논문 2012-50-3-11
적록 색각 이상자를 위한 HSV색공간을 이용한 색변환 기법
( Re-coloring Methods using the HSV Color Space for people with the Red-green Color Vision Deficiency )
김 현 지*, 조 재 영*, 고 성 제***
( Hyun-Ji Kim, Jae-Young Cho, and Sung-Jea Ko )
요 약
본 논문에서는 적록색각 이상자를 위한 색 변환 알고리즘을 제안한다. 적록색각 이상자는 원추세포의 이상으로 인해 색상과 명도를 일반인과 다르게 인지하기 때문에 적색과 녹색의 구분에 어려움을 겪는다. HSV 색공간은 이러한 특성을 파악할 수 있 는 인간의 색지각과 유사한 색 공간으로, 제안하는 방법에서는 HSV 색 공간에서 색상과 명도를 보정하여 색을 변환 한다. 이 때 색상과 명도 보정정도는 개개인의 색각이상 심각도에 따라 다르게 결정된다. 색각 이상자 개개인에 따라 다른 보정정도를 적용함으로서 기존 이미지의 자연스러움은 유지 하고 구분하기 힘들었던 색상들도 구분 가능하게 변환된다. 제안하는 방법을 색각 이상자에게 적용하여 시뮬레이션으로 확인한 결과, 색각 이상자가 구분하기 힘든 색상들이 색상의 자연스러움을 유지하 면도 색차를 인지할 수 있는 색으로 변환되는 것을 확인할 수 있었다.
Abstract
This paper proposes a new re-coloring method for the people with the red-green color vision deficiency (CVD). These people have difficulty in discriminating the red and green colors since they abnormally perceive the hue and luminance value of the colors. We introduce a color transformation that adjusts the hue and luminance value in HSV color space.
The color transformation is determined according to the severity of CVD. Our aim is to maintain the color differences in original image while maintaining the recolored image to be natural to the people with normal color vision. Experimental results show that the proposed method can yield more comprehensible images for the people with red-green CVD while maintaining the naturalness of the recolored images.
Keywords: Color vision deficiency, Recoloring, HSV color space, Hue, Value
Ⅰ. 서 론
현대 사회에서는 다양한 영상매체의 개발과 기술의 발달로 다채로운 색을 사용하고 서로 공유하고 있다.
그리나 이러한 기술의 발달은 색을 구분하는 능력에 문
* 학생회원, ** 평생회원, 고려대학교 전기전자전파공학부 (School of Electrical Engineering, Korea
University)
※ 본 연구는 삼성전자에서 지원받는 스마트 폰 에서 의 시각 장애인을 위한 응용 소프트웨어 개발 과제 와 2012년도 정부(교육과학기술부)의 재원으로 한국 연구재단의 지원을 받아 수행된 연구임
(No. 2012R1A2A4A01008384).
접수일자:2012년10월5일, 수정완료일:2013년2월19일
제가 있는 색각 이상자(CVD) 들에게는 색으로 의사소 통 하는데 있어서 불편함을 발생 시켰다.
색각이상은 망막 상에 있는 장 (L), 중 (M), 단 (S) 파장 각각에 반응하는 세 가지 원추세포에 이상이 있을 때 발생한다[1]. 세 가지 원추세포 중 하나가 결핍되었을 때 2색형 색각이상(Dichromacy)이라 하며 그 중 L-원 추세포 결핍으로 발생하는 유형을 제1색각이상(적색맹), M-원추세포 결핍으로 발생하는 유형을 제2색각이상(녹 색맹), S-원추세포 결핍으로 발생하는 유형을 제3색각 이상(황청색맹) 이라고 부른다. 색약(Anomalus trichromacy)은 세 종류의 원추세포 중 하나가 정상적 인 경우와는 다른 파장에 반응하면서 나타나는 증상이
며 제1색약(적색약), 제2색약(녹색약), 제3색약(청색약) 으로 분류한다. 전 세계 남성 인구의 약 8%, 여성 인구 의 약 0.5%가 색각이상이며[2] 한국의 경우 남자 5.9%, 여자 0.44%가 색각 이상자로 알려져 있다[3].
색각이상을 의학적으로 치료하는 방법이 지금까지는 존재하지 않기에 현재로서는 색각이상 안경이 색각이상 을 보정해주는 주요 기구이다. 이 안경은 간단한 색 필 터를 통해 색구분이 가능하도록 해주지만 다른 색 구분 에 혼동을 가져오는 문제를 가지고 있다[4]. 따라서 색 을 변환 하여 문제를 해결하는 다양한 영상처리 기술들 이 색각이상 보정에 사용되고 있다[13,14]. 그중 색각이상 자가 인지하지 못하는 색을 변환시켜주는 달토니제이션 기법이 지속적으로 개선되어 왔고[13], RGB 색 공간 뿐 만 아니라 CIE Lab 색 공간에서도 색각이상자를 위한 색 변환이 시도되었다[14]. 최근에는 웹사이트나 모바일 기기에 적용하기 위해 색 변환 속도에 중점을 둔 방법 들이 제안되었다[5,6]. 이 방법들은 자기조직화지도 (SOM)로 미리 만들어진 코드북(Code book) 을 사용하 여 색 변환하는 알고리즘[7]을 HSV 색 공간에서 변환하 는 방식으로 대체하여 빠르게 색 변환을 적용 할 수 있 도록 개선하였다. 그러나 단순한 색 변환으로 인해 원 영상이 부자연스러운 영상으로 변환 되었고 변환된 색 상간의 차이가 없어지는 문제가 발생 하였다.
본 논문에서는 색각 이상자의 HSV 색 공간에서의 특성을 분석하여 색상(Hue) 와 명도(Value)에서 색각이 상의 심각도에 따라 최적화된 색 변환을 제안한다. 색 상 보정에서는 색각 이상자가 구분할 수 없는 구간을 축소하고 구분 가능한 구간을 확대하여 색상 구분이 가 능하도록 한다. 다음 명도 보정에서는 미리 색각이상 심각도에 따른 명도 보정 정도를 모델링하여 명도를 보 정해야 하는 색상구간에서 구분가능한 색으로 명도를 보정하여 기존의 방법보다 향상된 결과를 도출 하였다.
Ⅱ. 현상 분석 및 기존 방법
1. HSV 색공간에서 색각 이상자 특성 분석 색각 이상자는 손상된 원추세포로 인해 일반인과 다 르게 색을 인지하게 되는데 수치적인 분석을 위해 지각 (Perception)에 의한 색공간인 HSV에서 색각 이상자의 특성을 분석하였다.
가. HSV 색공간
HSV 색공간은 색상(Hue), 채도(Saturation), 명도
0 100 200 300
1 24 47 70 93 116 139 162 185 208 231 254 277 300 323 346
RGB value
Hue angle
R G B
0 60 120 180 240 300 360
section1 section2section3section4section5 section6
그림 1. 색상(Hue)의 RGB Fig. 1. Hue to RGB.
0 100 200 300 400
1 24 47 70 93 116 139 162 185 208 231 254 277 300 323 346
Output Hue angle
Intput Hue angle
Normal_H CVD_H Three hue
60° 180°
240°
0 60 120 180 240 300 360
section1 section2section3section4section5 section6
(a)
0 50 100 150 200 250 300
1 24 47 70 93 116 139 162 185 208 231 254 277 300 323 346
value
Hue angle
Normal_V CVD_V Normal_S CVD_S
0 60 120 180 240 300 360
section1 section2section3section4section5 section6
(b)
그림 2. 일반인(Normal)과 색각 이상자(CVD)의 HSV (a) 색상(hue) (b) 색상에서 채도(S)와 명도(V) Fig. 2. HSV of Normal vision and CVD.
(a) Hue (b) Saturation(S) and Value(V).
(Value)로 이루어진 3차원 공간의 Munsell 좌표계이다.
색상 값 H는 색상환(Color circle)에서 빨강을 0° 기준 으로 하였을 때 상대적인 각도인 0°에서 360°의 값으로 표시하며 0°와 360°는 같은 빨강이다. 채도 값 S와 명도 값 V를 최대값 255라 하였을 때 색상을 RGB로 변환하 면 그림 1과 같이 나타낼 수 있다. 변환한 RGB가 0부 터 255까지 변하는 특성을 기준으로 색상 구간을 나누 면 H는 그림 1과 같이 60° 단위로 나뉜다. 구간 1, 6은 R이 가장 큰 값을 가지는 적색구간, 구간 2, 3은 G가 큰 녹색구간, 구간4와 구간 5는 B가 가장 큰 청색 구간 이다.
나. 색각 이상자의 HSV 색공간
색각 이상자는 일반인과 다르게 색을 인지하는데 다 음은 색각이상 시뮬레이션[10]을 사용하여 적색맹을 HSV 색 공간에서 분석한 결과이다. 그림 2(a)의 결과 를 보면 일반인은 모든 색상 값을 그대로 인지하나 적 색맹은 두 가지 색상 값만 인지하였다. 즉 일반인과 동 일하게 색상을 보는 곳은 60°, 240° 두 곳뿐이었으며 180°에서 두 색상이 구분되었다.
그림 2(b)는 색상 값에서의 명도와 채도 변화를 측정 한 결과이다. 우선 명도를 보면 구간 1과 구간 6, 즉 적 색구간에서는 적색맹이 명도를 원 명도보다 어둡게 인 지하였다. 채도는 구간 3에서 감소하고 구간 4에서 다 시 증가하였다가 구간 6에서 다시 감소와 증가를 반복 하는 모습을 보였다.
다. 색각이상 시뮬레이션
본 논문에서는 설명의 편의를 위하여 적록 색각이상 중 적색각이상을 기준으로 제안하는 방법을 설명한다.
적색각이상은 적색과 녹색의 구별 능력이 부족하고 일 반인보다 적색을 더 어둡게 인지하는 적색맹 (Protanopia)과 적색약(Protanomaly)이 있다. 색 변환을 위해서는 색각 이상자가 색상을 어떻게 인지하는지 수 치적으로 분석해주는 색각이상 시뮬레이션이 필요하다.
기존의 색각이상 시뮬레이션으로는 Simith 와 Pokorny 가 모델링한 색약자의 색각특성[8]을 반영한 Brettel et al[9]의 시뮬레이션과 Machado G. M.의 시뮬레이션[10]이 있다. 그 중 Brettel et al의 방법은 색맹만을 모델링해 서 색약을 시뮬레이션 할 수 없었기에 제안하는 알고리 즘에서는 Machado G. M.의 시뮬레이션을 사용해 실험 하였다.
2. 기존 알고리즘
기존의 웹사이트를 위한 색변환 알고리즘[5]은 기존의 자기조직화(Self-organizing)를 사용한 색변환 방법[7]을 HSV 색 공간에서의 색 변환을 사용하여 빠르게 개선 하였다.
가. 자기조직화(Self-organizing) 색 변환
적색맹은 적색과 녹색의 구별 능력은 부족하지만 황 색과 청색의 구분은 가능하다. 자기 조직화를 사용한 색변환 방법[7]에서는 그림 3(a)과 같이 미리 청색(Blue) 과 황색(Yellow)을 명도별로 배열해 SOM (Self-organizing map)[11]을 만든다. 이 SOM은 입력 이
Image
Pixel
(R,G,B) Self
organizing SOM
Black Blue
Yellow White
(a)
Red Range Yellow
Green Range
Blue Range Maintained Blue Range Image
Pixel (R,G,B)
300 0
360 60 120 180 240 300
section6 section1 section2 section3 section4 section5
<Hue>
Red Range Green Range Blue Range
(b)
그림 3. 기존 알고리즘 (a) 자기조직화(self-organizing) 색변환[7] (b) HSV 색변환[5]
Fig. 3. Conventional algorithm (a) Self-organizing color transformation[7] (b) HSV color transformation[5].
미지의 픽셀 값과 자기조직화 방법을 통해 연결되어 코 드북(Code book)을 생성한다. 이후 코드북을 사용해 색 을 변환하면 색각 이상자용 이미지가 만들어진다. 그러 나 이 방법은 코드북을 만드는 복잡도가 높아 실시간 색 변환에는 적합하지 않다.
나. HSV 색 변환
HSV 색 변환은 자기조직화의 변환 색상과는 동일하 게 색 변환하면서 코드북을 사용하지 않아 복잡도를 개 선하였다. 이를 위해서 HSV 색 변환 방법[5]에서는 RGB와 색상(Hue)만을 사용하여 적색은 황색으로 녹색 은 청색으로 변환하였다. 그림 3(b)과 같이 적색을 황색 으로 변환시키기 위해서는 G값이 R값과 동일하게 될 때 까지 증가하여야 한다. 녹색구간의 색은 청색구간의 구간 4로 녹색 구간에서의 비율을 청색 구간에 맞춰 색 상을 옮김으로서 청색으로 변환한다. 이 방법은 빠르게 색을 변환할 수 있는 이점이 있지만 색상간의 중복이 일어나 자연스럽지 못한 영상을 만들어내는 문제가 발 생하였다. 따라서 색상간의 중복이 없으면서 자연스러 운 영상 변환이 가능한 색변환 알고리즘을 제안한다.
Ⅲ. 제안하는 알고리즘
제안하는 알고리즘은 크게 두 부분으로 나눠져 있다.
첫째, 색각이상 심각도에 따른 색상 구간의 색상보정이 며 두 번째는 명도 변화 모델링을 바탕으로 하는 명도 보정이다.
1. 색상(Hue) 보정
색각 이상자는 원추 세포 이상으로 인해 기존의 모든 색상을 구분할 수는 없다. 그러나 명도나 채도의 차이 로 색상 간의 차이를 구분하게 된다. 명도나 채도로도 구분할 수 없는 색상의 경우 제안하는 알고리즘에서는 다음의 세 가지 방법을 바탕으로 한 색상 보정으로 문 제를 해결하였다.
가. 색각이상의 기준 색상(Standard hue) 유지 색각이상의 심각도는 개개인에 따라 다르며 색맹은 심각도가 1.0, 색각이상 심각도가 색맹보다 약한 색약은 심각도가 1.0 미만이다. 그림 4(a)는 적 색각이상이 심 각도에 따라 어떻게 색상을 인지하는지 보여준다. 색맹
0 100 200 300 400
1 24 47 70 93 116 139 162 185 208 231 254 277 300 323 346
Output hue angle
Input hue angle
Normal CVD 1.0 CVD 0.8 CVD 0.5 Standard hue
60°
180°
240°
0 60 120 180 240 300 360
section1 section2section3section4section5 section6
(a)
0 100 200 300
1 24 47 70 93 116 139 162 185 208 231 254 277 300 323 346
Value
Hue angle
H S V
section2 section5
60 120 240 300
(b) 그림 4. 색상보정의 기준
(a) 기준 색상 (b) 문제 색상구간 Fig. 4. Standard of hue correction
(a) Standard hue ‘](b) Problem hue interval.
의 경우는 모든 색상을 60°와 240°색상으로 보며 색약 의 경우는 색맹보다는 많은 색상을 구분할 수 있지만 일반인과 동일하게 보는 색상은 60°, 180°, 240° 세 곳뿐 이다. 즉 위의 결과는 색각 이상자가 0°에서 360°의 색 상 중 세 가지 색상을 제외한 나머지 색상을 모두 일 반인과 다르게 보고 있다는 것을 의미한다. 색상보정의 첫 번째 기준은 색상을 보정 할 때 일반인과 동일하게 보는 위의 세 가지 색상은 기준 색상으로 지정하고 변 환하지 않는 기준점으로 삼는 것이다.
나. 색각이상의 문제 색상(Problem hue) 구간 축소 색각이상은 색상뿐만 아니라 명도와 채도도 일반인 과 다르게 인식하는데 색상의 차이를 색상이 아닌 명 도와 채도로 구분한다. 예를 들어 적색맹의 경우는 적 색과 녹색의 차이를 구분하는 능력이 떨어지나 적색을 녹색에 비해 어둡게 인지함으로서 적색과 녹색을 구 분할 수 있다. 그러나 이런 명도와 채도 차이로도 구분 할 수 없는 색상 구간이 존재하는데 적색맹의 경우는 그림4(b)의 구간 2와 구간 5이다. 다른 구간은 색상의 변화가 없는 경우 명도나 채도의 변화가 있으나 구간 2와 구간 5의 경우는 색상과 채도, 명도 모두 변화가 없어 적색맹은 모두 같은 색상으로 인식한다. 색상보정 의 두 번째 기준은 위와 같이 구분할 수 없는 색상을 문제 색상이라 지정하고 이 색상구간을 축소하는 것이 다. 그림 5(a)는 적색맹의 문제색상을 축소하는 과정을 보여준다. 구간 2와 구간 5는 그림 4(b)에서 확인하였 듯이 적색맹의 문제색상 구간이다. 색상을 축소할 때 색상보정의 첫 번째 기준인 기준색상을 유지하며 축소 해야 하므로 적색맹의 기준색상인 60°, 180°, 240° 색상 은 고정하고 구간 2와 구간 5를 축소한다. 그 후 구간 3과 구간 6이 확대하여 축소한 구간을 대체 하여 색상 을 보정하게 된다.
다. 색각이상 정도에 따른 색상 보정
색각이상의 정도가 약할수록 볼 수 있는 색상이 증가 하며 이에 따라 문제색상 구간을 색각이상 심각도에 맞 게 축소한다. 제안하는 알고리즘은 색각이상 심각도를 나타내는 색각이상 변수(CVD parameter)에 따라 구간 축소 정도를 결정한다. 본 논문에서는 색각이상 변수가 1.0, 즉 색맹일 때 문제색상 구간을 50° 축소하였고 정 상(0.0)일 때는 0° 축소하였다. 색맹 축소는 구간 하나 길이인 최대 60°까지 가능하나 본 논문에서는 구간 경 계 부분의 급격한 색 변환을 방지하기 위해 50°로 지정
0 60 120 180 240 300 360
section2 section5
60 70 240 250
Normal hue CVDhue
Normal hue CVDhue
Standard hue
section3 section6
(a)
0 100 200 300 400
1 18 35 52 69 86 103 120 137 154 171 188 205 222 239 256 273 290 307 324 341 358
Output hue angle
Input hue angle
Change H Original H
0 60 120 180 240 300 360
Normal hue
section3 section6
parameterCVD
CVD parameter
(b)
그림 5. 색상보정의 기준 (a) 문제 색상 구간 축소 (b) 색각이상 변수
Fig. 5. Standard of hue correction (a) Reduction of problem hue interval (b) CVD parameter.
하였다. 색각이상 변수가 0.0에서 1.0 사이인 경우는 축 소 값을 선형적으로 계산하였다. 그림 5(b)는 색각이상 변수에 따라 보정된 적색맹의 색상 그래프이다. 이로서 모든 색상에 대한 색상보정 그래프가 완성 되었다.
2. 명도(Value) 보정
색각 이상자의 경우에 색상을 보정하여도 명도가 일 반인 보다 현저하게 낮아지는 색상의 경우는 색을 구분 하기 어렵다. 따라서 본 연구에서는 명도를 보정하되 색각 이상자가 구분 가능한 색으로 보정하는 방법을 제 안한다.
가. 명도 보정이 필요한 색상 구간
그림 2(b)에서 볼 수 있듯이 적색맹은 구간 1과 구간 6에서 일반인에 비해 색상을 어둡게 인식한다. 이것은 녹색에 비해 적색을 어둡게 인지함으로서 색상 구분에
도움을 주지만 0°인 적색에 가까워질수록 명도가 0에 가까워져 기존 영상보다 어두워지는 결과를 가져온다.
따라서 색각 이상자를 위한 색 변환의 경우는 구간 1과 구간 6에서 색상 보정 뿐 아니라 명도보정도 필요하다.
나. 명도 차이(∆V) 모델링
명도보정을 위해서는 우선 일반인과 색각 이상자의 명도 차이에 관한 수치적인 분석이 필요하다. 시뮬레이 션을 통해 적색맹과 적색약인 경우 색상 0°∼60°인 구 간 1과 300°∼360°인 구간 6에서 색각 이상자가 일반인 과 다르게 명도를 인식 하는 것을 알 수 있다. 따라서 구간 1과 구간 6에서 일반인과 색각 이상자의 명도차이 (∆V)를 모델링하면 그 결과는 그림 6(a)과 같다. 단 50°에서 60°인 구간은 적 색각이상의 특성상 명도보정 이 필요하지 않아 제외한다. 왼쪽 그림은 구간 1 즉 색 상이 0°에서 50°일 때 적색맹의 ∆V 이며 오른쪽 그림 은 구간 6, 색상이 300°에서 360°일 때 적색맹의 ∆V이 다. ∆V는 일반인이 인지하는 명도 Vnormal와 색각 이상 자가 인지하는 명도 Vcvd의 차이로 다음과 같이 나타낼 수 있다.
.(1)
0 50 100 150 200 250
1 33 65 97 129 161 193 225
∆V
Input value
H 40°
H 30°
H 20°
H 10°
H 0°
H 50°
Section 1 0° ~ 50º
H 310°
H 320°
H 330°
H 340°
H 360°
H 350°
Section 6 300° ~ 360º
H 300°
0 50 100 150 200 250
1 33 65 97 129 161 193 225
∆V
Input value
(a)
0 50 100 150 200 250 300
1 14 27 40 53 66 79 92 105 118 131 144 157 170 183 196 209 222 235 248
Output value
Input value
Hue 0º Normal
CVD 0.1 CVD 0.2 CVD 0.3 CVD 0.4 CVD 0.5 CVD 0.6 CVD 0.7 CVD 0.8 CVD 0.9 CVD 1.0
(b)
그림 6. 명도보정 (a) 색상별 ∆V (b) Hue가 0°일 때 색 각이상 심각도에 따른 V
Fig. 6. Value correction (a) ∆V of hue (b) (Hue 0°) V of CVD parameter.
CVD severity 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0
H 0° Vmax 39 52 66 82 98 117 137 161 187 218 255
H 350° Vmax 44 44 58 74 92 111 132 157 184 217 255 표 1. 색각이상 심각도에 따른 Vmax
Table 1. Vmax versus for different CVD severity.
구간 1과 구간 6의 ∆V를 나타낸 그림 6(a)에서 H 0°∼
50°와 H 350°∼300°인 경우 H당 최대 ∆V의 간격이 일 정하나 H 350°∼360°인 구간은 간격이 일정 하지 않은 특성을 지닌다. 따라서 구간 1은 (0°∼50°), 구간 6은 (300°∼350°), (350°∼360°)으로 나눠 모델링 한다.
다. 색각이상 정도에 따른 명도보정
명도 또한 색상보정과 같이 색각이상 정도에 따라 보 정해야 하는 정도가 다르다. 그림 6(b)은 색상이 0°일 때 색각이상 심각도에 따른 명도를 보여준다. 색각이상 변수가 1.0에 가까워질수록 일반인(Normal)에 비해 명 도를 낮게 인지하였고 색각이상 변수가 0.0에 가까워질 수록 일반인과 가깝게 인지하였다. 명도 최대 값 Vmax
는 색상 H에 따라 색각 이상자가 인지할 수 있는 명도 의 최대 값이며 본 연구에서는 적 색각이상의 ∆V를 모델링하기 위해 필요한 색상인 0°(360°), 350°의 Vmax
만 표 1에 표기하였다. 위의 결과들을 바탕으로 ∆V 는
×
×
(2)
으로 모델링 될 수 있다.
H와 V는 각각 원영상의 픽셀의 색상 값과 명도 값 이며 H가 속한 구간은 H1에서H2사이, 즉 앞에서 모델 링한 0°∼50°, 300°∼350°, 350°∼360° 구간중 하나이다.
𝛼 는 색상이 H2 일 때 색각이상 심각도에 따른 Vmax값, 𝛽 는 색상이 H1 일 때 색각이상 심각도에 따른 Vmax값 이다. 다음 표 2는 적색맹의 경우 수식 2에 들어가는 구 간의 변수 값이다. 적 색각이상은 색상구간 0°∼50°, 300°∼350°, 350°∼360°에서 ∆V 모델링이 필요하다.
위와 같이 구간별로 ∆V 모델링이 끝나면 명도보정 과 색상 보정이 동시에 가능한 RGB 색 공간에서 명도 보정을 한다. 적색맹의 경우는 적색 R과 녹색 G를 구별 하는 원추세포에 문제가 있으므로 청색인 B값으로 보 정을 하게 되는데 B값에 3∆V만큼 더해 보정한다. 단 여기서 개인의 선호도에 알맞은 색 변환을 가능하게 하 는 사용자 변수(User parameter) 𝜇 를 지정하여 색각
Section 0°∼50° 300°∼350° 350°∼360°
H1 0 300 350
H2 50 350 360
𝛼 255 44 39
𝛽 39 255 44
표 2. 적색맹의 ∆V 변수 Table 2. ∆V's values for protanope.
Input Original Hue Table
Hue correction Value correction
CVD parameter
Hue TableNew
∆VTable Initial Setting
Input RGB
RGB to HSV Input
Hue Hue Conversion
Output Hue HSV to RGB
Output RGB
Value Conversion Input Value User parameter
Hue Table ∆VTable
Output RGB
그림 7. 제안하는 알고리즘의 흐름도
Fig. 7. Block diagram of the proposed algorithm.
이상자 개인이 보정 정도를 결정 할 수 있게 하였다. 사 용자가 𝜇 를 0에서 1 사이로 지정하면 최종 변환된 B' 는 다음과 같다.
×
(3)
그림 7은 제안하는 알고리즘을 적용하는 과정을 보 여준다. 제안하는 알고리즘을 사용하여 초기에 색상테 이블과 ∆V테이블을 생성한 후 입력으로 들어온 영상
각각의 픽셀 값을 테이블을 사용하여 색상보정과 명도 보정을 거쳐 변환 한 픽셀 값으로 출력한다.
Ⅳ. 실 험
색각 이상자를 위한 알고리즘을 평가하기 위해 본 연 구에서는 두 가지 지표를 사용하였다. 첫 번째 지표는 색 차이를 나타내는 색차(Color difference)이다. 일반인 에게 구분 가능한 색이지만 색각 이상자에게는 구분가 능하지 않은 색의 변환 정도를 이 지표를 사용하여 수 치적으로 계산하였다. 두 번째 지표는 색각 이상자가 보기에도 자연스러운 영상인지 판단하는 자연도 (Naturalness)이다. 기존 알고리즘들[5,6]은 과한 색 변환 으로 인해 부자연스러운 영상이 만들어지는 단점이 있 었다. 제안하는 알고리즘에서는 이 문제가 어떻게 개선 되었는지 자연도 지표를 사용하여 확인 하였다.
1. 색차(Color difference) 평가
인간의 색지각인 주관적 색차를 객관적인 데이터로 다루기 위해 미국 국가 표준국에서는 다음 표 3과 같은 NBS 단위를 지정하였다. NBS 단위는 CIE Lab 색차 식 ∆E에 0.92를 곱한 값과 대응하며 ∆E식은 다음과 같다.[12]
(4)
CIE Lab 색공간에서 L*는 명도, a*는 적색-녹색, b*는 노란색-파란색을 나타낸다.
본 연구에서는 원본 영상의 색상들 중 일반인에게는 NBS 단위가 12이상으로 다른 색상이지만 색각 이상자 가 보기에는 NBS 단위 3.0이하로 유사하게 보이는 색 상들을 대상으로 실험하였다. 그림 8과 같이 위의 NBS 조건을 만족하는 색상들 중 원본 영상의 색차를 ∆EO,
Assessment word NBS units Trace
Slight Noticeable Appreciable
Much Very much
0.0 ∼ 0.5 0.5 ∼ 1.5 1.0 ∼ 3.0 3.0 ∼ 6.0 6.0 ∼ 12.0
12.0 ∼ + 표 3. NBS 단위와 평가어의 관계
Table 3. Relationship between NBS unit and assessment word.
Original
NBS > 12
∆EO
CVD
NBS < 3
∆ECVD
S
그림 8. 색차 유사도 S 예
Fig. 8. Example of color difference similarity.
CVD 0.1 0.2 0.3
9.17 7.15 15.95
23.18 μ
S
μ μ
S S S
그림 9. 사용자 변수𝜇 에 따른 색차 유사도 S Fig. 9. Color similarity for different.
색각이상 영상의 색차를 ∆ECVD라 할 때 일반인과 색 각 이상자의 색차 유사도 S는 다음과 같이 구한다.
. (5)
S 값이 작을수록 일반인이 인지하는 색차와 색각 이상 자가 인지하는 색차가 비슷하다는 것을 의미한다. 본 연구에서는 영상의 영역별 색상차를 비교하기 위하여 영상을 RGB 값으로 클러스터링한 후 클러스터의 중심 값을 픽셀 값 대신 사용하였다. 클러스터 방식은 RGB 가 각각 5단계로 나뉜 125개의 클러스터를 사용하였다.
그림 9는 사용자 변수 𝜇 에 따른 색차 유사도 S를 보 여준다. 사용자 변수가 커질수록 더 많은 명도 보정을 함으로써 원본과 유사한 색차를 가지게 됨을 S 값으로 확인 할 수 있다. 그림 10은 여러 영상에 기존의 방법[5]
과 제안하는 방법을 적용한 결과이다. 영상은 4가지 종 류를 사용 하였으며 왼쪽 열부터 차례대로 일반인 영 상, 적색맹 영상, 기존의 방법을 적용한 적색맹 영상, 제 안하는 방법을 적용한 적색맹 영상이다. 결과 영상은 모두 사용자 변수가 0.3일 경우이다. 표 4는 그림 10의 영상들에 대한 색차유사도 S이다. 그 결과 제안하는 방 법이 색각 이상자나 기존의 방법 보다 일반인의 색차와 유사하게 느끼는 것을 확인 할 수 있었다. 즉 색각 이상 자가 구분 할 수 없었던 색상이 제안하는 방법을 적용 한 결과 일반인의 색차에 가까운 색차를 가지도록 색 변환 되어 일반인과 비슷한 색상 구분 정도를 가지게 되었다.
Normal Original Conventional Proposed
(a)
(b)
(c)
(d)
Protanope Simulation
그림 10. 예시 영상들과 각각의 적색맹 시뮬레이션 결과, 그리고 기존 방법[5] 과 제안하는 방법의 적색맹 시뮬레이션 결과 (a) 영상 1 (b) 영상 2 (c) 영상 3 (d) 영상 4
Fig. 10. Exemplary images and simulation results for protanopia, the simulation results of the conventional method and proposed method. (a) Image 1 (b) Image 2 (c) Image 3 (d) Image 4.
S CVD Conventional[5] Proposed Image 1 23.18 10.73 7.15 Image 2 20.77 16.34 9.37 Image 3 26.64 10.82 7.07 Image 4 22.99 17.18 6.74 표 4. 색차 유사도 S
Table 4. Color difference similarity S.
2. 자연도(Naturalness) 평가
색각 이상자가 구분하지 못하는 색 뿐만 아니라 다른 색상까지 과도하게 변화를 주는 색 변환은 오히려 색각 이상자에게 혼동을 준다. 따라서 색각 이상자가 보는 영상을 크게 변화시키지 않으면서 혼동 색은 구분되도 록 변화시켜주는 색 변환이 필요하다. 혼동 색이 구분 가능한 색으로 변환되었는가의 평가는 위의 색차 평가 에서 확인 하였다. 두 번째 평가 지표는 색각 이상자가 보는 영상을 얼마나 자연스럽게 유지했는지 평가하는 자연도 N 이며 N은 다음과 같이 나타낼 수 있다.
. (6)
N은 원본 색각 이상자 영상의 RGB와 색변환 한 색각 이상자 영상의 RGB 차로 나타낼 수 있으며, 영상의 모
N Conventional[5] Proposed Image 1 61.11 33.76 Image 2 34.52 16.52 Image 3 82.02 46.57 Image 4 50.75 47.68
표 5. 자연도 N
Table 5. Naturalness N.
CVD 1.0 CVD 0.9 CVD 0.8 CVD 0.7
그림 11. 색각이상 변수에 따른 제안하는 방법의 색각이 상 시뮬레이션 결과
Fig. 11. Simulation results of the re-colored images by the proposed method.
든 픽셀에 대한 N 합을 픽셀 개수로 나누면 영상 전체 의 N을 구할 수 있다. N 값이 작을수록 색변환 된 영 상이 원본 영상과 유사하므로 색각 이상자가 자연스럽 게 인식할 수 있다. 그림 10의 기존 방법[5]을 적용한 영 상과 제안하는 방법을 적용한 영상들의 자연도 N은 다 음 표 5와 같다. 그 결과 기존 방법보다 제안하는 방법 이 색각 이상자가 보는 원본을 최대한 유지시켜 자연스 러운 색 변환이 되는 것을 확인 할 수 있었다.
제안하는 방법은 색맹 뿐 아니라 색약에도 적용된다.
그림 11은 색각이상 변수에 따른 색변환 결과를 색각 이상 시뮬레이션에서 본 결과이다. 본 실험결과에서는 색각이상 심각도가 1.0 즉 색맹일 때 사용자 변수 𝜇 를 0.3로 설정한 후, 색각이상 심각도가 0.1씩 감소할 때마 다 사용자 변수를 0.06씩 감소시켰다.
3. 녹색맹(Deuteranope) 결과
본 논문에서는 적록 색각이상 중 적색각이상을 기준 으로 실험 하였으나 녹색각이상도 같은 알고리즘으로
0 100 200 300 400
1 24 47 70 93 116 139 162 185 208 231 254 277 300 323 346
Output hue angle
Input hue angle
Normal protanope Deuteranope Standard hue
60°
180° 240°
160°
그림 12. 적색각이상과 녹색각이상의 기준색상 Fig. 12. Standard hue of protanope and deuteranope.
OriginalProposed
Image1 Image2 Image3 Image4
Deuteranope Simulation
그림 13. 예시 영상들과 제안하는 방법의 녹색맹 시뮬레 이션 결과
Fig. 13. Results of deuteranope simulation with exemplary images the proposed method.
적용가능하다. 단 그림 12에서 확인할 수 있듯이 색상 보정을 할 때 적색각이상의 기준색상 중 하나인 180°를 녹색각이상에서는 160°로 변환한다.
변환된 기준색상을 사용하여 제안하는 알고리즘을 녹색맹에 적용하면 다음 그림 13과 같은 결과를 얻을 수 있다. 그림 13은 사용자 변수를 0.3으로 지정하여 색 변환한 이미지를 색각이상 시뮬레이션으로 본 결과 이다.
4. 색각 이상자 테스트 결과
본 논문에서는 두 가지 방법으로 색각이상자 테스트 를 실시하였다. 첫 번째로는 색각이상자 판단에 사용되 고 있는 이시하라 테스트[15]를 사용하여 제안하는 알고 리즘을 적용하였을 때 색 구분 능력을 테스트 하였다.
이시하라 테스트는 기존 색각이상 검사에 사용하는 방 식 그대로 테스트 용지의 숫자를 맞추는 방법으로 실험 하였다. 두 번째 방법은 다양한 영상에 기존 알고리즘 과 제안하는 알고리즘을 적용하여 색각이상자에게 자연
그림 14. 이시하라 테스트와 알고리즘을 적용한 결과 Fig. 14. Results of Ishihara test with the proposed
method.
<Flower> <Paint> <Traffic Light> <Butterfly>
그림 15. 기존방법과 제안하는 방법의 자연도 테스트 결 과
Fig. 15. Naturalness results of the conventional method and proposed method.
스러운 영상을 선택하도록 하였다. 영상은 총 4가지로 자연이미지인 꽃 영상, 실험자가 익숙하지 않은 그림영 상, 색이 확실히 구분되어야 하는 신호등 영상, 자연이 미지이면서 색각이상자가 기존 나비 색상에 관한 사전 지식이 없는 나비 영상으로 이루어져 있다.
테스트 인원은 총 15명이며 적 색각이상자 5명, 녹 색각이상자 10명으로 이루어져 있다. 여성보다 남성에 게 더 많이 나타나는 색각이상의 특성상 여성이 1명 남 성이 14명으로 이루어져 있으며 연령은 15명 전원 20대 이다.
그림 14는 이시하라 테스트 중 4개를 테스트한 결과 와 알고리즘을 적용하여 테스트한 결과이다. 그림 14의 이시하라 테스트 원본 4장으로 테스트한 결과, 테스트 인원 15명 전원이 숫자를 맞추지 못하였다. 알고리즘을 이시하라 테스트에 적용하였을 경우는 15명 중 13명이 4장 모두 숫자를 맞추었으며 나머지 2명도 각각 3개, 2 개의 정답률을 보였다.
그림 15는 테스트 영상 4장의 색각이상자가 기존 방 법과 제안하는 방법의 자연스러운 정도를 비교한 결과 다. 테스트 결과 영상 4장 모두 제안하는 알고리즘이 자연스럽다고 대답한 비율이 높았다.
Ⅴ. 결 론
색각 이상자들을 위한 색 보정 기법은 오래전부터 연
구 되어 왔다. 그러나 최근 혼자 사용하는 모바일 기기 의 특성에 맞춰 색각 이상자 개인에게 알맞은 색 보정 기법이 요구되고 있다. 본 논문에서는 색각이상 정도를 나타내는 색각이상 변수와 개인이 색 보정 정도를 선택 할 수 있는 사용자 변수를 사용해 개개인에게 최적화된 색 보정 기법을 제안하였다. 또한 실험 결과를 통해 제 안하는 방법이 혼동 색은 구분가능하게 변화시켜주면서 과도한 색 보정은 지양하여 자연스러운 영상을 만들어 내는 것을 확인 할 수 있었다.
참 고 문 헌
[1] B. L. Cole, “Assessment of inherited colour vision defects in clinical practice,” Clinical and Experimental Optometry, vol. 90(3), pp.157-175, 2007.
[2] J. Porkony, V. C. Smith, G. Verriest, and A. J.
L. G. Pinckers, “Congenital and acquired color vision defects,” Grune & Stratton, pp. 120-125, New York, 1979.
[3] D. H. Foster, “Inherited and acquired color vision deficiencies,” Macmillan, 1st ed., vol. 7, pp. 32-45, London, 1991.
[4] H. J. Caulfield, J. Fu, and S. M. Yoo, “Artificial color image logic,” Information Sciences. vol.
167(1-4), pp. 1-7, 2004.
[5] S. L. Ching and M. Sabudin, “Website image colour transformation for the colour blind,” 2nd International Conference on Computer Technology and Development, pp. 255-259, Cairo, 2010.
[6] S. L. Ching and M. Sabudin, “A study of color transformation on website images for the color blind,” World Academy of Science, Engineering and Technology issue 38, pp 808-812, 2010.
[7] Y. Ma, X. Gu, and Y. Wang, “Color discrimination enhancement for dichromats using self-organizing color transformation,” Information Sciences, vol. 179, pp. 830-843, 2009.
[8] V. C. Smith and J. Pokorny, “Spectral sensitivity of the foveal cone photopigments between 400 and 700nm,” Vision Research, vol. 15(2), pp.
161-171, 1975.
[9] H. Brettel, F. Vienot, and J. D. Mollon,
“Computerized simulation of color appearance for dichromats,” Journal of Optical Society of America A, vol. 14(10), pp. 2647-2655, 1997.
[10] G. M. Machado, M. M. Oliveira, and L. A. F.
Fernandes, “A physiologically-based model for simulation of color vision deficiency,”
Visualization and Computer Graphics, IEEE Transactions on, vol. 15(6), pp. 1291–1298, 2009.
[11] T. Kohonen, “The self-organizing map,”
Proceedings of the IEEE, vol. 78(9), pp.
1464-1480, 1990.
[12] “CIE Recommendations on uniform color spaces.
Color difference equations,” Supplement No. 2 to Publication CIE No. 15, Colorimetry(E-1.3.1) 1971, Bureau Central de la CIE, paris, 1978.
[13] 한동일, 박진산, 최종호, “개선된 달토니제이션 기 법을 이용한 제1, 제2 색각 이상자들을 위한 색변 환 기법,” 대한전자공학회 2009년 정기총회 및 추 계종합학술대회, 201-202쪽, 2009년 11월.
[14] 한동일, 박진산, 최종호, “색각 이상자들을 위한 컬 러 영역 분할 기반 색 변환 기법,” 전자공학회논문 지-SC, 제48권 SC편, 제5호, 37-44쪽, 2011년 9월.
[15] J. Brich, “Efficiency of the Ishihara test for identifying red-green colour deficiency,”
Ophthalmic and Physiological Optics, vol. 17(5), pp.403-408, 1997.
저 자 소 개 김 현 지(학생회원)
2011년 고려대학교 전기전자전파 공학부 학사 졸업.
2011년 3월∼현재 고려대학교 전기전자전파공학과 석사 과정.
<주관심분야 : 영상처리>
조 재 영(학생회원)
2012년 고려대학교 전기전자전파 공학부 학사 졸업.
2012년 3월∼현재 고려대학교 메카트로닉스협동 석박사 통합 과정.
<주관심분야 : 영상처리>
고 성 제(평생회원)-교신저자 1980년 고려대학교 전자공학과,
학사
1985년 State Univ. of New York at Buffalo 전기 및 컴퓨터 공학과, 석사
1988년 State Univ. of New York at Buffalo 전기 및 컴퓨 터공학과, 박사
1988년∼1992년 The Univ. of Michigan, Dearborn 전기 및 컴퓨터공학과 조교수 1992년∼현재 고려대학교 전기전자전파공학과 정
교수
1996년 11월 IEEE APCCAS best paper award 1997년 12월 대한전자공학회 해동논문상 수상 1999년 11월 한국통신학회 LG 학술상
2004년 3월 고려대 훌륭한공대교수상(학술 부문) 2012년 IEEE CE Society 기술대상 수상
2000년 IET Fellow 2012년 IEEE Fellow
2009년∼2012년 대한전자공학회 부회장, 수석부회장
2013년∼현재 미국 IEEE CE Society, 부회장 2013년∼현재 대한전자공학회 회장
SCI 논문: 166편, 국내외특허등록: 63건
<주관심분야 : 영상처리 및 압축, 멀티미디어 통신>
![그림 3. 기존 알고리즘 (a) 자기조직화(self-organizing) 색변환 [7] (b) HSV 색변환 [5]](https://thumb-ap.123doks.com/thumbv2/123dokinfo/5072229.560008/3.892.467.800.146.584/그림-기존-알고리즘-자기조직화-self-organizing-색변환-색변환.webp)
