이동식 터널 스캐닝 시스템의 고속 모션 블러 이미지에 대한 무참조 이미지 품질 평가 지표 성능 분석
Performance analysis of no-reference image quality assessment metrics for high-speed motion blur images in mobile tunnel scanning system
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 이동식 터널 스캐닝 시스템의 고속 촬영 과정에서 발생하는 모션 블러로 인한 이미지 품질 저하 문제를 파악하고, 무참조 이미지 품질 평가 지표(no-reference image quality assessment, NR-IQA)의 유효성을 검증하는 것을 목적으로 한다. 이를 위해 자체 개발한 고속 병진 이동 패널과 ISO 12233 표준 환경을 기반으로 다양한 촬영 조건에서 고속 모션블러 데이터셋을 구축하였다. 물리적 품질 지표인 BEW (blurred edge width)와 MTF (modulation transfer function) 50을 활용하여 이미지 품질 변화를 정량적으로 측정하고, 이를 기준으로 전통적인 지식기반 NR-IQA 지표(BRISQUE, NIQE, PIQE, CPBD)와 딥러닝 기반 지표(DBCNN, ARNIQA)의 성능을 비교 분석하였다. 실험 결과, 이동 속도가 증가하고 셔터 노출 시간이 길어질수록 모션 블러가 심화되어 이미지 경계가 흐려지고 세부 구조가 손실되는 경향을 확인하였다. 상관관계 분석에서는 전통적인 지식기반 NR-IQA 지표 중 CPBD가 물리적 품질 지표와 가장 높은 상관성을 나타냈다. 딥러닝 기반 지표인 DBCNN과 ARNIQA는 다른 전통적인 지식 기반 지표들보다 월등히 우수한 성능을 나타내며 매우 높은 신뢰도를 입증하였다. 이러한 결과는 NR-IQA 지표가 MTSS 이미지의 품질 저하를 효과적으로 정량화할 수 있음을 보여준다. 특히, CPBD는 현장의 실시간 품질 관리에, 딥러닝 기반 지표인 DBCNN과 ARNIQA는 후처리 및 정밀 성능 검증에 적합한 도구로 활용될 수 있음을 시사한다.
Abstract
This study aims to address the issue of image quality degradation caused by motion blur (MB) in high-speed imaging of the mobile tunnel scanning system (MTSS) and to verify the effectiveness of no-reference image quality assessment (NR-IQA) metrics. For this purpose, a high-speed translational moving panel (HTMP) was developed, and a standardized ISO 12233 environment was employed to construct a highspeed motion blur (HSMB) dataset under various imaging conditions. Physical quality indicators, namely blurred edge width (BEW) and modulation transfer function 50 (MTF50), were measured, and their relationships with both conventional NR-IQA metrics (BRISQUE, NIQE, PIQE, CPBD) and deep learning-based metrics (DBCNN, ARNIQA) were quantitatively analyzed. The experimental results confirmed that as the travel speed increased and shutter exposure time lengthened, motion blur became more severe, leading to blurred image boundaries and the loss of detailed structures.In the correlation analysis, CPBD, a traditional knowledge-based NR-IQA metric, showed the highest correlation with the physical quality metrics. Furthermore, the deep learning-based metrics, DBCNN and ARNIQA, demonstrated significantly superior performance and proved to have very high reliability compared to the other traditional knowledge-based metrics. These results demonstrate that NR-IQA metrics can effectively quantify the image quality degradation in MTSS images. Specifically, this suggests that edge-based metrics could be utilized for real-time quality management in the field, while deep learning-based metrics are suitable tools for post-processing and precise performance verification.