In this thesis, we introduce robust and synergetic hand-crafted features and a simple but efficient deep feature from a convolutional neural network (CNN) architecture for defocus estimation. This thesis systematically analyzes the effectiveness of different features, and shows how each feature can compensate for weaknesses of other features when they are concatenated. For a full defocus map estimation, we extract image patches on strong edges sparsely, then we use them for the deep and hand-crafted features extraction. In order to reduce patch scale dependency, we also propose multi-scale patch extraction strategy. A sparse defocus map is generated using a neural network classifier followed by a probability-joint bilateral filter. The final defocus map is obtained from the sparse defocus map with a guidance of an edge preserving filtered input image. Experimental results show that our algorithm is superior to state-of-the-art algorithms in defocus estimation. Our work can be used for applications including segmentation, image synthesizing, blur magnification, all-in-focus image generation, and 3-D estimation.
흐림 정도는 하나의 영상에서 얻을 수 있는 중요한 정보 중의 하나이다. 영상의 모든 픽셀에 대한 흐림 정도를 알고 있을 경우, 깊이 정보, 핵심 영역, 영상의 전경 및 배경과 같은 고차원의 정보 추론이 가능하다. 그러나 흐림 정도 추정은 매우 어려운 과제 중 하나이다. 흐림 정도가 각 픽셀마다 다름은 물론, 질감이 없는 영역에서는 초점이 맞은 경우와 흐린 경우의 차이가 거의 없기 때문이다. 본 학위논문에서는 제안된 수제 특징 및 깊은 특징의 강건함을 보임은 물론, 특징 간의 상승작용을 확인한다. 또한 깊은 신경망을 이용한 학습 및 분류, 소량의 강한 경계에서 추정된 흐림 정도를 전체 영상으로 효과적으로 전파하는 방법 등을 다룬다. 마지막으로 다양한 응용을 통해, 높은 신뢰도로 추정된 흐림 정보의 향후 이용 가능성을 확인한다.
