[HEVC] 비디오 영상 포맷 - (4) 압축 영상의 화질

HEVC는 전송이나 저장의 편의를 위해 비디오 데이터의 표현에 필요한 정보의 표현량을 줄이는 압축 방법 중 하나이다. 비디오 압축은 크게 무손실 압축(Lossless coding), 손실 합축(Lossy coding)으로 구분된다.무손실 압축(Lossless coding)데이터의 손실이 허용되지 않는 소수의 의료 분야나 군사 분야압축 후 데이터량은 줄어들어도 화질은 차이 없음손실 합축(Lossy coding)대부분의 비디오 압축압축률이 높아질수록 손실되는 데이터가 많아짐압축률이 높고 화질 저하가 적을 수록 좋은 압축 코덱이며, 이를 평가하기 위한 방법은 크게 객관적(objective)인 방법과 주관적(Subjective)인 방법으로 나뉜다.객관적 화질수학적 공식에 의해 화질 수준 정도를 도출해 내는 방식..

• format_list_bulleted Computer Vision/HEVC
• · 2026. 1. 6.

[HEVC] 비디오 영상 포맷 - (3) 비디오 포맷

비디오나 비디오 디스플레이 장치를 구분할 때는 해상도(비디오 프레임 한 장을 구성하는 픽셀 수)를 일반적으로 사용한다. 해상도는 가로, 세로축 각각에 존재하는 픽셀 수의 곱으로 표현하며, 대한민국의 표준 해상도는 1920x1080(Full-HD), 1280x720(HD), 704x480(SD), 640x480(VGA)이다. HEVC에서는 Full-HD(1920x1080)나 4K(4096x2160 or 3840x2160) 이상의 초고해상도 영상의 압축을 고려한다. 이제 동영상을 취득하고 디스플레이하는 방식 2가지를 이해하고, HEVC를 이용해 압축할 수 있는 영상을 살펴보자.동영상의 순행 및 비월주사방식동영상을 디스플레이하는 방식은 순행주사(Progressive scan) 방식과 비월주사(Interlace..

• format_list_bulleted Computer Vision/HEVC
• · 2026. 1. 6.

[HEVC] 비디오 영상 포맷 - (2) 컬러 공간

대표적인 컬러 공간은 다음과 같다:RGB 컬러 공간YCbCr 컬러 공간: HEVC 인코더의 입력과 디코더의 출력으로 이용됨RGB 컬러 공간사람의 망막은 다음과 같이 이루어져 있다: 간상세포(Rod): 약 9천 만 개 이상. 비교적 약한 자극의 어두운 빛에도 반응원추 세포(Cone): 약 600만 개 이상. 비교적 강한 자극의 밝은 빛에 잘 반응원추세포의 종류는 크게 세 가지가 있다. 원추 세포의 종류에 따라 각 파장의 에너지에 반응하는 정도가 다르다:L(Long-wavelength; 장파장) 원추세포노랑~녹색 사이의 빛(약 500~700nm)에 민감564~580nm 범위 파장을 가장 잘 흡수(가장 민감하게 반응)M(Medium-wavelength; 중파장) 원추세포청록~파랑 사이의 빛(약 450~630n..

• format_list_bulleted Computer Vision/HEVC
• · 2026. 1. 5.

[HEVC] 비디오 영상 포맷 - (1) 영상 취득

표준 비디오 코덱(e. HEVC)은 인코더와 디코더로 구성된다.인코더: 디지털 영상들의 해상도와 시간 길이에 비례하여 늘어나는 데이터의 표현량을 줄인다.디코더: 압축 스트림(Stream)만으로 양질의 영상을 복원한다. 카메라로터 취득한 영상이 디스플레이가 되기까지 거치는 과정은 다음과 같다.카메라로부터 영상 취득저장, 전송 등을 이해 인코더로 압축하여 압축 스트림 형태로 변환압축 스트림은 디코더의 복원 과정을 거쳐 디스플레이할 수 있는 형태로 변환이제 카메라와 같은 영상 취득 장치로 영상 신호를 취득하는 물리적인 원리와 과정에 대해 이해해보자. 자연계는 연속적이지만, 신호를 계측·표현·저장하기 위해서는 목적에 따라 적당한 정확도를 선택하여 이산적으로 표현할 필요가 있다. 예를 들어 수영시합의 경우 ms..

• format_list_bulleted Computer Vision/HEVC
• · 2026. 1. 5.

[CS231n] Lecture3: Recularization and Optimization

강의 주제: 손실 함수(Loss Function)의 정규화 기법과 신경망 학습을 위한 다양한 최적화 알고리즘(Optimization Algorithms) 심층 분석목표: 미분(Derivative), 기울기(Gradient), 행렬 연산에 대한 이해가 필요하며, SGD부터 Adam까지의 알고리즘 발전 과정을 논리적으로 파악해야 함핵심 키워드: #Regularization #L2_Ridge #Optimizatiion # SGD #Momentum #RMSProp #Adam #LearningRageSchedule수학적 표기법(Notation) 정리:$W$: 가중치 행렬(Weights), $W\in \mathbb{R} ^{C\times D}$ ($C$: 클래스 수, $D$: 차원)$L$: 총 손실(Total Lo..

• format_list_bulleted Computer Vision/CS231N|Standford
• · 2026. 1. 3.

[CS231n] Lecture2-(2): Linear Classification

k-Nearest Neighbor (kNN)는 학습 데이터를 몽땅 기억해야 하고, 테스트할 때마다 모든 데이터와 비교해야 해서 너무 느리다.이번에는 딥러닝(Neural Network)의 기초가 되는 선형 분류기(Linear Classifier)를 배운다. 이것은 데이터를 외우는 게 아니라, 데이터를 설명하는 공식(Parameter)을 배우는 방식이다.1. 점수 함수(Score Function)우리의 목표는 이미지를 입력받아 "이건 고양이야(점수 높음!)"라고 판단하는 함수를 만드는 것입니다. 가장 단순한 형태인 선형 함수로 시작해보자.$$f(x_i,W,b)=Wx_i+b$$ $x_i$​ (Input): 이미지의 픽셀 값들. (고정된 데이터)$W$ (Weights, 가중치): 각 픽셀이 클래스 결정에 얼마나..

• format_list_bulleted Computer Vision/CS231N|Standford
• · 2026. 1. 2.