KR101296734B1 - 가우시안 혼합 모델 및 알지비 클러스터링을 이용한 오브젝트 분할방법 - Google Patents

가우시안 혼합 모델 및 알지비 클러스터링을 이용한 오브젝트 분할방법 Download PDF

Info

Publication number
KR101296734B1
KR101296734B1 KR1020110146905A KR20110146905A KR101296734B1 KR 101296734 B1 KR101296734 B1 KR 101296734B1 KR 1020110146905 A KR1020110146905 A KR 1020110146905A KR 20110146905 A KR20110146905 A KR 20110146905A KR 101296734 B1 KR101296734 B1 KR 101296734B1
Authority
KR
South Korea
Prior art keywords
candidate region
image
input image
region
average value
Prior art date
Application number
KR1020110146905A
Other languages
English (en)
Other versions
KR20130078130A (ko
Inventor
오강한
박상철
나인섭
김수형
Original Assignee
전남대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 전남대학교산학협력단 filed Critical 전남대학교산학협력단
Priority to KR1020110146905A priority Critical patent/KR101296734B1/ko
Publication of KR20130078130A publication Critical patent/KR20130078130A/ko
Application granted granted Critical
Publication of KR101296734B1 publication Critical patent/KR101296734B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/80—Recognising image objects characterised by unique random patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 가우시안 혼합 모델 및 알지비 클러스터링을 이용한 오브젝트 분할방법에 관한 것으로, 구체적으로는 이미지 내에 꽃과 같이 불특정한 모양을 갖는 오브젝트가 있는 경우, 사용자가 별도의 조작이 없이도 자동으로 상기 오브젝트를 인식하고 자동으로 분할할 수 있는 가우시안 혼합 모델 및 알지비 클러스터링을 이용한 오브젝트 분할방법에 관한 것이다.

Description

가우시안 혼합 모델 및 알지비 클러스터링을 이용한 오브젝트 분할방법{Method for object segmentation by combination of gaussian mixture model and rgb clustering}
본 발명은 가우시안 혼합 모델 및 알지비 클러스터링을 이용한 오브젝트 분할방법에 관한 것으로, 구체적으로는 이미지 내에 꽃과 같이 불특정한 모양을 갖는 오브젝트를 사용자가 별도의 조작이 없이도 자동으로 상기 오브젝트를 인식하고 자동으로 분할할 수 있는 가우시안 혼합 모델 및 알지비 클러스터링을 이용한 오브젝트 분할방법에 관한 것이다.
일반적으로, 영상인식 분야는 카메라를 포함하는 촬영장치에서 입력된 입력영상 또는 입력이미지에서 특정 사물을 인식하는 분야로써, 최근, 스마트폰을 포함하는 모바일단말이 대중적으로 상용화되고 상기 모바일단말에 상기 카메라가 기본적으로 구비됨에 따라, 사용자가 상기 모바일단말을 이용하여 쉽고 편리하게 특정 사물을 인식할 수 있도록 하기 위한 연구 및 개발이 진행되고 있다.
또한, 상기 특정 사물로 인식하기 위해서는 상기 입력영상 또는 상기 입력이미지에서 인식하고자 하는 대상인 오브젝트를 분할하여야 하는데, 이때, 가우시안 혼합 모델(GMM), 마르코프 랜덤 필드(MRF), CV-Model, K평균 알고리즘(k-means) 또는 중요도 맵(Saliency Map) 등의 다양한 알고리즘을 사용하여 상기 오브젝트를 분할하게 된다.
또한, 상기 카메라가 구비된 모바일단말을 이용하여 '문자', '지문' 또는 '포스터' 등의 포함하는 사물을 입력영상 또는 입력 이미지에서 인식할 수 있게 되었다.
한편, 인식하고자 하는 대상 사물이 꽃 또는 식물과 같이 불특정한 형태로 이루어지고 그 배경이 다양한 색상 및 모양들로 복잡하게 이루어진 경우에는, 상기 입력영상 또는 상기 입력 이미지에서 인식하고자 하는 대상 사물을 정확히 분할할 수 없는 문제점이 있었다.
또한, 상기 대상 사물의 분할이 원활하지 못하고 상기 대상 사물 이외의 사물들이 노이즈로 인식됨에 따라, 실질적인 인식성이 낮아지고 정확성도 저하되는 되는 문제점이 발생되었다.
또한, 불특정한 형태의 대상 사물을 정확히 분할하기 위하여 상기 알고리즘들은 상기 대상 사물의 윤곽선을 사용자가 직접 그리도록 하는 과정을 필요로 하게 되는데, 이는 사용자에게 시간 소모 및 번거로움을 발생시키는 문제점이 발생되었다.
본 발명자들은 꽃 또는 식물과 같은 불특정한 형태를 갖는 사물을 정확히 인식할 수 있게 하고, 자동으로 입력 이미지에서 사물로 판단되는 오브젝트를 분할할 수 있게 하고자 연구 노력한 결과, 가우시안 혼합 모델 및 알지비 클러스터링을 이용한 오브젝트 분할방법의 기술적 구성을 개발하게 되어 본 발명을 완성하게 되었다.
따라서, 본 발명의 목적은 사용자가 직접 조작하지 않고도 자동으로 입력 이미지에서 불특정한 형태의 대상 사물을 분할할 수 있는 가우시안 혼합 모델 및 알지비 클러스터링을 이용한 오브젝트 분할방법을 제공하는 것이다.
또한, 본 발명의 다른 목적은 불특정한 형태의 대상 사물 또는 배경으로 인한 노이즈를 효율적으로 제거할 수 있는 가우시안 혼합 모델 및 알지비 클러스터링을 이용한 오브젝트 분할방법을 제공하는 것이다.
본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기의 목적을 달성하기 위하여 본 발명은 컴퓨터 장치에서 입력 이미지 내의 오브젝트를 인식할 수 있도록 상기 입력 이미지에서 상기 오브젝트를 분할하는 오브젝트 분할방법으로써, 제 1서브 이미지 생성수단이 상기 컴퓨터 장치를 상기 입력 이미지 각 픽셀의 정규분포들을 계산하여, 제 1오브젝트 후보영역 및 제 1배경 후보영역으로 분할된 제 1서브 이미지를 생성하도록 기능하게 하는 제 1단계; 제 2서브 이미지 생성수단이 상기 컴퓨터 장치를 각 후보영역의 색상평균값들을 계산하고 상기 입력 이미지의 각 픽셀과 각 색상평균값과의 유클리디안 거리를 계산하여, 제 2오브젝트 후보영역 및 제 2배경 후보영역으로 분할된 제 2서브 이미지를 생성하도록 기능하게 하는 제 2단계; 및 오브젝트 분할수단이 상기 컴퓨터 장치를 상기 제 1오브젝트 후보영역의 각 픽셀과 상기 제 2오브젝트 후보영역의 각 픽셀 중 서로 중복되는 좌표에 위치한 픽셀들로 이루어진 오브젝트 분할영역을 포함하는 결과 이미지를 생성하도록 기능하게 하는 제 3단계;를 포함하는 오브젝트 분할방법을 제공한다.
또한, 본 발명은 상기 오브젝트 분할방법이 수행되게 하는 오브젝트 분할 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장매체를 제공한다.
바람직한 실시예에 있어서, 노이즈 제거수단이 상기 컴퓨터 장치가 상기 결과 이미지를 이진화하여 상기 오브젝트 분할영역이 복수 개의 이진화 영역들로 분할된 이진화 이미지로 생성하고, 각 이진화 영역 중 가장 큰 영역을 갖는 하나의 이진화 영역을 오브젝트 영역으로 설정하며 다른 영역들은 노이즈로 설정하여 제거하도록 기능하게 하는 제 4단계;를 더 포함한다.
바람직한 실시예에 있어서, 오브젝트 블럭 생성수단이 상기 컴퓨터 장치가 상기 입력 이미지의 각 픽셀들 중 상기 오브젝트 영역의 각 픽셀 좌표를 매칭되는 픽셀들을 오브젝트 블럭으로 생성하도록 기능하는 제 5단계;를 더 포함한다.
바람직한 실시예에 있어서, 상기 제 1단계 이전에, 이미지 포맷 변환수단이 상기 컴퓨터 장치를 상기 입력 이미지의 포맷을 RGB 컬러 포맷으로 변환하도록 기능하게 하는 제 A단계;를 더 포함한다.
바람직한 실시예에 있어서, 상기 제 1단계는 상기 제 1서브 이미지 생성수단이 상기 컴퓨터 장치가, 두 개의 가우시안 확률밀도 함수를 이용하여 상기 정규분포들을 계산하도록 기능하게 하는 제 1-1단계; 상기 입력 이미지에서 각 정규분포를 갖는 분할영역들로 분할된 제 1서브 이미지를 생성하도록 기능하게 하는 제 1-2단계; 및 상기 분할영역들 중에서 가장 낮은 분포밀도를 갖는 영역을 제 1오브젝트 후보영역으로 라벨링하고, 다른 영역을 제 1배경 후보영역으로 라벨링하도록 기능하게 하는 제 1-3단계;를 포함한다.
바람직한 실시예에 있어서, 상기 제 2단계는 상기 제 2서브 이미지 생성수단이 상기 컴퓨터 장치를, 상기 제 1오브젝트 후보영역 및 상기 제 1배경 후보영역의 각 RGB 평균값을 계산하도록 기능하는 제 2-1단계; 상기 제 1오브젝트 후보영역의 RGB 평균값 및 상기 제 1배경 후보영역의 RGB 평균값과 상기 입력 이미지의 각 픽셀의 유클리디안 거리값을 계산하도록 기능하는 제 2-2단계; 및 상기 입력 이미지의 각 픽셀들 중 상기 제 1오브젝트 후보영역의 RGB 평균값과 가까운 유클리디안 거리값을 갖는 픽셀들을 상기 제 2오브젝트 후보영역으로 라벨링하고 다른 픽셀들은 제 2배경 후보영역으로 라벨링하여 상기 제 2서브 이미지로 생성하도록 기능하게 하는 제 2-3단계;를 포함한다.
바람직한 실시예에 있어서, 상기 제 1서브 이미지 생성수단은 아래의 수학식 1을 이용하여, 상기 컴퓨터 장치가 상기 제 1오브젝트 후보영역 및 상기 제 1배경 후보영역으로 분할된 상기 제 1서브 이미지를 생성하도록 기능한다.
[수학식 1]
Figure 112011105380227-pat00001
여기서,
Figure 112011105380227-pat00002
는 분포밀도이며, M은 가우시안 확률밀도 함수의 수이며,
Figure 112011105380227-pat00003
는 평균벡터이며,
Figure 112011105380227-pat00004
는 혼합 가중치(mixture weight)이며,
Figure 112011105380227-pat00005
는 픽셀 x에 대한 확률밀도함수이다.
바람직한 실시예에 있어서, 상기 제 2서브 이미지 생성수단은 아래의 수학식 2를 이용하여 상기 컴퓨터 장치가 상기 제 1오브젝트 후보영역의 RGB 평균값을 계산하도록 기능한다.
[수학식 2]
Figure 112011105380227-pat00006
여기서,
Figure 112011105380227-pat00007
는 제 1오브젝트 후보영역의 RGB 평균값이며,
Figure 112011105380227-pat00008
은 입력 이미지의 붉은(red) 색상값이고,
Figure 112011105380227-pat00009
는 제 1오브젝트 후보영역의 붉은 색상 평균값이며,
Figure 112011105380227-pat00010
는 입력 이미지의 녹색(green) 색상값이며,
Figure 112011105380227-pat00011
는 제 1오브젝트 후보영역의 녹색 색상 평균값이며,
Figure 112011105380227-pat00012
는 입력 이미지의 푸른(blue) 색상값이며,
Figure 112011105380227-pat00013
는 제 1오브젝트 후보영역의 푸른 색상 평균값이다.
바람직한 실시예에 있어서, 상기 제 2서브 이미지 생성수단은 아래의 수학식 3을 이용하여 상기 컴퓨터 장치가 상기 제 1배경 후보영역의 RGB 평균값을 계산하도록 기능한다.
[수학식 3]
Figure 112011105380227-pat00014
여기서,
Figure 112011105380227-pat00015
는 제 1배경 후보영역의 RGB 평균값이며,
Figure 112011105380227-pat00016
은 입력 이미지의 붉은(red) 색상값이고,
Figure 112011105380227-pat00017
는 제 1배경 후보영역의 붉은 색상 평균값이며,
Figure 112011105380227-pat00018
는 입력 이미지의 녹색(green) 색상값이며,
Figure 112011105380227-pat00019
는 제 1배경 후보영역의 녹색 색상 평균값이며,
Figure 112011105380227-pat00020
는 입력 이미지의 푸른(blue) 색상값이며,
Figure 112011105380227-pat00021
는 제 1배경 후보영역의 푸른 색상 평균값이다.
바람직한 실시예에 있어서, 상기 제 2서브 이미지 생성수단은 아래의 수학식 4를 이용하여 상기 컴퓨터 장치가 상기 입력 이미지의 각 픽셀들을 상기 제 2오브젝트 후보영역 또는 상기 제 2배경 후보영역으로 라벨링하도록 기능한다.
[수학식 4]
Figure 112011105380227-pat00022
여기서,
Figure 112011105380227-pat00023
는 제 1오브젝트 후보영역의 RGB 평균값이고
Figure 112011105380227-pat00024
는 제 1배경 후보영역의 RGB 평균값이며,
Figure 112011105380227-pat00025
는 제 2오브젝트 후보영역이며,
Figure 112011105380227-pat00026
는 제 2배경 후보영역을 뜻한다.
바람직한 실시예에 있어서, 상기 오브젝트 분할수단은 교집합 연산 알고리즘을 이용하여 상기 컴퓨터 장치가 상기 오브젝트 분할영역을 생성하도록 기능한다.
바람직한 실시예에 있어서, 상기 노이즈 제거수단은 연결성분(Connected Component) 알고리즘을 이용하여 상기 컴퓨터 장치가 상기 오브젝트 영역 및 상기 노이즈를 설정하도록 기능한다.
본 발명은 다음과 같은 우수한 효과를 가진다.
먼저, 본 발명의 일실시예에 따른 오브젝트 분할방법에 의하면, 가우시안 확률밀도 함수를 이용하여 분할된 제 1서브 이미지와, RGB 클러스터링을 이용하여 분할된 제 2 서브이미지의 각 오브젝트 후보영역을 교집합 연산하여 오브젝트 영역을 생성하게 하므로, 사용자가 직접 조작하지 않아도 자동으로 입력 이미지에서 인식하고자 하는 대상 사물의 오브젝트 영역을 분할할 수 있고 상기 대상 사물이 불특정한 형태를 갖는 경우에도 효과적으로 분할할 수 있는 효과를 얻을 수 있다.
또한, 본 발명의 일실시예에 따른 오브젝트 분할방법에 의하면, 노이즈 제거수단이 특정 영역만 오브젝트 영역으로 설정하고 다른 영역들을 제거하므로, 불특정한 형태의 대상 사물 주변의 노이즈 및 배경에서 발생된 노이즈를 효율적으로 제거할 수 있는 효과를 얻을 수 있다.
도 1은 본 발명의 일실시예에 따른 오브젝트 분할방법을 나타내는 블럭도.
도 2는 본 발명의 일실시예에 따른 오브젝트 분할방법을 설명하기 위한 도면.
도 3 내지 도 4는 본 발명의 일실시예에 따른 오브젝트 분할방법과 다른 알고리즘들의 분할결과를 비교한 도면.
본 발명에서 사용되는 용어는 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있는데 이 경우에는 단순한 용어의 명칭이 아닌 발명의 상세한 설명 부분에 기재되거나 사용된 의미를 고려하여 그 의미가 파악되어야 할 것이다.
이하, 첨부된 도면에 도시된 바람직한 실시예를 참조하여 본 발명의 기술적 구성을 상세하게 설명한다.
그러나, 본 발명은 여기서 설명되는 실시예에 한정되지 않고 다른 형태로 구체화될 수도 있다. 명세서 전체에 걸쳐 동일한 참조번호는 동일한 구성요소를 나타낸다.
본 발명의 일실시예에 따른 오브젝트 분할방법은 컴퓨터 장치에서 입력 이미지 내의 불특정한 형태를 갖는 오브젝트를 인식할 수 있도록 상기 입력 이미지에서 상기 오브젝트를 분할하고 상기 오브젝트 이외의 노이즈를 제거하기 위한 것으로, 사각형 또는 원형과 같이 특정한 형태를 갖지 않고 꽃 및 식물과 같이 형태가 불특정한 대상 사물을 입력 이미지에서 인식할 수 있도록 분할하도록 활용할 수 있다.
또한, 본 발명의 일실시예에 따른 오브젝트 분할방법은 실질적으로 컴퓨터 또는 컴퓨팅 프로세서가 구비된 모바일단말, PDA단말 또는 태블릿PC 등에 프로그램 형태로 저장되어 기능을 수행한다.
또한, 상기 프로그램은 컴퓨터로 읽을 수 있는 매체에 저장되어 컴퓨터나 모바일단말, PDA단말 또는 태블릿PC에 의해 읽혀짐으로써 그 기능을 수행하고, 상기 매체는 본 발명을 위하여 특별히 설계되어 구성된 것들이거나 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에서 공지되어 사용 가능할 것일 수 있으며, 예를 들면, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD, DVD와 같은 광 기록 매체, 자기 및 광 기록을 겸할 수 있는 자기-광 기록 매체, 롬, 램, 플래시 메모리 등 단독 또는 조합에 의해 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치일 수 있다.
또한, 상기 프로그램은 상기 매체에 의해 컴퓨터, 모바일단말, PDA단말 또는 태블릿PC에 의해 읽혀질 수 있는 것뿐만 아니라, 인트라넷이나 인터넷 등의 통신망을 통해 정보를 전송할 수 있는 서버 시스템에 저장되어 컴퓨터로 전송될 수도 있고, 상기 서버 시스템에서 상기 프로그램을 컴퓨터로 전송하지 않고 컴퓨터가 상기 서버 시스템으로 접근하여 상기 서버 시스템상에서 상기 프로그램을 수행할 수 있는 플랫폼을 제공할 수도 있다.
이하에서는 본 발명의 일실시예에 따른 오브젝트 분할방법을 자세히 설명하기로 한다.
도 1은 본 발명의 일실시예에 따른 오브젝트 분할방법을 나타내는 블럭도이며, 도 2는 본 발명의 일실시예에 따른 오브젝트 분할방법을 설명하기 위한 도면이다.
도 1 내지 도 2를 참조하면, 본 발명의 일실시예에 다른 오브젝트 분할방법은, 먼저, 카메라 또는 디지털카메라에서 촬영된 입력 이미지가 컴퓨터 장치로 입력되면, 이미지 포맷 변환수단은 컴퓨터 장치가 상기 입력 이미지의 포맷을 변환하여, 또한, RGB 컬러 포맷으로 변환된 입력 이미지(110)를 생성하도록 기능하게 된다(S1100).
또한, 상기 컴퓨터 장치는 컴퓨터 또는 컴퓨팅 프로세서가 구비된 모바일단말, PDA단말 또는 태블릿PC를 포함한다.
또한, 상기 이미지 포맷 변환수단은 상기 컴퓨터 장치가 상기 입력 이미지의 포맷을 변환시킬 수 있도록 기능하는 프로그램 또는 프로그램에 구비된 수단일 수 있다.
다음, RGB 컬러 포맷으로 변환된 입력 이미지(110)에서 제 1서브 이미지를 생성하게 되는데, 상기 제 1서브 이미지는 복수 개의 영역들로 분할된 이미지로써 제 1오브젝트 후보영역(210) 및 제 1배경 후보영역(220)으로 분할된다(S1200).
또한, 제 1서브 이미지 생성수단은 상기 컴퓨터 장치가 상기 입력 이미지(110) 각 픽셀의 정규분포들을 계산하여 상기 제 1서브 이미지를 생성하도록 기능하게 된다.
또한, 상기 제 1서브 이미지 생성수단은 상기 컴퓨터 장치가 RGB 컬러 포맷으로 변환된 입력 이미지(110)를 상기 제 1오브젝트 후보영역(210) 및 상기 제 1배경 후보영역(220)으로 분할된 상기 제 1서브 이미지로 생성하도록 기능하는 프로그램 또는 프로그램에 구비된 수단일 수 있다.
또한, 상기 제 1서브 이미지 생성수단은 상기 컴퓨터 장치가 복수 개의 가우시안 확률밀도 함수를 이용하여 정규분포들을 계산하도록 기능하며, 본 발명의 일실시예에서는 두 개의 가우시안 확률밀도 함수를 이용하여 두 개의 정규분포를 계산하였다.
또한, 상기 제 1서브 이미지 생성수단은 상기 컴퓨터 장치가 각 정규분포를 갖는 분할영역들로 이루어지는 제 1서브 이미지를 생성하도록 기능하며 상기 각 분할영역의 정규분포는 서로 다른 값을 가지게 된다. 또한, 본 발명의 일실시예에서는 두 개의 분할영역으로 분할된 제 1서브 이미지를 생성하였다.
또한, 상기 제 1서브 이미지 생성수단은 상기 컴퓨터 장치가 상기 분할영역을 라벨링하여 상기 제 1오브젝트 후보영역(210) 및 상기 제 1배경 후보영역(220)으로 분할하도록 기능하며, 복수 개의 분할영역이 존재하는 경우에는 각 정규분포의 분포밀도가 가장 낮은 영역을 제 1오브젝트 후보영역(210)으로 라벨링하고 다른 영역을 제 1배경 후보영역(220)으로 라벨링하는 것이 바람직하다.
또한, 본 발명의 일실시예에서는 두 개의 분할영역들 중에서 낮은 분포밀도를 갖는 영역이 상기 제 1오브젝트 후보영역(210)으로 라벨링되고, 다른 영역은 상기 제 1배경 후보영역(220)으로 라벨링하게 하였다.
또한, 상기 제 1서브 이미지 생성수단은 아래의 수학식 1을 이용하여, 상기 컴퓨터 장치가 상기 제 1오브젝트 후보영역(210) 및 상기 제 1배경 후보영역(220)으로 분할된 상기 제 1서브 이미지를 생성하도록 기능한다.
[수학식 1]
Figure 112011105380227-pat00027
여기서,
Figure 112011105380227-pat00028
는 분포밀도이며, M은 가우시안 확률밀도 함수의 수이며,
Figure 112011105380227-pat00029
는 평균벡터이며,
Figure 112011105380227-pat00030
는 혼합 가중치(mixture weight)이며,
Figure 112011105380227-pat00031
는 픽셀 x에 대한 확률밀도함수이다.
즉, 가우시안 확률밀도 함수의 수에 따라 입력 이미지(110)에서 분할되는 분할영역의 수가 조절될 수 있다.
다음, 제 2서브 이미지를 생성하게 되는데, 제 2서브 이미지 생성수단은 상기 컴퓨터 장치가 상기 제 1오브젝트 후보영역(210) 및 상기 제 1배경 후보영역(220)의 각 색상평균값과 상기 입력 이미지(110)의 각 픽셀 간의 유클리디안 거리를 계산하여 상기 제 2서브 이미지를 생성하도록 기능하게 된다(S1300).
또한, 상기 제 2서브 이미지는 제 2오브젝트 후보영역(310) 및 제 2배경 후보영역(320)으로 분할된 이미지로 구비된다.
또한, 상기 제 2서브 이미지 생성수단은 RGB 클러스터링(RGB clustering) 알고리즘을 이용하여 상기 컴퓨터 장치가 상기 입력 이미지에서 상기 제 2서브 이미지를 생성하도록 기능하는 프로그램 또는 프로그램에 구비된 수단일 수 있다.
또한, 상기 제 2서브 이미지 생성수단이 상기 컴퓨터 장치가 상기 제 1오브젝트 후보영역(210) 및 상기 제 1배경 후보영역(220)의 각 RGB 평균값을 계산하도록 기능한다.
또한, 상기 제 2서브 이미지 생성수단이 상기 컴퓨터 장치가 상기 제 1오브젝트 후보영역(210)의 RGB 평균값 및 상기 제 1배경 후보영역(220)의 RGB 평균값과 상기 입력 이미지(110)의 각 픽셀의 유클리디안 거리값을 계산하도록 기능한다.
또한, 상기 제 2서브 이미지 생성수단은 아래의 수학식 2를 이용하여 상기 컴퓨터 장치가 상기 제 1오브젝트 후보영역(210)의 RGB 평균값을 계산하게 하며, 또한, 상기 컴퓨터 장치가 아래의 수학식 3을 이용하여 상기 제 1배경 후보영역(220)의 RGB 평균값을 계산하게 한다.
[수학식 2]
Figure 112011105380227-pat00032
여기서,
Figure 112011105380227-pat00033
는 제 1오브젝트 후보영역의 RGB 평균값이며,
Figure 112011105380227-pat00034
은 입력 이미지의 붉은(red) 색상값이고,
Figure 112011105380227-pat00035
는 제 1오브젝트 후보영역의 붉은 색상 평균값이며,
Figure 112011105380227-pat00036
는 입력 이미지의 녹색(green) 색상값이며,
Figure 112011105380227-pat00037
는 제 1오브젝트 후보영역의 녹색 색상 평균값이며,
Figure 112011105380227-pat00038
는 입력 이미지의 푸른(blue) 색상값이며,
Figure 112011105380227-pat00039
는 제 1오브젝트 후보영역의 푸른 색상 평균값이다.
[수학식 3]
Figure 112011105380227-pat00040
여기서,
Figure 112011105380227-pat00041
는 제 1배경 후보영역의 RGB 평균값이며,
Figure 112011105380227-pat00042
은 입력 이미지의 붉은(red) 색상값이고,
Figure 112011105380227-pat00043
는 제 1배경 후보영역의 붉은 색상 평균값이며,
Figure 112011105380227-pat00044
는 입력 이미지의 녹색(green) 색상값이며,
Figure 112011105380227-pat00045
는 제 1배경 후보영역의 녹색 색상 평균값이며,
Figure 112011105380227-pat00046
는 입력 이미지의 푸른(blue) 색상값이며,
Figure 112011105380227-pat00047
는 제 1배경 후보영역의 푸른 색상 평균값이다.
또한, 상기 제 2서브 이미지 생성수단은 상기 컴퓨터 장치가 상기 입력 이미지(110)의 각 픽셀들 중 상기 제 1오브젝트 후보영역(210)의 RGB 평균값과 가까운 유클리디안 거리값을 갖는 픽셀들을 상기 제 2오브젝트 후보영역(310)으로 라벨링하고 다른 픽셀들은 제 2배경 후보영역(320)으로 라벨링하도록 기능한다.
또한, 상기 제 2서브 이미지 생성수단은 아래의 수학식 4를 이용하여 상기 컴퓨터 장치가 상기 입력 이미지(110)의 각 픽셀들을 상기 제 2오브젝트 후보영역(310) 또는 상기 제 2배경 후보영역(320)으로 라벨링하게 한다.
[수학식 4]
Figure 112011105380227-pat00048
여기서,
Figure 112011105380227-pat00049
는 제 1오브젝트 후보영역의 RGB 평균값이고
Figure 112011105380227-pat00050
는 제 1배경 후보영역의 RGB 평균값이며,
Figure 112011105380227-pat00051
는 제 2오브젝트 후보영역이며,
Figure 112011105380227-pat00052
는 제 2배경 후보영역을 뜻한다.
다음, 오브젝트 분할수단이 상기 제 1오브젝트 후보영역(210) 및 상기 제 2오브젝트 후보영역(310)을 이용하여 상기 컴퓨터 장치가 결과 이미지를 생성하게 하는데, 상기 오브젝트 분할수단은 상기 컴퓨터 장치를 상기 제 1오브젝트 후보영역(210)의 각 픽셀과 상기 제 2오브젝트 후보영역(310)의 각 픽셀 중 서로 중복되는 좌표에 위치한 픽셀들로 이루어진 오브젝트 분할영역(410)을 생성하도록 기능한다(S1400).
또한. 상기 결과 이미지에는 상기 오브젝트 분할영역(410) 및 배경영역(420)이 포함되며, 상기 오브젝트 분할영역(410)은 상기 입력 이미지에서 인식하고자 하는 대상 사물이 위치한 영역일 수 있고 상기 배경영역(420)은 상기 오브젝트 분할영역(410) 이외의 영역일 수 있다.
또한, 상기 오브젝트 분할수단은 교집합 연산 알고리즘을 이용하여 상기 컴퓨터 장치가 상기 오브젝트 분할영역(410)을 생성하도록 기능한다. 또한, 상기 교집합 연산 알고리즘은 복수 개의 이미지의 각 픽셀 중 동일한 특성을 가지며 서로 중복되는 좌표에 위치한 픽셀들을 추출하여 이미지로 생성할 수 있는 알고리즘일 수 있다.
또한, 상기 제 2서브 이미지 생성수단은 상기 교집합 연산 알고리즘을 이용하여 상기 컴퓨터 장치가 상기 제 1오브젝트 후보영역(210)과 상기 제 2오브젝트 후보영역(310)을 교집합 연산하여 상기 결과 이미지를 생성하도록 기능하는 프로그램 또는 프로그램에 구비된 수단일 수 있다.
다음, 노이즈 제거수단이 상기 컴퓨터 장치가 상기 결과 이미지에 포함된 노이즈를 제거하도록 기능하게 된다(S1500).
또한, 상기 노이즈 제거수단은 상기 컴퓨터 장치가 상기 결과 이미지를 이진화하여 복수 개의 이진화 영역들로 분할된 이진화 이미지로 생성하게 하며, 상기 이진화 영역에는 상기 오브젝트 분할영역이 포함되게 된다.
또한, 상기 노이즈 제거수단은 상기 컴퓨터 장치가 상기 이진화 영역들 중 가장 큰 영역을 갖는 하나의 이진화 영역을 오브젝트 영역(510)으로 설정한 후 다른 영역(520)들은 노이즈로 설정하여 제거하도록 기능하게 된다. 이때, 상기 오브젝트 영역(510)으로 설정된 이진화 영역은 상기 오브젝트 분할영역(410)과 실질적으로 겹치거나 동일한 영역을 가지게 되는데, 상기 다른 영역(520)들을 제거함으로써 정확하게 오브젝트를 분할할 수 있게 된다.
또한, 상기 노이즈 제거수단은 연결성분(Connected Component) 알고리즘을 이용하여 상기 컴퓨터 장치가 상기 오브젝트 영역(510) 및 상기 노이즈를 설정하도록 기능하도록 구비될 수 있다.
다음, 오브젝트 블럭 생성수단이 상기 컴퓨터 장치가 상기 입력이미지에 오브젝트 블럭을 생성하도록 기능하게 되는데, 이때, 상기 오브젝트 블럭 생성수단은 상기 컴퓨터 장치가 상기 입력 이미지의 각 픽셀들 중 상기 오브젝트 영역의 각 픽셀 좌표를 매칭되는 픽셀들을 오브젝트 블럭으로 생성하게 한다(S1600).
또한, 상기 오브젝트 블럭은 실질적으로 인식하고자 하는 대상 사물의 윤곽선에 위치한 픽셀들로 이루어지게 되고, 상기 컴퓨터 장치가 상기 대상 사물을 인식할 시 활용될 수 있다.
도 3 내지 도 4는 본 발명의 일실시예에 따른 오브젝트 분할방법과 다른 알고리즘들의 분할결과를 비교한 도면이다.
도 3을 참조하면, 본 발명의 일실시예에 따른 오브젝트 분할방법을 이용하여 오브젝트 영역 및 배경영역을 분할한 실시예, 가우시안 혼합 모델(GMM)만을 이용하여 오브젝트 영역과 배경영역을 분할한 제 1비교예, RGB 클러스터링만을 이용하여 오브젝트 영역과 배경영역을 분할한 제 2비교예 및 K평균 알고리즘(k-means)을 이용하여 오브젝트 영역과 배경영역을 분할한 제 3비교예의 분할결과를 비교하였다.
또한, 상기 실시예 및 상기 비교예들은 Intel(R) Core(TM)2 Quad CPU Q9550를 사용하고, MATLAB 7.7.0.171(R2008b)을 사용하였다.
또한, 상기 실시예 및 각 비교예에서 사용된 입력 이미지는 인터넷 또는 모바일단말을 이용하여 캡쳐하였고, 정량적인 성능 평가를 위해 꽃과 배경이 분리된 Ground truth 이미지를 사용했다. 또한, 상기 Ground truth 이미지들은 Adobe Photoshop CS4에서 직접 꽃 영역을 드로잉하여 분할하였다.
또한, 비교예 1의 분할결과를 살펴보면, 오브젝트 영역(10a, 10b)이 실제 꽃의 형태와 일치하지 않고 불명확하게 나타나 있고, 배경영역(11a, 11b)에 노이즈들이 발생된 것을 알 수 있다.
또한, 비교예 2의 분할결과를 살펴보면, 꽃 이외의 줄기 또는 잎을 포함하는 오브젝트 영역(20a, 20b)이 생성되어 있고, 배경영역(21a, 21b)에도 복수 개의 노이즈가 발생된 것을 알 수 있다.
또한, 비교예 3의 분할결과도, 입력 이미지에서 꽃이 위치한 영역 이외의 영역까지 오브젝트 영역(30a, 30b)으로 생성되어 있고, 배경영역(31a, 31b) 또한 노이즈가 발생되어 있음을 알 수 있다.
한편, 본 발명의 일실시예에 따른 오브젝트 분할방법으로 생성된 분할결과는, 오브젝트 영역(100a, 100b)과 배경영역(110a, 110b)만 존재하고 노이즈는 발생되지 않은 것을 알 수 있고, 오브젝트 영역(100a, 100b)이 실질적인 꽃의 윤곽선과 일치하고 있음을 알 수 있다.
도 4는 상기 실시예 및 각 비교예를 Ground truth 이미지와 비교하여, 유사한 정도의 최대값, 최소값, 평균값 및 표준편차를 아래의 수학식 5를 이용하여 계산한 결과를 나타낸다.
[수학식 5]
Figure 112011105380227-pat00053
여기서, S는 유사도 값으로 1에 가까울수록 유사도가 높으며, trueforeground는 Ground truth 이미지에서의 오브젝트 영역이며, segmentedforeground는 상기 실시예 및 각 비교예에서의 각 오브젝트 영역이다.
또한, 비교예 1의 경우, 유사도의 최대값(M2)은 0.9427이고 평균값이 0.83495로써 비교적 높은 반면, 최소값(N2)은 0.2951로 상당히 낮은 것을 알 수 있다. 즉, 비교예 1의 오브젝트 영역은 상기 Ground truth 이미지와 상당 부분 일치하고는 있으나, 거의 일치하지 않는 부분도 발생한 것을 알 수 있다.
또한, 비교예 2의 경우, 유사도의 최대값(M3)은 0.9259이고 평균값이 0.7813으로 비교적 유사한 결과로 나타났으나, 유사도의 최소값(N3)은 0.3595로써 비교적 낮은 값을 갖는 것을 알 수 있다. 즉, 비교예 2의 오브젝트 영역도 일정 부분 거의 일치하지 않는 부분이 발생한 것을 알 수 있다.
또한, 비교예 3의 경우, 유사도의 최대값(M4)은 0.901이고 평균값은 0.7732로써 비교예들 중 가장 낮은 값을 가지며, 최소값(N4)이 0.2009로써 가장 낮은 값을 갖는 것을 알 수 있다. 즉, 비교예 3의 오브젝트 영역은 실질적으로 정확도가 가장 낮은 것을 알 수 있다.
한편, 실시예의 경우, 유사도의 최대값(M1)이 0.9539로써 가장 높은 값을 가지며 평균값도 0.8815로써 가장 높으며, 최소값(N1)이 0.4568로써 다른 비교예들 보다 높은 값을 갖는 것을 알 수 있다. 즉, 실시예의 오브젝트 영역이 상기 Ground truth 이미지와 가장 유사한 것을 알 수 있으며, 일치하지 않는 부분의 발생도 가장 적은 것을 알 수 있다.
또한, 상기 비교예들과 상기 실시예에서의 표준편차는 박스 형태로 나타나 있는데, 이는, 상하 길이가 짧고 박스의 크기가 작을수록 표준편차가 작은 값을 가진다. 또한, 비교예들의 표준편차(S2, S3, S4)와 실시예의 표준편차(S1)를 비교하면 상기 실시예의 표준편차(S1)가 가장 작은 것을 알 수 있다.
즉, 본 발명의 일실시예에 따른 오브젝트 분할방법으로 분할된 실시예가 Ground truth 이미지가 가장 유사하고, 실질적인 꽃 영역을 반영하고 있음을 알수 있는 것이다.
이상에서 살펴본 바와 같이 본 발명은 바람직한 실시예를 들어 도시하고 설명하였으나, 상기한 실시예에 한정되지 아니하며 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변경과 수정이 가능할 것이다.

Claims (13)

  1. 컴퓨터 장치에서 입력 이미지 내의 오브젝트를 인식할 수 있도록 상기 입력 이미지에서 상기 오브젝트를 분할하는 오브젝트 분할방법으로써,
    제 1서브 이미지 생성수단이 상기 컴퓨터 장치를 상기 입력 이미지 각 픽셀의 정규분포들을 계산하여, 제 1오브젝트 후보영역 및 제 1배경 후보영역으로 분할된 제 1서브 이미지를 생성하도록 기능하게 하는 제 1단계;
    제 2서브 이미지 생성수단이 상기 컴퓨터 장치를 각 후보영역의 색상평균값들을 계산하고 상기 입력 이미지의 각 픽셀과 각 색상평균값과의 유클리디안 거리를 계산하여, 제 2오브젝트 후보영역 및 제 2배경 후보영역으로 분할된 제 2서브 이미지를 생성하도록 기능하게 하는 제 2단계; 및
    오브젝트 분할수단이 상기 컴퓨터 장치를 상기 제 1오브젝트 후보영역의 각 픽셀과 상기 제 2오브젝트 후보영역의 각 픽셀 중 서로 중복되는 좌표에 위치한 픽셀들로 이루어진 오브젝트 분할영역을 포함하는 결과 이미지를 생성하도록 기능하게 하는 제 3단계;를 포함하는 오브젝트 분할방법.
  2. 제 1항에 있어서,
    노이즈 제거수단이 상기 컴퓨터 장치가 상기 결과 이미지를 이진화하여 상기 오브젝트 분할영역이 복수 개의 이진화 영역들로 분할된 이진화 이미지로 생성하고, 각 이진화 영역 중 가장 큰 영역을 갖는 하나의 이진화 영역을 오브젝트 영역으로 설정하며 다른 영역들은 노이즈로 설정하여 제거하도록 기능하게 하는 제 4단계;를 더 포함하는 것을 특징으로 하는 오브젝트 분할방법.
  3. 제 2항에 있어서,
    오브젝트 블럭 생성수단이 상기 컴퓨터 장치가 상기 입력 이미지의 각 픽셀들 중 상기 오브젝트 영역의 각 픽셀 좌표를 매칭되는 픽셀들을 오브젝트 블럭으로 생성하도록 기능하는 제 5단계;를 더 포함하는 것을 특징으로 하는 오브젝트 분할방법.
  4. 제 1항에 있어서,
    상기 제 1단계 이전에,
    이미지 포맷 변환수단이 상기 컴퓨터 장치를 상기 입력 이미지의 포맷을 RGB 컬러 포맷으로 변환하도록 기능하게 하는 제 A단계;를 더 포함하는 것을 특징으로 하는 오브젝트 분할방법.
  5. 제 1항에 있어서,
    상기 제 1단계는
    상기 제 1서브 이미지 생성수단이 상기 컴퓨터 장치가,
    두 개의 가우시안 확률밀도 함수를 이용하여 상기 정규분포들을 계산하도록 기능하게 하는 제 1-1단계;
    상기 입력 이미지에서 각 정규분포를 갖는 분할영역들로 분할된 제 1서브 이미지를 생성하도록 기능하게 하는 제 1-2단계; 및
    상기 분할영역들 중에서 가장 낮은 분포밀도를 갖는 영역을 제 1오브젝트 후보영역으로 라벨링하고, 다른 영역을 제 1배경 후보영역으로 라벨링하도록 기능하게 하는 제 1-3단계;를 포함하는 것을 특징으로 하는 오브젝트 분할방법.
  6. 제 1항에 있어서,
    상기 제 2단계는
    상기 제 2서브 이미지 생성수단이 상기 컴퓨터 장치를,
    상기 제 1오브젝트 후보영역 및 상기 제 1배경 후보영역의 각 RGB 평균값을 계산하도록 기능하는 제 2-1단계;
    상기 제 1오브젝트 후보영역의 RGB 평균값 및 상기 제 1배경 후보영역의 RGB 평균값과 상기 입력 이미지의 각 픽셀의 유클리디안 거리값을 계산하도록 기능하는 제 2-2단계; 및
    상기 입력 이미지의 각 픽셀들 중 상기 제 1오브젝트 후보영역의 RGB 평균값과 가까운 유클리디안 거리값을 갖는 픽셀들을 상기 제 2오브젝트 후보영역으로 라벨링하고 다른 픽셀들은 제 2배경 후보영역으로 라벨링하여 상기 제 2서브 이미지로 생성하도록 기능하게 하는 제 2-3단계;를 포함하는 것을 특징으로 하는 오브젝트 분할방법.
  7. 제 5항에 있어서,
    상기 제 1서브 이미지 생성수단은 아래의 수학식 1을 이용하여, 상기 컴퓨터 장치가 상기 제 1오브젝트 후보영역 및 상기 제 1배경 후보영역으로 분할된 상기 제 1서브 이미지를 생성하도록 기능하는 것을 특징으로 하는 오브젝트 분할방법.
    [수학식 1]
    Figure 112011105380227-pat00054

    여기서,
    Figure 112011105380227-pat00055
    는 분포밀도이며, M은 가우시안 확률밀도 함수의 수이며,
    Figure 112011105380227-pat00056
    는 평균벡터이며,
    Figure 112011105380227-pat00057
    는 혼합 가중치(mixture weight)이며,
    Figure 112011105380227-pat00058
    는 픽셀 x에 대한 확률밀도함수이다.
  8. 제 6항에 있어서,
    상기 제 2서브 이미지 생성수단은 아래의 수학식 2를 이용하여 상기 컴퓨터 장치가 상기 제 1오브젝트 후보영역의 RGB 평균값을 계산하도록 기능하는 것을 특징으로 하는 오브젝트 분할방법.
    [수학식 2]
    Figure 112011105380227-pat00059

    여기서,
    Figure 112011105380227-pat00060
    는 제 1오브젝트 후보영역의 RGB 평균값이며,
    Figure 112011105380227-pat00061
    은 입력 이미지의 붉은(red) 색상값이고,
    Figure 112011105380227-pat00062
    는 제 1오브젝트 후보영역의 붉은 색상 평균값이며,
    Figure 112011105380227-pat00063
    는 입력 이미지의 녹색(green) 색상값이며,
    Figure 112011105380227-pat00064
    는 제 1오브젝트 후보영역의 녹색 색상 평균값이며,
    Figure 112011105380227-pat00065
    는 입력 이미지의 푸른(blue) 색상값이며,
    Figure 112011105380227-pat00066
    는 제 1오브젝트 후보영역의 푸른 색상 평균값이다.
  9. 제 6항에 있어서,
    상기 제 2서브 이미지 생성수단은 아래의 수학식 3을 이용하여 상기 컴퓨터 장치가 상기 제 1배경 후보영역의 RGB 평균값을 계산하도록 기능하는 것을 특징으로 하는 오브젝트 분할방법.
    [수학식 3]

    Figure 112011105380227-pat00067

    여기서,
    Figure 112011105380227-pat00068
    는 제 1배경 후보영역의 RGB 평균값이며,
    Figure 112011105380227-pat00069
    은 입력 이미지의 붉은(red) 색상값이고,
    Figure 112011105380227-pat00070
    는 제 1배경 후보영역의 붉은 색상 평균값이며,
    Figure 112011105380227-pat00071
    는 입력 이미지의 녹색(green) 색상값이며,
    Figure 112011105380227-pat00072
    는 제 1배경 후보영역의 녹색 색상 평균값이며,
    Figure 112011105380227-pat00073
    는 입력 이미지의 푸른(blue) 색상값이며,
    Figure 112011105380227-pat00074
    는 제 1배경 후보영역의 푸른 색상 평균값이다.
  10. 제 6항에 있어서,
    상기 제 2서브 이미지 생성수단은 아래의 수학식 4를 이용하여 상기 컴퓨터 장치가 상기 입력 이미지의 각 픽셀들을 상기 제 2오브젝트 후보영역 또는 상기 제 2배경 후보영역으로 라벨링하도록 기능하는 것을 특징으로 하는 오브젝트 분할방법.
    [수학식 4]
    Figure 112011105380227-pat00075

    여기서,
    Figure 112011105380227-pat00076
    는 제 1오브젝트 후보영역의 RGB 평균값이고
    Figure 112011105380227-pat00077
    는 제 1배경 후보영역의 RGB 평균값이며,
    Figure 112011105380227-pat00078
    는 제 2오브젝트 후보영역이며,
    Figure 112011105380227-pat00079
    는 제 2배경 후보영역을 뜻한다.
  11. 제 1항에 있어서,
    상기 오브젝트 분할수단은 교집합 연산 알고리즘을 이용하여 상기 컴퓨터 장치가 상기 오브젝트 분할영역을 생성하도록 기능하는 것을 특징으로 하는 오브젝트 분할방법.
  12. 제 2항에 있어서,
    상기 노이즈 제거수단은 연결성분(Connected Component) 알고리즘을 이용하여 상기 컴퓨터 장치가 상기 오브젝트 영역 및 상기 노이즈를 설정하도록 기능하는 것을 특징으로 하는 오브젝트 분할방법.
  13. 제 1항 내지 제 12항 중 어느 한 항의 각 수단으로 기능하게 하여 오브젝트 분할방법이 수행되게 하는 오브젝트 분할 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장매체.
KR1020110146905A 2011-12-30 2011-12-30 가우시안 혼합 모델 및 알지비 클러스터링을 이용한 오브젝트 분할방법 KR101296734B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110146905A KR101296734B1 (ko) 2011-12-30 2011-12-30 가우시안 혼합 모델 및 알지비 클러스터링을 이용한 오브젝트 분할방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110146905A KR101296734B1 (ko) 2011-12-30 2011-12-30 가우시안 혼합 모델 및 알지비 클러스터링을 이용한 오브젝트 분할방법

Publications (2)

Publication Number Publication Date
KR20130078130A KR20130078130A (ko) 2013-07-10
KR101296734B1 true KR101296734B1 (ko) 2013-08-20

Family

ID=48991175

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110146905A KR101296734B1 (ko) 2011-12-30 2011-12-30 가우시안 혼합 모델 및 알지비 클러스터링을 이용한 오브젝트 분할방법

Country Status (1)

Country Link
KR (1) KR101296734B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101630264B1 (ko) 2014-12-05 2016-06-14 국방과학연구소 거리-도플러 클러스터링 기법
US10163000B2 (en) 2015-01-14 2018-12-25 Samsung Electronics Co., Ltd. Method and apparatus for determining type of movement of object in video

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101524944B1 (ko) * 2013-11-27 2015-06-02 중앙대학교 산학협력단 다중 영역 영상 분할 방법 및 그 장치
CN105825161B (zh) * 2015-01-07 2019-10-01 阿里巴巴集团控股有限公司 图像的肤色检测方法及其***
CN110766700B (zh) * 2019-10-23 2022-01-28 吉林大学 基于数字微镜的icp-aes光谱图像处理方法
CN113223016A (zh) * 2021-05-13 2021-08-06 上海西虹桥导航技术有限公司 一种植物秧苗的图像分割方法、装置、电子设备和介质
CN114025095B (zh) * 2021-11-10 2024-07-02 维沃移动通信有限公司 亮度调整方法、装置和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030005908A (ko) * 2001-07-10 2003-01-23 주식회사 오픈비주얼 영상의 객체 특징 추출과 이를 이용한 내용 기반 영상검색 장치 및 방법
JP2006221523A (ja) 2005-02-14 2006-08-24 Chuden Gijutsu Consultant Kk オブジェクト領域抽出システムおよび方法
KR101014296B1 (ko) 2009-03-26 2011-02-16 고려대학교 산학협력단 가우시안 모델을 이용한 영상 처리 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030005908A (ko) * 2001-07-10 2003-01-23 주식회사 오픈비주얼 영상의 객체 특징 추출과 이를 이용한 내용 기반 영상검색 장치 및 방법
JP2006221523A (ja) 2005-02-14 2006-08-24 Chuden Gijutsu Consultant Kk オブジェクト領域抽出システムおよび方法
KR101014296B1 (ko) 2009-03-26 2011-02-16 고려대학교 산학협력단 가우시안 모델을 이용한 영상 처리 장치 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101630264B1 (ko) 2014-12-05 2016-06-14 국방과학연구소 거리-도플러 클러스터링 기법
US10163000B2 (en) 2015-01-14 2018-12-25 Samsung Electronics Co., Ltd. Method and apparatus for determining type of movement of object in video

Also Published As

Publication number Publication date
KR20130078130A (ko) 2013-07-10

Similar Documents

Publication Publication Date Title
KR101296734B1 (ko) 가우시안 혼합 모델 및 알지비 클러스터링을 이용한 오브젝트 분할방법
US9959603B2 (en) Method and device for image processing
US8391615B2 (en) Image recognition algorithm, method of identifying a target image using same, and method of selecting data for transmission to a portable electronic device
WO2016066038A1 (zh) 一种图像主体提取方法及***
WO2017107957A1 (zh) 人脸图像的检索方法及装置
CN101477696B (zh) 一种人物漫画图像生成方法及装置
US7627146B2 (en) Method and apparatus for effecting automatic red eye reduction
AU2018202767B2 (en) Data structure and algorithm for tag less search and svg retrieval
US9632678B2 (en) Image processing apparatus, image processing method, and program
KR101384627B1 (ko) 영상 내 객체 영역 자동분할 방법
US9443137B2 (en) Apparatus and method for detecting body parts
US10249029B2 (en) Reconstruction of missing regions of images
CN109934112B (zh) 一种人脸对齐方法和相机
JP2010205067A (ja) 領域抽出装置、領域抽出方法及び領域抽出プログラム
US9830530B2 (en) High speed searching method for large-scale image databases
CN107516295A (zh) 去除图像中的噪声的方法和装置
JP5560925B2 (ja) ３次元形状検索装置、３次元形状検索方法、及びプログラム
CN113688261A (zh) 图像数据清理方法、装置、电子设备及可读存储介质
US11869127B2 (en) Image manipulation method and apparatus
CN111080748A (zh) 基于互联网的图片自动合成***
JP6151908B2 (ja) 学習装置、識別装置、およびそのプログラム
WO2023273227A1 (zh) 指甲识别方法、装置、设备及存储介质
US11734790B2 (en) Method and apparatus for recognizing landmark in panoramic image and non-transitory computer-readable medium
KR101758869B1 (ko) 멀티미디어 콘텐츠 분류장치 및 이를 이용한 분류방법
JP6467817B2 (ja) 画像処理装置、画像処理方法、およびプログラム

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20160722

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20190723

Year of fee payment: 7