색상 이미지는 x, y, z 축의 값을 갖는 3차원 공간의 어떤 좌표값으로 나타납니다.
위 오른쪽 식의 a,b,c는 각각 어떤 센서에 받아들여지는 값을 뜻하고, 어떤 값으로 딱 나타나게 됩니다.
위 식에서 E(λ)는 빛을 뜻하고, a(λ)까지 곱한 값은 빛의 스펙트럼을 뜻합니다.
즉, 이 3가지 식이 각각의 어떤 그래프라고 할 수 있고,
빛 전체의 입력 식은
M = aP1+bP2+cP3
이렇게 구성됩니다.
위의 그림은 어떤 색상 이미지의 contiuous한 모양으로 그린 그래프 입니다.
단순 RGB 컬러 공간에서는 일부 영역에서 음수값으로 나오는 것을 볼 수 있는데, 이건 디스플레이에서 직접적으로 표현될 수 없습니다.
그래서 이걸 CIE XYZ공간에서 보게 되면, 어떤 Negetive한 영역을 볼 수 없는데, 좀 더 다양한 색상 표현이 가능하게 됩니다.
CIE XYZ공간에 표현 가능한 색상들이 위의 그림과 같이 나오고, 여기서 x,y,z값 다 더하면 1값이 된다고 합니다.
물리시간에도 많이 봤었겠지만, RGB색상을 섞으면 섞을수록 점점 밝아지는 현상이 나타납니다.
즉 잘만 섞으면 모든 색상을 다 알 수 있습니다.
여기서 Correlation(상관계수) 이야기도 빠질 수가 없습니다.
정리하자면,
색상 간의 상관성 평가: 각 채널이 얼마나 비슷한 정보, 패턴을 갖고 있는가.
특징선택: 불필요한 특징 제거 시 필요.
이미지 압축: 색상 채널 간의 상관성 분석 후, 효율적 압축.
이러한 이유로, 각 채널간 상관계수 값도 한번씩 찍어봐야 한다고 합니다.
HSV 컬러 입니다.
자연계의 RGB 컬러는 완벽한 Independent가 되지 못합니다.
즉, 독립적인 x, y, z값을 확실하게 구하기는 어려우며, 상관관계가 없다고 해도 완벽한 -1값을 가지기는 어렵습니다.
그래서 고안된게 HSV color 입니다.
RGB형태와는 다른 느낌으로, HSV는 Hue(색조), Saturation(채도), Value(명도)의 형태로 받습니다.
여기서 Y는 휘도(명암 정도)를 뜻하고, U, V값이 색상 정보를 가지고 있습니다.
그림과 같이, R,G,B 각각의 성분에서, Y값을 뺀 값이 각각 U, V값이 되는데, 색차(U,V)가 최대한 실제 값과 일치하게끔 하는것이 관건 입니다.
PSNR 식 입니다. 이는 어떤 이미지 화질의 손실 정보 평가할 때 쓰이는건데,
이 내부에 MSE식이 들어가게 됩니다.
분모에 이 MSE식이 들어가게 되는데, MSE값이 0이 되면, 측정이 안되는 식의 특성 때문에, 마냥 좋은 평가 지표는 아니라고 합니다.
위 식의 분자를 보면, 255값이 나오는데, 에러값 때문에, SNR값은 낮아질 수 있습니다. 그래서 여기서 가장 높은 값을 갖다 쓰자 해서 255값을 넣은 것이고, 이를 Peak SNR, 즉 PSNR이라고 부른다고 합니다.
하지만 PSNR은 이미지 전체에 대한 값이어서, 세부적인 수치를 모르는 문제가 있습니다.
그래서 나온게 SSIM이고, 이는
Luminance
Structural
Contrast
이 세가지 측면에서 평가를 합니다.
각각의 함수 수식은 위와같이 나오고, 여기서 C_1, C_2, C_3는 어떤 상수값, 즉 0~255값 혹은, 0~1사이의 값으로 사용됩니다.
대표적으로, 이 두개의 평가지표가 이미지 유사도를 측정할 때 널리 사용된다고 하는데, 이 두개의 값이 높다고 해서 보기에는 좋을 수도 있으나, 이걸 모델에 넣든, 뭘 하든 할 때, 크기 고려를 또 같이 해줘야 해서, 생각 잘 하고 써야할 듯 합니다.
감사합니당 ~ 🦾