KR100679052B1

KR100679052B1 - 최적 선호색 편집 장치 및 방법

Info

Publication number: KR100679052B1
Application number: KR1020060001023A
Authority: KR
Inventors: 강병호; 조희근; 김세은
Original assignee: 삼성전자주식회사
Priority date: 2006-01-04
Filing date: 2006-01-04
Publication date: 2007-02-06
Also published as: US7835576B2; US20070154084A1

Abstract

본 발명은 최적 선호색 편집 장치 및 방법에 관한 것으로서, 본 발명의 실시예에 따른 최적 선호색 편집 장치는, 원 영상의 색 정보와 상기 원 영상을 사용자의 선호도에 따라 변환한 변환 영상의 색 정보를 비교함으로써 상기 선호도에 관한 학습 데이터를 추출하는 색정보 제어부; 상기 추출된 학습 데이터를 기반으로 상기 선호도에 대한 신경 회로망을 학습하고, 상기 학습된 신경 회로망에 의하여 색 정보 변화량을 예측하는 학습부; 및 입력 영상의 색 정보를 상기 예측된 색 정보 변화량에 따라 수정하는 영상 수정부를 포함한다.

사용자의 개별적인 선호도에 관한 학습 데이터를 추출하여 선호도에 대한 신경 회로망을 학습시키고 상기 학습된 신경 회로망을 이용하여 색 정보 변화량을 예측할 수 있는 효과가 있다.

선호색(Preference Color), 신경 회로망(Neural Network), 역전파(Back-propagation) 알고리즘

Description

최적 선호색 편집 장치 및 방법{APPARATUS AND METHOD FOR EDITING OPTIMIZED PREFERENCE COLOR}

도 1은 본 발명의 실시예에 따른 최적 선호색 편집 장치의 전체 구성을 나타내는 도면이다.

도 2는 본 발명의 실시예에 따른 최적 선호색 편집 장치의 구성 중 색정보 제어부의 구성을 나타내는 도면이다.

도 3은 상기 도 2의 색정보 제어부의 그래픽 사용자 인터페이스 화면을 나타내는 도면이다.

도 4는 본 발명의 실시예에 따른 신경 회로망을 나타내는 도면이다.

도 5는 본 발명의 실시예에 따른 신경 회로망을 이용하여 색 정보 변화량을 예측하는 과정을 나타내는 도면이다.

도 6은 본 발명의 실시예에 따른 최적 선호색 편집 방법의 전체 흐름을 나타내는 도면이다.

*도면의 주요 부분에 대한 설명*

100: 색정보 제어부 110: 선호색 영역 선정부

120: 색정보 변환부 130: 학습 데이터 추출부

200: 학습부 210: 신경 회로망

211: 입력 레이어 212: 미들 레이어

213: 출력 레이어 300: 영상 수정부

본 발명은 최적 선호색 편집 장치 및 방법에 관한 것으로서, 더욱 상세하게는, 선호색 영역의 색정보를 수정할 때마다 신경 회로망을 이용하여 사용자의 선호 패턴을 학습시킴으로써 입력 영상의 선호색 편집을 효율적으로 수행할 수 있는, 최적 선호색 편집 장치 및 방법에 관한 것이다.

모니터, 스캐너, 프린터 등과 같이 색을 재현하는 디지털 영상 장치들은 사용자들의 다양한 요구를 충족시키기 위해, 그 기능이 다양해지고 고품질화되고 있으며, 또한, 각각의 사용 분야에 따라 서로 다른 색 공간(Color Space) 혹은 컬러 모델을 사용하고 있다. 칼라 모델에는 장치 의존적인 모델과 장치 독립적인 모델로 구분되는데, 전자의 경우로는 가법의 색 공간 모델인 RGB(Red, Green, Blue) 모델과 감법의 색 공간 모델인 CMYK 칼라 모델이 존재하며, 후자의 경우로는, CIE L*a*b* 모델, CIE XYZ 모델, CIE LUV 모델 등이 있다. 프린팅 분야에서는 CMYK 색 공간을 사용하고 있으며, 인터넷 출력용 그래픽처럼 컴퓨터 모니터를 사용하는 분야에서는 RGB 색 공간을 사용하기도 한다.

한편, 디지털 영상 이미지를 출력하는 프린터나 디스플레이 장치로부터 출력되는 영상 이미지를 접했을 때 사람의 시감에 큰 자극을 주는 색으로서 색 영역에 서 확률적으로 선호하는 경향이 높은 색을 선호색(Preference Color)이라고 하는데, 이러한 선호색은 프린터나 디스플레이 장치의 영상 출력 성능에 많은 영향을 미치게 된다. 따라서, 출력 영상을 구성하는 선호색을 편집하고 수정하는 기술에 대해 종래에 많은 발명이 개시되어 왔다.

그러나, 종래에 개시된 발명들은 미리 학습이 되지 않은 일반적인 선호색 변환 함수를 제공함으로써 사용자 개개인의 선호도에 부합하는 색 변환을 하기 어려웠으며, 또한, 항상 최초 단계에서 사전에 정의된 색 공간 상의 선호색 영역을 사용자에게 제공함으로써 선호색 편집에 많은 시간이 소요된다는 문제가 있었다.

본 발명은 상기와 같은 문제점을 해결하기 위해 고안된 것으로서, 선호색 재현에 있어 사용자의 개별적인 선호도에 관한 학습 데이터를 추출하여 선호도에 대한 신경 회로망을 학습시키고 상기 학습된 신경 회로망을 이용하여 색 정보 변화량을 예측할 수 있는, 최적 선호색 편집 장치 및 방법을 제공하는데 있다.

본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상술한 목적을 달성하기 위한 본 발명의 실시예에 따른 최적 선호색 편집 장치는, 원 영상의 색 정보와 상기 원 영상을 사용자의 선호도에 따라 변환한 변환 영상의 색 정보를 비교함으로써 상기 선호도에 관한 학습 데이터를 추출하는 색정 보 제어부; 상기 추출된 학습 데이터를 기반으로 상기 선호도에 대한 신경 회로망을 학습하고, 상기 학습된 신경 회로망에 의하여 색 정보 변화량을 예측하는 학습부; 및 입력 영상의 색 정보를 상기 예측된 색 정보 변화량에 따라 수정하는 영상 수정부를 포함한다.

또한, 상술한 목적을 달성하기 위한 본 발명의 실시예에 따른 최적 선호색 편집 방법은, 원 영상의 색 정보와 상기 원 영상을 사용자의 선호도에 따라 변환한 변환 영상의 색 정보를 비교함으로써 상기 선호도에 관한 학습 데이터를 추출하는 색 정보 제어단계; 상기 추출된 학습 데이터를 기반으로 상기 선호도에 대한 신경 회로망을 학습하고, 상기 학습된 신경 회로망에 의하여 색 정보 변화량을 예측하는 학습 단계; 및 입력 영상의 색 정보를 상기 예측된 색 정보 변화량에 따라 수정하는 영상 수정 단계를 포함한다.

기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

이하, 본 발명의 바람직한 실시예들에 의하여 미리 정의된, 최적 선호색 편 집 장치 및 방법을 설명하기 위한 블럭도 또는 흐름도들을 참조하여 보다 상세히 설명한다.

도 1은 본 발명의 실시예에 따른 최적 선호색 편집 장치의 전체 구성을 나타내는 도면이다. 상기 도 1을 참조하면, 상기 최적 선호색 편집 장치는 색정보 제어부(100), 학습부(200), 영상 수정부(300), 및 학습부(200)에 의해 학습되는 신경 회로망(210)을 포함하고 있다.

먼저, 색정보 제어부(100)가 원 영상 이미지로부터 색 정보를 입력받게 되면 사용자는 자신의 선호도에 따라 색정보를 변환하게 되며, 색정보 제어부(100)가 다시 원 영상의 색 정보와 상기 변환된 변환 영상의 색 정보를 비교함으로써 사용자의 선호도를 나타내는 정보인 선호도에 관한 학습 데이터를 추출하게 된다. 여기서, 원 영상의 색정보는 상기 도 1에서 L_i ^*, C_i ^*, h_i 로서 표현되고 있음을 알 수 있으며, 상기 추출된 학습 데이터는 ΔL^*, ΔC^*, Δh로 표현되고 있음을 알 수 있다. 색의 밝기를 나타내는 명도(Lightness)는 머릿 글자를 따서 L^*로 표시하고 있으며, 색의 선명한 정도를 나타내는 채도(Chroma 또는 Saturation)는 C^*로 표시하고 있으며, 색채를 구별하기 위해 필요한 색채의 명칭을 나타내는 색상(Hue)은 h로 표시하고 있다. 사용자가 또 다른 원 영상으로 새롭게 편집할 때마다 색정보 제어부(100)는 또 다른 선호도에 대한 학습 데이터를 추출하게 된다. 사용자의 선호도는 주관적인 것으로서 원 영상을 편집할 때마다 색정보는 다른 패턴으로 변환될 수 있 으므로, 추출되는 학습 데이터도 항상 달라지게 되므로 다양한 패턴의 학습 데이터가 후술하게 될 신경 회로망(210)으로 입력되게 된다.

색정보 제어부(100)의 역할을 도 2를 참조하여 구체적으로 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 최적 선호색 편집 장치의 구성 중 색정보 제어부(100)의 구성을 나타내는 도면이다.

상기 도 2를 참조하면, 색정보 제어부(100)는 선호색 영역 선정부(110), 색정보 변환부(120), 및 학습 데이터 추출부(130)를 포함하고 있다. 선호색 영역 선정부(110)가 상기 원 영상을 구성하는 특정의 선호색 영역 중 변환하고자 하는 하나의 선호색을 선정하게 되면, 색정보 변환부(120)는 상기 선정된 선호색 영역의 색 정보 중 적어도 하나 이상의 색 정보를 선택하여 변환함으로써 변환 영상을 생성하게 되며, 학습 데이터 추출부(130)는 상기 원 영상의 색 정보(L_i ^*, C_i ^*, h_i)와 상기 변환 영상의 색 정보를 비교하여 그 차이를 산출함으로써 상기 학습 데이터(ΔL^*, ΔC^*, Δh)를 추출하게 되는 것이다.

여기서, 상기 선호색(Preference Color)은 사용자의 시감에 효과적으로 반응하는 색을 의미하는 것으로서, 본 발명에서는 피부색(skin), 하늘색(blue sky), 및 풀색(green grass)을 포함하는 의미로 사용될 수 있다. 상기의 선호색은 일반적으로 프린팅되는 이미지의 화질에 가장 큰 영향을 미치는 색상이라 할 수 있으므로 여러 가지 색들 중 사용자의 선호 패턴에 따른 편집 대상이 되는 것이다.

상기 도 3을 참조하여 색정보 제어부(100)가 실제적으로 사용자 인터페이스 를 통하여 학습 데이터를 추출하게 되는 과정을 살펴보기로 한다. 도 3은 색정보 제어부(100)의 그래픽 사용자 인터페이스(Graphic User Interface) 화면을 나타내는 도면이다.

상기 도 3의 왼쪽에는 원 영상의 이미지와 상기 사용자의 선호도에 따라 변환한 변환 영상의 미리 보기(Preview) 이미지가 디스플레이되고 있음을 알 수 있으며, 상기 변환 영상의 이미지 아래의 "Original"과 "Control" 부분에서는 원 영상과 변환 영상의 이미지 색상을 비교하고 있다. 상기 도 3의 오른쪽의 상단에는 수정하려는 영역을 선택할 수 있는 "Preference Choices" 버튼이 있고, 그 아래에는 선호색 영역 선정부(110)에 의해 선호색을 선정하여 입력받을 수 있는 "Preference" 버튼이 나타나 있는바, 상기 도 3에서는 피부색(sky)을 수정하기 위해 "skin" 부분이 체크되어 있음을 알 수 있다. 그리고, 그 아래에는 색정보 변환부(120)에 의해 상기 색 정보를 변환하는 "Reference Point" 부분이 표시되고 있는바, 명도(lightness), 채도(saturation 또는 chroma), 및 색상(hue) 각각에 대해서 수치를 입력하여 수정 목표를 지정할 수 있다. 상기 도 3에서는 명도가 58, 채도가 40, 색상이 59의 색 정보를 가지는 변환 영상으로 수정하고 있음을 알 수 있다. 또한, 그 아래에 있는 "Color Control"이라는 인터페이스에서 명도(lightness)와 채도(saturation 또는 chroma)와 색상(hue)에 대해 조절 단추로 다시 조절을 할 수 있도록 한다. 그리고, 우측 최하단의 "Execution"이라는 인퍼페이스에는 복수의 변환 영상을 미리 보기로 다시 선택할 수 있도록 하는 "Candidates" 버튼, 명도(lightness)와 채도(saturation)와 색상(hue)에 대한 룩업 테이블을 불러낼 수 있 는 "LUT Gen" 버튼, 상기 변환 영상의 이미지를 미리 보기로 디스플레이할 수 있는 "To Image" 버튼, 및 실행을 취소할 수 있는 "Cancel" 버튼이 표시되고 있다.

한편, 상기와 같은 과정에 의해 색정보 제어부(100)는 사용자의 선호 패턴에 대한 학습 데이터(ΔL^*, ΔC^*, Δh)를 사용자의 영상 편집때마다 반복적으로 추출하게 되며, 또한, 상기 사용자의 선호도에 따라 지정된 특정 목표점의 색정보의 좌표(T_L, T_C, T_h)와 상기 원 영상을 구성하는 선호색 영역에 대한 결정 변수(P)에 대한 정보를 함께 출력하여 후술하게 될 학습부(200)로 출력하게 된다.

학습부(200)는 상기 추출된 학습 데이터(ΔL^*, ΔC^*, Δh)와 상기 특정 목표점의 좌표(T_L, T_C, T_h)와 상기 선호색 영역에 대한 결정 변수(P) 정보를 이용하여 상기 선호도에 대한 신경 회로망(210)을 학습시키게 되며, 학습부(200)는 상기 학습된 신경 회로망(210)을 이용하여 색정보 변화량(ΔL_o ^*,ΔC_o ^*,Δh_o)을 미리 예측하게 된다. 상기 신경 회로망(210)에 대해서는 도 4를 참조하여 설명하기로 한다.

도 4는 본 발명의 실시예에 따른 신경 회로망(210)을 나타내는 도면이다. 신경 회로망(Neural Network)이란 생물학적 신경망에서 아이디어를 얻어 그래프 형태와 수학적 알고리즘으로 모델링한 일종의 프로그램이나 데이터 구조 시스템을 의미하는데, 상기 신경 회로망은 생물학적 뉴런을 모델링한 유닛(Unit)들과 그 유닛 사이의 가중치 연결(Weighted-Connection)들로 이루어 지며, 각 신경 회로망 모델에 따라 다양한 구조와 독특한 학습 규칙을 가지게 된다. 본 발명에 따른 실시예 에서의 신경 회로망(210)은 상기 도 4에서 나타나듯이, 계층별로 그룹화된 처리 요소(Processing Element; PE)들의 집합으로 구성되어 있으며, 7 개의 입력 유닛을 가지는 입력 레이어(211), 6개의 유닛을 가지는 미들 레이어(212), 및 3 개의 출력 유닛을 가지는 출력 레이어(213)로 구성되고 있다. 입력 레이어(211)와 출력 레이어(213) 사이에는 여러 개의 계층이 존재할 수 있지만, 본 발명의 실시예에서는 6 개의 유닛으로 최적화된 하나의 미들 레이어(212)만을 두고 있다.

입력 레이어(211)는 상기 원 영상의 색 정보(L_i ^*, C_i ^*, h_i)와 상기 사용자의 선호도에 따라 지정되는 특정한 목표점의 색 정보(T_L, T_C, T_h), 및 상기 원 영상을 구성하는 선호색 영역 중 하나의 영역을 결정하기 위한 결정 변수 정보(P)를 입력받게 된다. 여기서, 상기 결정 변수 정보는 각 선호색 영역 별로 다른 결정 변수를 부여하게 되는데, 예를 들어 피부색(skin)에 대해서는 0, 하늘색(blue sky)에 대해서는 1, 풀색(green grass)에 대해서는 2의 값을 부여하는 것이다.

입력 레이어(211)에 상기와 같은 정보들이 입력될 경우, 신경 회로망(210)은 각 계층의 레이어들간의 연결 강도를 반영하기 위해 연결 가중치(weight)를 사용하게 되는데, 신경 회로망(210)의 출력 레이어(213)는 전달받은 상기 입력 정보와 상기 연결 가중치를 사용하여 입력값을 계산한 후 이를 이용하여 출력 레이어(213)로 출력되는 색 정보 변화량(도 1에서, ΔL_o ^*, ΔC_o ^*, Δh_o로 표시됨)을 예측하게 된다. 즉, 신경 회로망(210)은 주어진 학습 패턴의 반복 학습을 통하여 스스로 지식을 획 득하게 되는 특성을 가지므로, 출력 레이어(213)는 상기 예측된 색 정보 변화량(ΔL_o ^*,ΔC_o ^*,Δh_o)에 대한 정보를 출력하게 되는 것이다.

상기와 같은 방식에 의해 입력 영상의 색 정보를 얼마만큼 변화시킬 것인가를 미리 예측하는 신경 회로망(210)은 역전파(Back-propagation) 알고리즘을 적용하여 학습될 수 있다. 역전파 알고리즘은 다계층(multilayer) 알고리즘이며, 전방향(feedforward) 신경망에서 사용되는 학습 알고리즘이며, 학습의 방법은 지도 학습(supervised learning)을 사용하므로 학습 데이터를 추출하기 위해서는 입력 데이터와 원하는 출력 데이터가 존재해야 한다. 먼저, 입력 레이어(211)의 입력 데이터(본 발명의 실시예에서는 7 개의 데이터)를 신경 회로망(210)의 가중치(weights)와 곱하고 더하는 과정을 반복하면 입력의 결과값인 출력이 나오게 된다. 이 때의 출력은 학습 데이터에서 주어진 원하는 출력값과 다르므로, 신경 회로망(210)에서는 입력의 결과값인 출력과 원하는 출력값의 차이만큼의 오차(Target Error)가 발생하게 되며, 상기 오차에 비례하여 출력 레이어(213)의 가중치를 갱신하고, 그 다음 은닉층인 미들 레이어(212)의 가중치를 갱신하게 된다. 모든 학습 데이터에 대해 상기 오차가 미리 정해진 소정 임계치보다 작아질 때까지 가중치를 갱신하게 되는 것이다. 즉, 상기 가중치를 갱신하는 방향이 신경 회로망(210)의 처리 방향과는 반대 방향이 되는 것이다. 상기와 같이 가중치를 계속 갱신하게 되면 신경 회로망(210)이 새로운 입력 영상에 대해 얼마만큼의 색정보를 수정해야 하는지를 미리 예측할 수 있게 된다. 그 예측값이 상기 도 1과 상기 도 4에서 색정 보 변화량인 ΔL_o ^*, ΔC_o ^*, 및 Δh_o 로 표시되고 있다.

이제 새로운 입력 영상의 이미지가 본 발명의 실시예에 따른 최적 선호색 편집 장치에 입력되면, 영상 수정부(300)는 상기 새로운 입력 영상의 색 정보(도 1에서 L_inew ^*, C_inew ^*, 및 h_inew 로 표시됨)에다가 상기 예측된 색 정보 변화량(ΔL_o ^*,ΔC_o ^*,Δh_o)을 반영함으로써 상기 새로운 입력 영상을 수정한 새로운 영상이 출력되는 것이다. 영상 수정부(300)에 의해 수정된 색정보는 상기 도 1에서 L_o ^*, C_o ^*, 및 h_o 로 표시되어 출력 영상으로 향하고 있음을 알 수 있다.

한편, 도 5는 본 발명의 실시예에 따른 신경 회로망(210)을 이용하여 색 정보 변화량(ΔL_o ^*,ΔC_o ^*,Δh_o)을 예측하는 과정을 나타내는 도면이다. 상기 도 5에서 S₁, S₂, S₃, S₄, 및 S_n 은 3 차원의 선호색 영역을 의미하며, T_{L,C,h}는 선호색 영역 중에서 사용자의 선호도에 따라 지정된 특정한 목표 좌표를 의미한다. 상기 도 5에서 알 수 있듯이, 선호색 영역은 명도(Lightness), 채도(Saturation 또는 Chroma), 및 색상(Hue)의 3 개 성분으로 구성되며, 선호색 변환은 상기 목표 좌표 T_{L,C,h} 중심으로 이동시키는데 확률 변수를 이용하여 전체 색 공간의 색 정보를 변화시키게 된다.

한편, 상기와 같은 본 발명의 실시예에서 사용되는 '~부'라는 용어, 즉 '~모 듈' 또는 '~테이블' 등은 소프트웨어, FPGA(Field Programmable Gate Array) 또는 주문형 반도체(Application Specific Integrated Circuit, ASIC)와 같은 하드웨어 구성요소를 의미하며, 모듈은 어떤 기능들을 수행한다. 그렇지만, 모듈은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. 모듈은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 모듈은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 모듈들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 모듈들로 결합되거나 추가적인 구성요소들과 모듈들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 모듈들은 디바이스 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

이하에서는, 도 6을 참조하여 본 발명의 실시예의 각 단계를 설명하기로 한다. 도 6은 본 발명의 실시예에 따른 최적 선호색 편집 방법의 전체 흐름을 나타내는 도면이다.

먼저, 색정보 제어부(100)는 원 영상의 색 정보(L_i ^*, C_i ^*, h_i)와 상기 원 영상을 사용자의 선호도에 따라 변환한 변환 영상의 색 정보를 비교함으로써 상기 선호도에 관한 학습 데이터(ΔL^*,ΔC^*,Δh)를 추출하게 된다(S100). 상기 S100 과정을 구체적으로 설명하면, 선호색 영역 선정부(110)가 상기 원 영상을 구성하는 특정의 선호색 영역을 선정하게 되면, 색정보 변환부(120)가 상기 선정된 선호색 영역의 색 정보 중 적어도 하나 이상의 색 정보를 선택하여 변환함으로써 상기 변환 영상을 생성하게 되며, 학습 데이터 추출부(130)가 상기 변환 영상의 색 정보와 상기 원 영상의 색 정보를 비교하여 그 차이를 산출함으로써 상기 학습 데이터를 추출하게 되는 것이다.

상기에서 선호색 영역은 피부색(skin) 영역, 하늘색(blue sky) 영역, 및 풀색(green grass) 영역을 포함하는 의미이며, 상기 색 정보는 명도(Lightness), 채도(Chroma), 및 색상(Hue)를 포함하는 의미로 사용되는 것이 바람직하다.

상기 추출된 학습 데이터를 이용하여 학습부(200)는 사용자의 선호도에 대한 신경 회로망(210)을 학습시키고, 상기 학습된 신경 회로망(210)을 이용하여 색 정보 변화량(ΔL_o ^*,ΔC_o ^*,Δh_o)을 예측하게 된다(S200).

신경 회로망(210)은 7 개의 입력 유닛을 가지는 입력 레이어(211), 6개의 유닛을 가지는 미들 레이어(212), 및 3 개의 출력 유닛을 가지는 출력 레이어(213)로 구성되며, 역전파(Back-propagation) 알고리즘을 이용하여 학습된다. 입력 레이어(211)는 상기 원 영상의 색 정보(L_i ^*, C_i ^*, h_i), 상기 사용자의 선호도에 따라 지정된 특정한 목표점(T_L, T_C, T_h)의 색정보, 및 상기 원 영상을 구성하는 선호색 영역 중 하나의 영역을 결정하기 위한 결정 변수 정보(P)를 입력받게 되며, 출력 레이어 (213)는 예측된 색정보 변화량(ΔL_o ^*,ΔC_o ^*,Δh_o)에 대한 정보를 출력하게 된다. 상기 역전파 알고리즘과 신경 회로망(210)의 학습 과정에 대해서는 전술하였기에 여기서는 상세한 설명을 생략하기로 한다.

마지막으로, 영상 수정부(300)는 새롭게 입력되는 영상의 색 정보(L_inew ^*, C_inew ^*, 및 h_inew)를 학습부(200)에 의해 예측된 색 정보 변화량(ΔL_o ^*,ΔC_o ^*,Δh_o)을 이용하여 수정하게 된다(S300).

한편, 본 발명의 실시예에 따른 최적 선호색 편집 장치의 권리 범위는 상기와 같은 방법을 컴퓨터에서 실행하기 위한 프로그램 코드를 기록한 컴퓨터로 읽을 수 있는 기록 매체에도 미침은 당업자에게 자명하다.

이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 벗어나지 않는 범위 내에서 여러 가지로 치환, 변형 및 변경이 가능하므로 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구의 범위에 의하여 나타내어지며, 특허청구의 범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

본 발명의 실시예에 따른 최적 선호색 편집 장치 및 방법에 의하면, 사용자의 개별적인 선호도에 관한 학습 데이터를 추출하여 선호도에 대한 신경 회로망을 학습시키고 상기 학습된 신경 회로망을 이용하여 색 정보 변화량을 예측할 수 있는 효과가 있다.

본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

Claims

원 영상의 색 정보와 상기 원 영상을 사용자의 선호도에 따라 변환한 변환 영상의 색 정보를 비교함으로써 상기 선호도에 관한 학습 데이터를 추출하는 색정보 제어부;

상기 추출된 학습 데이터를 기반으로 상기 선호도에 대한 신경 회로망을 학습하고, 상기 학습된 신경 회로망에 의하여 색 정보 변화량을 예측하는 학습부; 및

입력 영상의 색 정보를 상기 예측된 색 정보 변화량에 따라 수정하는 영상 수정부를 포함하는, 최적 선호색 편집 장치.
제 1 항에 있어서,

상기 색 정보 제어부는,

상기 원 영상을 구성하는 특정의 선호색 영역을 선정하는 선호색 영역 선정부;

상기 선정된 선호색 영역의 색 정보 중 적어도 하나 이상의 색 정보를 선택하여 변환함으로써 상기 변환 영상을 생성하는 색 정보 변환부; 및

상기 변환 영상의 색 정보와 상기 원 영상의 색 정보를 비교하여 그 차이를 산출함으로써 상기 학습 데이터를 추출하는 학습 데이터 추출부를 포함하는, 최적 선호색 편집 장치.
제 2 항에 있어서,

상기 선호색 영역은 피부색(skin) 영역, 하늘색(blue sky) 영역, 및 풀색(green grass) 영역을 포함하는, 최적 선호색 편집 장치.
제 2 항에 있어서,

상기 색 정보는,

명도(Lightness), 채도(Chroma), 및 색상(Hue)을 포함하는, 최적 선호색 편집 장치.
제 1 항에 있어서,

상기 학습부는,

역전파(Back-propagation) 알고리즘을 적용하여 상기 신경 회로망을 학습하는, 최적 선호색 편집 장치.
제 5 항에 있어서,

상기 신경 회로망은,

7 개의 입력 유닛을 가지는 입력 레이어, 6개의 유닛을 가지는 미들 레이어, 및 3 개의 출력 유닛을 가지는 출력 레이어로 구성되는, 최적 선호색 편집 장치.
제 6 항에 있어서,

상기 입력 레이어는,

상기 원 영상의 색 정보, 상기 사용자의 선호도에 따라 지정된 특정한 목표점의 색 정보, 및 상기 원 영상을 구성하는 선호색 영역 중 하나의 영역을 결정하기 위한 결정 변수 정보를 입력받는, 최적 선호색 편집 장치.
제 6 항에 있어서,

상기 출력 레이어는,

상기 예측된 색 정보 변화량에 대한 정보를 출력하는, 최적 선호색 편집 장치.
원 영상의 색 정보와 상기 원 영상을 사용자의 선호도에 따라 변환한 변환 영상의 색 정보를 비교함으로써 상기 선호도에 관한 학습 데이터를 추출하는 색 정보 제어단계;

상기 추출된 학습 데이터를 기반으로 상기 선호도에 대한 신경 회로망을 학습하고, 상기 학습된 신경 회로망에 의하여 색 정보 변화량을 예측하는 학습 단계; 및

입력 영상의 색 정보를 상기 예측된 색 정보 변화량에 따라 수정하는 영상 수정 단계를 포함하는, 최적 선호색 편집 방법.
제 9 항에 있어서,

상기 색 정보 제어 단계는,

상기 원 영상을 구성하는 특정의 선호색 영역을 선정하는 선호색 영역 선정 단계;

상기 선정된 선호색 영역의 색 정보 중 적어도 하나 이상의 색 정보를 선택하여 변환함으로써 상기 변환 영상을 생성하는 색 정보 변환 단계; 및

상기 변환 영상의 색 정보와 상기 원 영상의 색 정보를 비교하여 그 차이를 산출함으로써 상기 학습 데이터를 추출하는 학습 데이터 추출 단계를 포함하는, 최적 선호색 편집 방법.
제 10 항에 있어서,

상기 선호색 영역은 피부색(skin) 영역, 하늘색(blue sky) 영역, 및 풀색(green grass) 영역을 포함하는, 최적 선호색 편집 방법.
제 10 항에 있어서,

상기 색 정보는,

명도(Lightness), 채도(Chroma), 및 색상(Hue)을 포함하는, 최적 선호색 편집 방법.
제 9 항에 있어서,

상기 학습 단계는,

역전파(Back-propagation) 알고리즘을 적용하여 상기 신경 회로망을 학습하는 단계를 포함하는, 최적 선호색 편집 방법.
제 13 항에 있어서,

상기 신경 회로망은,

7 개의 입력 유닛을 가지는 입력 레이어, 6개의 유닛을 가지는 미들 레이어, 및 3 개의 출력 유닛을 가지는 출력 레이어로 구성되는, 최적 선호색 편집 방법.
제 14 항에 있어서,

상기 입력 레이어는,

상기 원 영상의 색 정보, 상기 사용자의 선호도에 따라 지정된 특정한 목표점의 색 정보, 및 상기 원 영상을 구성하는 선호색 영역 중 하나의 영역을 결정하기 위한 결정 변수 정보를 입력받는, 최적 선호색 편집 방법.
제 14 항에 있어서,

상기 출력 레이어는,

상기 예측된 색 정보 변화량에 대한 정보를 출력하는, 최적 선호색 편집 방법.
제 9 항 내지 제 16 항 중 어느 한 항의 방법을 컴퓨터에서 실행하기 위한 프로그램 코드를 기록한 컴퓨터로 읽을 수 있는 기록 매체.