경우의 설정값(제1 설정 값)의 범위는 L 채널(L*) 값으로 20 내지 25로 산출되었으며, 두 이미지의 색 영역이 상이한 경우의 설정 값(제2 설정 값)의 범위는 L 채널(L*) 값으로 15 내지 20으로 산출되었다.
도 6은 제1 설정 값 및 제2 설정 값에 대한 설문 결과를 도시한 도면이다.
“다음 중 두 이미지가 구분되기 시작하는 이미지 쌍은 무엇입니까?”라는 질문(총 30문항)에 대하여 다수의 색약자에 대하여 설문을 진행하였으며, 각 문항의 보기 1번은 동일 이미지 쌍에 대하여 L 채널(L*) 값의 차이가 5인 이미지 쌍, 각 문항의 보기 2번은 동일 이미지 쌍에 대하여 L 채널(L*) 값의 차이가 10인 이미지 쌍, 각 문항의 보기 3번은 동일 이미지 쌍에 대하여 L 채널(L*) 값의 차이가 15인 이미지 쌍, 각 문항의 보기 4번은 동일 이미지 쌍에 대하여 L 채널(L*) 값의 차이가 20인 이미지 쌍으로 구성되었다.
또한 도 6a는 색 영역이 서로 다른 이미지 쌍을 보기로 구성한 문항들에 대한 설문 결과이고, 도 6b는 색 영역이 동일한 이미지 쌍을 보기로 구성한 문항들에 대한 설문 결과이다.
도 6a를 참고하면, L 채널(L*) 값의 차이가 10인 이미지 쌍을 선택한 비율은 7.1%에 불과한데 반해, L 채널(L*) 값의 차이가 15인 이미지 쌍을 선택한 비율은 34.3%로 급격히 증가하였다. 따라서 두 이미지의 색 영역이 상이한 경우의 설정 값(제2 설정 값)의 범위는 L 채널(L*) 값으로 15 내지 20으로 산출되었으며, 바람직하게 제2 설정 값은 15의 L 채널(L*) 값을 가질 수 있다.
따라서, 제1 이미지와 제2 이미지의 색 영역이 상이한 경우, 제어부(820)는 색약자의 시점에서 두 이미지를 구분할 수 있는 최소한의 명도차인 15만큼 제1 이미지와 제2 이미지 간의 명도 차를 증가시킬 수 있다.
도 6b를 참고하면, L 채널(L*) 값의 차이가 20인 이미지 쌍을 선택한 비율은 47.4%로써 L 채널(L*) 값의 차이가 20인 시점에서 선택 비율이 급격히 증가하였으며, L 채널(L*) 값의 차이가 20인 이미지 쌍을 선택한 비율은 다른 이미지 쌍을 선택한 비율에 비하여 훨씬 높다. 따라서 두 이미지의 색 영역이 동일한 경우의 설정 값(제1 설정 값)의 범위는 L 채널(L*) 값으로 20 내지 25일 수 있으며, 바람직하게 제2 설정 값은 20의 L 채널(L*) 값을 가질 수 있다.
따라서, 제1 이미지와 제2 이미지의 색 영역이 동일한 경우, 제어부(820)는 색약자의 시점에서 두 이미지를 구분할 수 있는 최소한의 명도차인 20만큼 제1 이미지와 제2 이미지 간의 명도 차를 증가시킬 수 있다.
도 7은 본 발명에 따른, 색 변환의 예시를 도시한 도면이다.
도 7의 <기준 1>은 두 이미지의 색 영역이 동일한 경우이며, 설정 값은 29로 설정하였다.
그리고 <기준 1>의 색약자 시각을 참고하면, 색약자 시각에서 색 변환 전 이미지는 구분이 불가능 하였으나, 색 변환 후 이미지는 구분이 가능한 것을 알 수 있다.
또한 <기준 1>의 일반인 시각을 참고하면, 일반인 시각에서 색이 변경되었으나, 기존의 색감을 최대한 유지하고 있다는 것을 알 수 있다.
또한 도 7의 <기준 2>은 두 이미지의 색 영역이 서로 다른 경우이며, 설정 값은 18로 설정하였다.
그리고 <기준 2>의 색약자 시각을 참고하면, 색 변환 후 이미지가 색약자 시각에서 구분이 가능한 것을 알 수 있으며, <기준 2>의 일반인 시각을 참고하면 색은 변경되었으나, 기존의 색감을 최대한 유지하고 있다는 것을 알 수 있다.
한편 색 변환 기준의 또 다른 예로, 설정 값은 원본 이미지 쌍에 대응하는 명도가 낮을수록 더욱 클 수 있다.
구체적으로, 원본 이미지 쌍에 대응하는 명도란, 원본 이미지 쌍 내 명도가 낮은 이미지의 명도, 원본 이미지 쌍 내 명도가 높은 이미지의 명도, 원본 이미지 쌍 내 두 이미지의 명도의 평균 중 어느 하나를 의미할 수 있다.
한편 명도가 더 낮은 이미지들로 구성된 원본 이미지 쌍은, 명도가 더 높은 이미지들로 구성된 원본 이미지 쌍보다 더욱 구분하기가 어려울 수 있다.
예를 들어 제1 원본 이미지 쌍은 명도 30의 제1 이미지 및 명도 40의 제2 이미지로 구성되고, 제2 원본 이미지 쌍은 명도 70의 제3 이미지 및 명도 80의 제4 이미지로 구성된다고 가정한다. 이 경우 제1 원본 이미지 쌍을 구성하는 두 이미지의 명도 차는 10이고, 제2 원본 이미지 쌍을 구성하는 두 이미지의 명도 차는 10으로써, 제1 원본 이미지 쌍을 구성하는 두 이미지의 명도 차는 제2 원본 이미지 쌍을 구성하는 두 이미지의 명도 차와 동일하다.
다만, 더욱 어두운 이미지들끼리 조합된 이미지 쌍의 경우, 색의 구분이 더 어려울 수 있다.
따라서 제어부(120)는 제1 원본 이미지 쌍 중 제1 이미지와 제2 이미지 간의 제1 명도 차를 제1 설정 값만큼 증가시킨 제1 변환 이미지 쌍을 생성하고, 제2 원본 이미지 쌍 중 제3 이미지와 제4 이미지 간의 제2 명도 차를 제2 설정 값만큼 증가시킨 제2 변환 이미지 쌍을 생성할 수 있다. 그리고 제1 원본 이미지 쌍에 대응하는 명도가 제2 원본 이미지 쌍에 대응하는 명도보다 낮은 경우, 제1 명도 차가 제2 명도 차와 동일함에도 불구하고, 제1 설정 값은 제2 설정 값보다 클 수 있다.
도 8은 본 발명에 따른, 색약자의 구분이 필요한 원본 이미지 쌍을 선정하는 방법을 설명하기 위한 도면이다.
유아, 아동, 성인 대상 출판물 등의 다양한 컨텐츠로부터 다양한 이미지들이 수집될 수 있다.
또한 적색맹의 시각 및 녹색맹의 시각에서, 색약자의 구분이 필요한 이미지 쌍이 선정될 수 있다. 이 경우 제어부(820)는 선정된 이미지 쌍을 원본 이미지 쌍으로 활용하여 변환 이미지를 생성할 수 있다.
또한 앞서 설명한 설정 값은 원본 이미지 쌍을 선정하는데 활용될 수 있다. 즉 본래의 이미지 쌍의 명도 차가 설정 값보다 큰 경우에는 색약자가 구분이 가능하기 때문에, 이것은 변환할 필요가 없는 이미지 쌍이다. 따라서 제어부(820)는 수집된 복수의 이미지 쌍 중 두 이미지 간의 명도 차가 설정 값보다 작은 이미지 쌍을 원본 이미지 쌍으로 선정하고, 선정된 원본 이미지 쌍을 이용하여 변환 이미지를 생성할 수 있다.
도 9는 본 발명에 따른, 원본 이미지 쌍과 변환 이미지 쌍의 활용 예를 설명하기 위한 도면이다.
인공지능 모델(1000)의 트레이닝을 위하여, 제어부(820)는 원본 이미지 쌍을 이용하여 원본 트레이닝 이미지(100)를 생성할 수 있다.
이 경우 원본 트레이닝 이미지(100)는 원본 이미지 쌍만을 포함할 수 있다. 다만 이에 한정되지 않으며, 원본 트레이닝 이미지(100)는 원본 이미지 쌍 및 다른 이미지를 포함할 수 있다.
또한 인공지능 모델(1000)의 트레이닝을 위하여, 제어부(820)는 변환 이미지 쌍을 이용하여 타겟 트레이닝 이미지(120)를 생성할 수 있다.
이 경우 타겟 트레이닝 이미지(120)는 원본 이미지 쌍만을 포함할 수 있다. 다만 이에 한정되지 않으며, 타겟 트레이닝 이미지(120)는 원본 이미지 쌍 및 다른 이미지를 포함할 수 있다.
한편 원본 트레이닝 이미지(100)에 포함되는 다른 이미지와 타겟 트레이닝 이미지(120)에 포함되는 다른 이미지는 서로 동일 할 수 있다.
한편 앞서 설명한 바와 같이, 제어부(820)는 원본 이미지 쌍의 제1 이미지의 명도 및 제2 이미지의 명도를 모두 변환하여 변환 이미지 쌍을 생성할 수 있다. 이에 따라 인공지능 모델(1000)은 원본 트레이닝 이미지(100) 내에서 명도 차를 증가시켜야 하는 영역이 제1 이미지 및 제2 이미지라는 것을 인지할 수 있다.
한편 제어부(820)는 원본 트레이닝 이미지(100) 및 타겟 트레이닝 이미지(120)를 포함하는 트레이닝 데이터 셋을 인공지능 모델(1000)에 제공할 수 있다.
한편 원본 트레이닝 이미지(100)를 입력 받은 인공지능 모델(1000)은, 자신의 파라미터(가중치, 편향 등)에 기반하여 예측 이미지(300)를 출력할 수 있다. 그리고 인공지능 모델(1000)은, 지도 학습 알고리즘을 기반으로, 타겟 트레이닝 이미지(120) 및 예측 이미지(300) 간의 차이(LOSS)를 이용하여 트레이닝 될 수 있다. 이 경우 손실 함수는, 원본 이미지 쌍과 변환 이미지 쌍 간의 색상 차 및 원본 이미지 쌍과 변환 이미지 쌍 간의 명도 차가 최소화 되도록 설정될 수 있다.
이와 같이 본 발명에 따르면, 색 변환 기준에 기반하여 원본 이미지의 색감을 최대한 유지하면서도 색약자의 구분이 가능한 변환 이미지를 생성할 수 있는 장점이 있다.
또한 본 발명에 따르면, 색 변환 기준에 기반하여 생성된 변환 이미지를 인공지능 모델에 레이블로 제공함으로써, 인공지능 모델에 정확한 정답 이미지를 제공할 수 있는 장점이 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 서버의 프로세서를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
800: 색 변환 장치 810: 입력부
820: 제어부 830: 통신부
840: 메모리

Claims (10)

  1. 전체 이미지 내의 색약자의 구분이 필요한 원본 이미지 쌍을 색약자가 구분이 가능하도록 하기 위한 색 변환 기준을 획득하는 단계; 및
    상기 색 변환 기준을 기반으로, 하나의 전체 이미지 내 상기 원본 이미지 쌍 중 제1 이미지와 상기 원본 이미지 쌍 중 제2 이미지 간의 명도 차를 설정 값만큼 증가시킨 변환 이미지 쌍을 생성하는 단계;를 포함하고,
    상기 변환 이미지 쌍을 생성하는 단계는,
    상기 제1 이미지의 색 영역과 상기 제2 이미지의 색 영역이 동일한 경우 상기 제1 이미지와 상기 제2 이미지 간의 명도 차를 제1 설정 값만큼 증가시킨 변환 이미지 쌍을 생성하고,
    상기 제1 이미지의 색 영역과 상기 제2 이미지의 색 영역이 상이한 경우 상기 제1 이미지와 상기 제2 이미지 간의 명도 차를 제2 설정 값만큼 증가시킨 변환 이미지 쌍을 생성하고,
    상기 제1 설정 값은 상기 제2 설정 값보다 큰
    색 변환 방법.
  2. 제 1항에 있어서,
    상기 설정 값은,
    상기 색약자의 시점에서 상기 제1 이미지 및 상기 제2 이미지를 구분할 수 있는 최소의 명도차인
    색 변환 방법.
  3. 삭제
  4. 제 1항에 있어서,
    상기 색 영역은,
    상기 색약자의 시점에서 동일 계열로 보이는 색들을 그룹핑한 영역인
    색 변환 방법.
  5. 삭제
  6. 제 1항에 있어서,
    상기 제1 설정 값의 범위는 L 채널 값으로 20 내지 25이고,
    상기 제2 설정 값의 범위는 L 채널 값으로 15 내지 20인
    색 변환 방법.
  7. 제 1항에 있어서,
    상기 변환 이미지 쌍을 생성하는 단계는,
    상기 제1 이미지 및 상기 제2 이미지 중, 명도가 더 낮은 상기 제1 이미지의 명도를 감소시키고 명도가 더 높은 상기 제2 이미지의 명도를 증가시켜 상기 변환 이미지 쌍을 생성하는
    색 변환 방법.
  8. 제 7항에 있어서,
    인공지능 모델의 트레이닝을 위하여, 상기 원본 이미지 쌍을 포함하는 원본 트레이닝 이미지 및 상기 변환 이미지 쌍을 포함하는 타겟 트레이닝 이미지를 생성하는 단계;를 더 포함하는
    색 변환 방법.
  9. 제 1항에 있어서,
    상기 설정 값은,
    상기 원본 이미지 쌍에 대응하는 명도가 낮을수록 더욱 큰
    색 변환 방법.
  10. 전체 이미지 내의 색약자의 구분이 필요한 원본 이미지 쌍을 색약자가 구분이 가능하도록 하기 위한 색 변환 기준을 저장하는 메모리; 및
    상기 색 변환 기준을 기반으로, 하나의 전체 이미지 내 상기 원본 이미지 쌍 중 제1 이미지와 상기 원본 이미지 쌍 중 제2 이미지 간의 명도 차를 설정 값만큼 증가시킨 변환 이미지 쌍을 생성하는 제어부;를 포함하고,
    상기 제어부는,
    상기 제1 이미지의 색 영역과 상기 제2 이미지의 색 영역이 동일한 경우 상기 제1 이미지와 상기 제2 이미지 간의 명도 차를 제1 설정 값만큼 증가시킨 변환 이미지 쌍을 생성하고,
    상기 제1 이미지의 색 영역과 상기 제2 이미지의 색 영역이 상이한 경우 상기 제1 이미지와 상기 제2 이미지 간의 명도 차를 제2 설정 값만큼 증가시킨 변환 이미지 쌍을 생성하고,
    상기 제1 설정 값은 상기 제2 설정 값보다 큰
    색 변환 장치.
KR1020210100222A 2021-07-29 2021-07-29 색 변환 장치 및 색 변환 방법 KR102509122B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210100222A KR102509122B1 (ko) 2021-07-29 2021-07-29 색 변환 장치 및 색 변환 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210100222A KR102509122B1 (ko) 2021-07-29 2021-07-29 색 변환 장치 및 색 변환 방법

Publications (2)

Publication Number Publication Date
KR20230018253A KR20230018253A (ko) 2023-02-07
KR102509122B1 true KR102509122B1 (ko) 2023-03-10

Family

ID=85221343

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210100222A KR102509122B1 (ko) 2021-07-29 2021-07-29 색 변환 장치 및 색 변환 방법

Country Status (1)

Country Link
KR (1) KR102509122B1 (ko)

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Gajo Petrovic et al., "Deep Correct: Deep Learning color correction for color blindness", Volume 297: New Trends in Intelligent Software Methodologies, Tools and Techniques, (2017. 6.)*
김하나 외 2인, "색각이상자를 위한 색채변환기술의 배색모델 연구", 한국색채학회 논문집, (2014)*

Also Published As

Publication number Publication date
KR20230018253A (ko) 2023-02-07

Similar Documents

Publication Publication Date Title
CN102576461B (zh) 评估数字图像的美学质量
Huang et al. Image recolorization for the colorblind
CN111339246A (zh) 查询语句模板的生成方法、装置、设备及介质
US20100208051A1 (en) Information processing apparatus and information processing method
CN112233075B (zh) 视频清晰度评估方法、装置、存储介质及电子设备
CN106843782B (zh) 一种调整电子设备图像的颜色的方法及电子设备
CN101390128A (zh) 脸部器官的位置的检测方法及检测系统
Pommé et al. Relative confusion matrix: efficient comparison of decision models
CN107734796A (zh) 镜面显示产品灯条亮度调节方法、装置、设备和存储介质
KR102509122B1 (ko) 색 변환 장치 및 색 변환 방법
KR102420199B1 (ko) 딥러닝을 이용한 이미지 저작권 판별 시스템 및 방법
CN114596214A (zh) 一种面部美白图像处理方法、装置、介质及设备
CN110537362B (zh) 颜色处理程序、颜色处理方法、色彩感觉检查系统、输出系统、色觉校正图像处理系统及色觉模拟图像处理系统
Shen et al. Color enhancement algorithm based on Daltonization and image fusion for improving the color visibility to color vision deficiencies and normal trichromats
US9600905B2 (en) Color-scheme determination device, color-scheme determination method, and color-scheme determination program
CN108737851A (zh) 用于针对视频内容项的调色板提取的方法、系统和介质
KR20210091970A (ko) 심박 정보를 이용한 영상 취향 분석 시스템 및 방법
US20050111019A1 (en) Color image processing method and color image processing system
JPH10143670A (ja) 画像処理装置及び記録媒体
CN114615781A (zh) 一种rgbw灯具控制方法及系统
KR20230018252A (ko) 이미지 변환 장치 및 이미지 변환 방법
KR20210056498A (ko) 다이나믹 미디어 플레이어 장치
KR20220030615A (ko) 전자장치 및 그 제어방법
JP6958096B2 (ja) 情報処理装置、及びプログラム
KR101024954B1 (ko) 색채와 감정 간의 관계에 기초한 영상의 색 변환 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant