Simulation-based infrared images are widely used to reduce costs and physical acquisition time for the massive collection of authentic infrared images in various industries such as military, medical, manufacturing, and drones. However, the model-based image generation based on the commercial simulation software has the limitation of computing power in the actual natural environment. Therefore, this thesis proposes a CNN-based neural style transfer algorithm that transforms pseudo-realistic regions of simulation-based infrared images into a natural infrared texture. Specifically, the proposed stylization technique combines a histogram matching algorithm to match both brightness and fractal information of the style transferred infrared images with the results of the actual infrared images. Finally, from the simulation results, the transformed infrared images based on the proposed method indicated the closest similarity to the given actual infrared image in the three different simulation conditions. Image quality assessment was performed through quantitative and qualitative similarity scores.
시뮬레이션 기반의 적외선 이미지는 군사, 의료, 제조, 드론 등 다양한 산업 분야에서 실제 적외선 이미지의 대량 수집을 위한 비용과 물리적 획득 시간을 줄이기 위해 널리 활용되고 있다. 그러나 상용 시뮬레이션 소프트웨어를 기반으로 하는 모델 기반 이미지 생성은 컴퓨팅 연산 능력의 제한으로 나무와 수풀 자갈 등의 모든 세부 열(Thermal) 요소들을 포함한 실제 자연 환경처럼 모사하는 데에는 한계가 있다. 따라서 본 논문에서는 히스토그램 매칭 결합 뉴럴 스타일 트랜스퍼 기법을 활용하여 시뮬레이션 기반의 적외선 이미지의 모의 배경 영역을 실제 적외선 텍스처로 변환하는 적외선 이미지 질감 향상을 수행하는 기법을 제안한다. 구체적으로 제안된 기법은 시뮬레이션 적외선 이미지의 배경 밝기 특성과 프랙탈 질감 특성을 모두 개선하는 기법이다. 최종적으로 서로 다른 시뮬레이션 조건에서 생성된 적외선 이미지를 기반으로 제안된 방법을 적용하여 향상된 합성 적외선 이미지를 생성할 수 있었으며, 전체 참조 이미지 품질 평가와 비참조 이미지 평가 품질 평가에서 모두에서 기존 시뮬레이션 적외선 이미지보다 향상된 점수를 획득하였다. 이는 실제 적외선 이미지와 가장 유사한 자연 이미지 통계 특성을 나타낸 결과이다.
