다중노출 영상 생성 및 융합 신경망을 이용한 위성영상 대비 개선 방법

국문 초록 (Abstract)

본 학위 논문은 다중노출 영상 생성 신경망과 융합 신경망을 이용한 위성영상의 대비 개선 방법을 제안한다. 제안하는 두 개의 신경망을 이용하여 대비 개선 신경망을 구성하였다. 첫 번째는 다중노출 영상을 생성하는 신경망이며 두 번째는 가중치 생성 및 다중노출 영상을 융합하는 신경망이다. 다중노출 영상 신경망은 입력 저대비 영상과 정규화 영상을 이용하여 평균 밝기가 점진적으로 증가하는 다중노출 영상을 생성한다. 가중치 생성 및 융합 신경망은 생성된 다중노출 영상들을 정교하게 합성하기 위한 각 영상에 대한 가중치를 생성하고 융합을 수행한다. 실험 결과에서 제안하는 방법이 기존의 대비 개선 방법들과 비교하여 신호 포화 현상이나 색상 왜곡 없이 강인한 대비 개선 결과 영상을 제공할 수 있음을 보인다.

다국어 초록 (Multilingual Abstract)

This thesis proposes multi-exposure image generation and fusion networks for low contrast satellite image enhancement. The contrast enhancement network consists of two sub-networks: i) multi-exposure generation network (MEGN) and ii) weight generation and fusion network (WGFN). The MEGN generates a set of multiple images having gradually increasing brightness from a single input low contrast image and its standardized version. The WGFN generates the high-contrast satellite image by blending multi-exposure images using the weight maps. Experiment result demonstrated that the proposed method can achieve significantly improved contrast enhancement performance without saturation and color distortion artifacts.

목차 (Table of Contents)

• 제 1장 서 론 1
• 1.1 연구 배경 1
• 1.2 연구 내용 2
• 1.3 논문 구성 3
• 제 2장 종래 기술 및 배경 이론 4
• 2.1 히스토그램 평활화 기반 방법 4
• 2.2 감마 보정 기반 대비 개선 방법 6
• 2.3 레티넥스 모델 기반 대비 개선 방법 7
• 2.4 동적 범위 개선 방법 10
• 제 3장 다중노출 영상 생성 및 융합 신경망 12
• 3.1 점진적 다중노출 영상 생성 신경망 13
• 3.2 가중치 생성 및 영상 융합 신경망 20
• 3.3 손실 함수 및 학습 전략 22
• 3.3.1 점진적 다중노출 영상 생성 신경망 학습을 위한 손실 함수 22
• 3.3.2 가중치 생성 및 영상 융합 신경망 학습을 위한 손실 함수 25
• 제 4장 실험 및 성능 평가 27
• 4.1 데이터 셋 및 실험 조건 27
• 4.2 실제 환경에서 획득된 위성영상을 이용한 성능 평가 29
• 4.3 제안하는 대비 개선 신경망 성능 분석 45
• 제 5장 결론 및 추후 연구 51
• 참고문헌 52
• 국문초록 57
• Abstract 58