Abstract
Generally images are classified into two regions: edge and flat region. While low frequency components are popular in the flat region, high frequency components are quite important in the edge region. Therefore, deinterlacing algorithm that considers the characteristic of each region can be more efficient. In this paper, an image is divided into edge region and flat region by the local variance. And then, for each region, frequency modularized neural network is assigned. Using this structure, each modularized neural network can learn only its region intensively and avoid the complexity of learning caused by the data of different region. Using the local AC data for the input of neural network can prevent the degradation of the performance of teaming due to the average intensity values of image that disturbs the effective learning. The proposed method shows the improved performance compared with previous algorithms in the simulation.
영상은 일반적으로 에지 영역과 평탄 영역으로 나누어 질 수 있다. 평탄 영역은 대부분 저주파 성분으로 이루어져 있지만, 에지 영역에서는 고주파 성분이 주가 된다. 따라서, 각 영역에 따른 특성을 고려한 deinterlacing 방법이 효율적이라고 할 수 있다. 본 논문에서는 국부 영역의 분산을 사용하여 영상을 에지 영역과 평탄 영역으로 분리하고 분리된 에지 영역과 평탄 영역에 대하여 모듈화된 신경 회로망을 사용한 deinterlacing 방법을 제안한다. 제안 방법에서는 모듈화된 구조로 인해 각 영역의 신경회로망이 유사한 데이터들만을 집중적으로 학습할 수 있고 서로 다른 영역의 데이터들로 인한 학습방해가 적은 장점이 있다. 또한 신경 회로망의 입력으로 국부 평균을 제거한 값을 사용함으로써 화소의 국부 평균 밝기값의 변화로 인한 학습 성능 저하를 방지할 수 있다. 모의 실험에서 제안된 알고리즘은 기존 알고리즘들보다 개선된 성능을 보였다.
