표본기반 초해상도(Super Resolution) 기법은 데이터베이스에 저장된 고해상도 영상의 패치와 저해상도 영상 의 패치 사이에 대응관계를 이용하여, 저해상도의 입력영상에 가장 유사한 고해상도 패치를 덧붙여서 고해상도를 구 성하는 방식이다. 이러한 방식은 한 장의 영상만으로 고해상도 영상을 얻을 수 있고, 위의 과정을 반복하여 2배 이상 의 확대된 영상을 얻을 수 있어서 기존의 고전적 초해상도 기법의 문제점을 해결할 수 있다. 표본기반 초해상도 방법 들중 네이버 임베딩(Neighbor Embedding 이하 NE) 기법의 기본 원리는 지역적 선형 임베딩(locally linear embedding) 이라는 매니폴드 학습 방법의 개념과 같다. 그러나, NE의 국부 학습 데이터 집합의 크기가 너무 작아서 빈약한 일반화 능력으로 인하여 알고리즘의 성능을 크게 저하시킨다. 또한, NE는 신뢰할 수 있는 성능을 위해 커다란 크기의 학습 데이타가 요구되어, 메모리 비용뿐만 아니라 연산 부담이 요구된다. 본 논문에서는 이와 같은 문제점을 해결하기 위해서 효율적으로 구축된 딕셔너리(dictionary)를 이용하였고, NE의 국부 학습 데이터 집합의 크기가 너무 작은데에 기인한 빈약한 일반화 능력을 보완하기 위해 각 시험 패치와 딕셔너리들 간의 평균거리 이내에 있는 데이터 들을 국부 학습 데이타들로 이용하였다. 또한, 본 논문에서는 NE의 부족한 일반화 능력을 보완하기 위해 일반화 능력 이 뛰어난 Support Vector Regression(이하 SVR)을 이용하여 훈련하였으며 훈련된 SVR을 이용하여 고해상도의 해당 화소 값을 예측하였다. 실험을 통하여 제안된 기법이 bicubic 보간법 및 NE 기법 등에 비해 정량적인 척도 및 시각적 으로도 향상된 결과를 보여 주었다.

의료영상에서 잡음제거는 의료영상 분야에서의 중요한 도전 과제들 중의 하나이다. 최상의 진단 결과를 얻기 위해서는 잡음과 아티펙트가 제거되고, 선명하며 깨끗한 화질의 의료영상이 필요하다. CT는 의료영상에서 중요하고 가장 보편적인 모달리티이다. CT 영상에서 주요 잡음은 양자화 잡음이다. 본 논문에서는 CT 영상에서 잡음 제거를 위한 하이브리드 필터를 제안하였다. 제안된 하이브리드 필터는 바이래터럴 필터, 신경망 윤곽선 검출기, 다층 신경망 등으로 구성되어 있다. 다층 신경망은 여러 정보들을 결합하여 개선된 출력 영상을 만들기 위한 융합 연산자로서 이용되었다. RMSE, ISNR, MSR과 CNR과 같은 화질 평가 척도가 잡음 개선의 성능 평가를 위해 사용되었다. 또한, 시각적으로도 제안된 필터가 다른 필터들에 비해 우수한 결과를 보였다. 이와같은 화질 평가 척도에 의해 본 논문에서 제안된 필터는 바이래터럴 필터나 가이드 필터보다 우수하였다. 특히, 심한 잡음이 있는 상황에서 제안된 필터는 우수한 결과를 보였다.

In this paper, I present my face detection and tracking method. First, image enhancement is carried out in HSV space especially if the input image is acquired from unconstrained illumination condition. I used a method for image enhancement in HSV space based on the local processing of image. I propose a lighting invariant face detection system based upon the edge and skin tone information of the input color image. The advantage of the proposed face detection is that, it can detect faces with different size, pose, and expression under unconstrained illumination conditions. I combined the Kalman filter with Camshift to enable track recovery after occlusions and to avoid the tracking failures caused by objects and background with similar colors to face. In my tracking method, I particularly focus on face tracking. The size and position of window are obtained after Camshift iteration. Kalman filtering is used to predict the next starting iterative point of Camshift. The experimental results show that my tracking method get the better results than Camshift in occlusion sequences and dynamic backgrounds.